知识图谱

定义

知识图谱指用图这种数据结构来描述实体、概念及其相互关系的知识库，图的节点对应现实世界中的对象或抽象概念，图的边对应它们之间被命名的语义联系^[1]。它可以形式化地记为 $G=\{E,R,F\}$，其中 $E$ 为实体集合，$R$ 为关系集合，$F$ 为事实集合；一条事实写作三元组 $<h,r,t>$，$h$ 是头实体，$r$ 是关系，$t$ 是尾实体^[1]。

与普通图数据库相比，知识图谱要求在数据中显式记录类别、属性、层次与约束这类语义信息，使软件能够校验新加入的陈述，并推出原本未写下的结论^[5]。因此，它既是存放数据的容器，也是承载语义、支持推理的载体。

按所承载的知识类型，研究者把知识图谱分为事实知识图谱、概念知识图谱、语言知识图谱和常识知识图谱；前者记录现实实体之间的关系，后两者分别描述词法句法语义层面的知识以及人与世界交互积累的经验^[1]。

原理

知识图谱的构建一般包含知识抽取、知识融合与知识推理三类环节。知识抽取从结构化、半结构化与非结构化数据中识别实体与关系，知识融合把来自不同来源的同一实体对齐并消除冲突，知识推理则依据已有事实推断新事实、发现错误并扩展图谱^[6]。具体技术环节还包括实体识别、关系抽取、事件抽取、实体对齐、实体补全与指代消解等^[7]。

构建路径分为自顶向下与自底向上两类：前者先从本体出发定义概念框架，再把实例填入；后者从数据中抽取实例图，再归纳出概念层次^[6][8]。图谱的组织方式依赖本体，本体给出机器可读的词汇表，为数据标注和模型理解提供统一的语义框架^[9]。

推理能力来自图的连通结构。普通关系数据库的查询只能看到甲与乙、乙与丙之间的直接关联，图谱的底层逻辑还能给出甲与丙之间隐含的联系，这也是其在研发类场景中被视为检索升级的原因^[9]。

graph LR

A[实体：刘备] -->|关系：父亲| B[实体：刘禅]

B -->|关系：君主| C[实体：蜀汉]

A -.->|可推导：关联| C

发展历程

知识图谱的思想源头可追溯到 20 世纪中后期的语义网络研究。语义网络用相互连接的节点和边表示知识，节点表示对象或概念，边表示概念之间的关系，为后来图结构的知识表示奠定了基础^[3]。同一时期，专家系统展示了结构化知识在推理上的能力，如 MYCIN 借助条件规则完成诊断推理^[10]。

1977 年，费根鲍姆（Edward A. Feigenbaum）在国际人工智能会议上提出知识工程概念，强调知识在智能系统中的作用，此后知识表示、知识获取与知识运用逐步成为独立的研究方向^[1]。20 世纪 80 年代，哲学中的本体概念被引入人工智能领域用于刻画知识，为图谱的概念框架提供了借鉴^[3]。1998 年，蒂姆·伯纳斯-李（Tim Berners-Lee）提出语义网（Semantic Web）构想，主张通过标准标记语言与元数据让网络上的文档可被机器理解，资源描述框架与本体规范随之建立^[1]。

2012 年 5 月 16 日，谷歌发布以「事物，而非字符串」（things, not strings）为主题的知识图谱搜索功能，把检索单位从关键词转向实体^[11][12]。按谷歌公布的数据，当时图谱已收录超过 5 亿个对象以及 35 亿条关于这些对象的事实与关联，数据来源包括Freebase、维基百科与美国中央情报局世界概况等公开资料^[12]。这一事件被视为术语进入通用语汇的标志，2013 年以后相关研究与应用在学界和业界逐步铺开^[5][13]。

近年来的主要变化是知识图谱与大语言模型的结合。大语言模型擅长语义理解与文本生成，但输出存在事实性偏差；图谱提供精确、可追溯的结构化知识，两者形成互补，并在 2024 年前后被概括为图模互补的研究框架^[6][14]。引入时间维度的时间知识图谱也被提出，用四元组刻画知识的动态变化^[15]。

应用

语义搜索是最早的应用方向。使用图谱的检索不再只返回网页列表，而是直接给出结构化的知识卡片，例如查询某艘军舰时呈现其防护、动力与武器装备等条目，实现即问即答^[3]。据中国电子学会相关人士的分析，知识图谱已被广泛应用于智能搜索、智能问答、个性化推荐与人机交互对话系统等领域^[2]。

在科研与医药研发中，图谱用于呈现药物、疾病与靶点之间错综复杂的关系，辅助寻找已有药物的新用途，也用于分析材料之间的关系以预测新材料的性质，数据来源涵盖专利、论文、公开数据库与行业机构资料^[9]。在客服与内部问答场景中，图谱因能统一管理来源各异的多个大型数据集，被用作聊天机器人与虚拟助理的知识底座^[9]。

在医疗领域，医学知识图谱把疾病、药物、症状、基因等构造成可计算的语义网络，为临床决策与循证研究提供结构化知识支撑，并可与检索增强生成方法配合，缓解语言模型的事实性偏差^[16]。

局限

构建与维护成本高是公认的制约。实体识别、关系抽取、事件抽取与知识融合每一步都需要大量人工与规则设计，大规模图谱的构建和质量校验往往耗费可观的人力^[17][18]。人工成本高又导致覆盖范围与数据量受限，图谱中存在大量缺失，即所谓数据稀疏问题^[17]。

现实世界信息变化快，而图谱的更新往往滞后于事件本身，维护难度较大^[18]。静态知识图谱难以描述实体和关系的动态性，因此需要引入时间戳或时间区间来刻画时效，这一方向仍处于研究推进阶段^[1][19]。

图谱的存储结构与查询方式相对固定，面对不同数据结构与查询需求时灵活性有限；其推理多依赖规则与符号逻辑，遇到含义模糊或跨领域的问题时容易失效^[17][18]。此外，自动抽取环节的误差与不同来源之间的知识冲突，也会传导到下游应用，检索覆盖不足与跨源不一致是相关系统错误的重要来源之一^[16]。

参见

• 语义网 —— 主张为网络文档添加机器可理解元数据的构想，被视为知识图谱的思想前身之一。

• 本体 —— 定义领域概念、类别与关系的形式化框架，相当于知识图谱的模式层。

• 三元组 —— 知识图谱存储事实的基本单位，由头实体、关系和尾实体构成。

• 大语言模型 —— 以海量文本训练的语言模型，与知识图谱在知识表示上形成互补。

• 检索增强生成 —— 在生成答案前先检索外部知识的方法，常以知识图谱作为知识来源。

• 图数据库 —— 以图结构存储和查询数据的数据库系统，是知识图谱常见的存储载体。