知识图谱的演进：从静态到动态、时序与事件的全景综述

On the Evolution of Knowledge Graphs: A Survey and Perspective

摘要

