生活分享
知识图谱(Knowledge Graph):把事物与关系说清楚
知识图谱用实体及关系组织数据,让“谁参与什么、在哪里、何时发生”能沿链接查询。本文以社群活动数据演示实体识别、关系方向、来源与时间,介绍资源描述框架(RDF)和属性图的表示差异,也说明图谱不等于可视化或可信事实。读完能判断数据适不适合建图,并理解它如何与数据表、向量搜索及图谱检索增强生成(GraphRAG)搭配。
阅读时间约 7 分钟

知识图谱,英文 Knowledge Graph,是以事物及其关系组织知识的方式。事物可以是人物、机构、地点、文件或事件,关系则描述谁参与什么、何者位于哪里、数据来自何处。它的重点是让链接具有明确意义与可追溯的标识,不只是把数据画成一群圆点和线条。
这个词没有只允许使用某一种存储技术的单一定义。本篇以 W3C 的资源描述框架(RDF)概念规范和 Neo4j 的属性图说明作为具体基础,介绍两种常见表示方式。示例采用虚构的社群活动数据;图上的关系是教学设定,不是对真实人物或组织的调查。读者将能辨认哪些关联可由数据支持,哪些只是看图后的猜测。
先有身份,再谈关系
若两份文件都提到“山城书屋”,首先要判断是否为同一间书屋。名称相同可能是不同分店,名称不同也可能是同一机构改名。图谱需要稳定的实体标识符,名称与别名则作为属性保留。没有处理这一步,后续沿关系查询就可能把不同主体混在一起,得到形式连贯但事实错置的答案。
关系也需要明确类型和方向。“书屋主办活动”与“活动位于书屋”表达的责任不同;在同一篇报告里共同出现,不等于共同主办。建图时应依证据定义关系,保留不能确定的部分,必要时把“某文件声称有合作”表示为带来源的主张,而不是直接升级成无条件事实。
RDF 与属性图怎么表示
RDF 的基本陈述可理解为主语、谓语、宾语:例如“活动甲、举办于、场地乙”。W3C 规范定义了 RDF 图与相关标识及数据类型,使不同来源有共同的表示基础。这里只是概念示例,不代表任意使用中文短语就已符合完整的数据交换规范;实际系统还要选择适当词汇与标识方式。
属性图则常把数据表示为节点、带类型的关系,以及附在节点或关系上的属性。活动节点可以有日期,主办关系可以有角色或有效期。两种方式都能组织关联,但数据模型、查询语言与互通方式不同。它们不是一个新旧淘汰序列,选择要看现有工具、交换需求和团队如何管理数据。
阅读完整文字说明
山城书屋主办读书会,河畔协会协办,读书会举办于青禾教室;场地不能自动视为共同主办方
演示:谁参与过同一场活动
假设数据写明山城书屋主办读书会,河畔协会协办,地点在青禾教室。输入“哪些团体曾和山城书屋一起办活动?”时,系统可先找到书屋,再沿其主办的活动节点找其他协办团体,最后返回活动与来源。预期结果包含河畔协会,但青禾教室只有场地角色,不能自动把它也当成共同主办单位。
如果活动记录另写“讲者来自河畔协会”,仍不足以证明协会是协办方。这时应保留讲者的所属关系,或者记下数据尚未确认。例子说明图谱的好处:关系类型使查询可以区分同样相连但意义不同的情况。若只把所有提及者用“相关”连起来,虽然图很密,却难以支持这种精确问题。
接着改问“目前有哪些长期合作伙伴?”单次共同活动并不足以回答。需要数据明示合作期间或持续关系,不能把“曾共同主办”直接变成“现任伙伴”。因此时间与关系状态应随证据一起存储,答案也应说明数据范围。这些是建模与查询时需要负责作出的判断,不会因采用图存储就自动完成。
图谱不能替来源背书
图谱可能由人工整理、规则抽取或语言模型建立,每种方式都可能出错。原始文件若有误,抽取得再正确也只是忠实存储错误主张;模型抽取还可能猜错指代或漏掉否定。需要分开检查原文可信度、抽取是否忠实,以及身份是否合并正确。这些阶段的错误原因不同,不能只用一个整体置信度分数概括。
来源撤回或修订时,图谱也需要更新。若某条关系由多份数据支持,删除其中一份不一定等于整条关系应消失;但也不能完全不处理。保留来源链接与有效期,有助于追踪哪些结论受影响。对需要审核的数据,应区分候选关系和已确认关系,避免未验证的抽取结果直接用于对外回答。
何时适合用图,如何与其他方法搭配
当常见问题需要跨多个实体追踪关系,例如事件参与、内容引用或组织合作,图的结构容易表达这些路径。但数据如果主要用于单一表格的筛选与求和,关系型数据库可能更直接。图存储不是所有连接(JOIN)查询的必要替代,数据量大也不表示一定适合建图。应先写出实际要回答的问题,再决定结构。
向量搜索擅长找意思相近的起点,图谱则擅长沿明确关系展开,两者可以搭配。例如先用文本找到可能对应的书屋,再用标识符查询正式的活动关系。GraphRAG 进一步把图及相关文本交给生成流程回答。这些步骤仍需保留原文,不能把一条模型抽取的连线当成充分引用。
小规模验收可以先人工确认一组实体与关系,加入同名不同人、改名、过期关系与相互矛盾的来源。检查查询是否走对关系类型,是否能指出每个结果的依据,并确认无数据时不会强行连接。评估图谱应看它能支持哪些可核对的问题,不只是节点数增加或可视化看起来更复杂。可视化只是阅读图谱的一个界面。线条密集、节点靠近或颜色相同,可能是布局算法的选择,不一定是数据本身的正式含义。分享图时应附上关系图例与范围说明,让读者知道哪些视觉特征可以解读,哪些只是为了排版清楚。
| 方法 | 处理重点 | 需要留意 |
|---|---|---|
| 数据表 | 用行与字段组织记录 | 适合明确筛选及统计 |
| 知识图谱 | 实体与有意义的关系 | 需要身份和来源治理 |
| 向量表示 | 内容的相似性 | 不直接提供明确关系类型 |
图谱检索增强生成(GraphRAG):从关系看懂整批文件图谱检索增强生成(GraphRAG):从关系看懂整批文档GraphRAG 把实体及其关系纳入检索,帮助回答跨文档的关联与整体主题。本文以 Microsoft 原始论文及官方文档为范围,拆解实体抽取、社区摘要、局部搜索和全局搜索,以地方活动记录示范不同问题需要不同路径。也说明图谱漏连、名称误合并与摘要失真如何影响答案,避免把一张漂亮的关系图误认为已验证的事实。阅读全文
嵌入向量(Embedding)是什么:把内容放进可比较的空间嵌入向量(Embedding)是什么:把内容放进可比较的空间嵌入向量是模型把文字等内容转换成一组数值的表示方式,常用于语义搜索、分类与聚类。本文用“下雨可以去哪里”的查询拆解编码、相似度与候选结果,说明向量距离不等于真假、每一维也未必能直接命名,并介绍模型版本、语言能力与长文截断的影响。读完能分清嵌入向量、向量数据库与生成答案各自负责什么。阅读全文
检索增强生成(RAG)是什么:让回答附上可查的依据检索增强生成(RAG)是什么:让回答附上可查的依据检索增强生成会先从外部资料中找出相关内容,再交给语言模型组织回答。本文以活动报名规章的问答为例,拆解建立索引、检索、生成与来源核对,说明它和搜索、微调的区别,也解释为什么有引用仍可能答错。读完能判断问题出在资料未更新、文档没找齐,还是模型对证据过度解读,并知道什么情况应保留“不知道”的答案。阅读全文
AI 名词总索引:从 Loop Engineering 到生成式 AI
觉得这篇整理实用吗?分享给需要的朋友
同主题延伸阅读
生活分享
代理式检索增强生成(Agentic RAG):何时需要再查一次
代理式检索增强生成让模型参与检索决策,根据问题与已找到的证据选择数据来源、改写查询或继续补查。本文采用 LangGraph 文档中的具体流程,以比较场地借用条件示范它和固定式 RAG 的差别,并说明停止条件、权限、查询记录及成本控制。读完能判断任务需要动态探索,还是用可预测的固定流程就足够。
生活分享
图谱检索增强生成(GraphRAG):从关系看懂整批文档
GraphRAG 把实体及其关系纳入检索,帮助回答跨文档的关联与整体主题。本文以 Microsoft 原始论文及官方文档为范围,拆解实体抽取、社区摘要、局部搜索和全局搜索,以地方活动记录示范不同问题需要不同路径。也说明图谱漏连、名称误合并与摘要失真如何影响答案,避免把一张漂亮的关系图误认为已验证的事实。
生活分享
混合搜索(Hybrid Search):兼顾精确字词与语义
混合搜索将全文搜索与向量等不同检索结果合并,兼顾精确代码和自然语言需求。本文用设备说明书查询拆解候选获取、去重、排名融合和重新排序,介绍倒数排名融合(RRF)如何用名次融合不同搜索结果,也提醒混合不保证全面更准。读完能用代码题、改写题和无答案题检查质量,并辨认权限、筛选与重复内容造成的偏差。
生活分享
检索增强生成(RAG)是什么:让回答附上可查的依据
检索增强生成会先从外部资料中找出相关内容,再交给语言模型组织回答。本文以活动报名规章的问答为例,拆解建立索引、检索、生成与来源核对,说明它和搜索、微调的区别,也解释为什么有引用仍可能答错。读完能判断问题出在资料未更新、文档没找齐,还是模型对证据过度解读,并知道什么情况应保留“不知道”的答案。
引用本文的文章
资料来源
- W3C:RDF 1.1 概念与抽象语法查证日期:
- Neo4j:图数据库概念查证日期:
本文依据上方所列参考来源与标示之核实日期整理;票价、时刻、功能规格或服务条款可能变动,出发、预订或购买前请至相关官方网站确认最新信息。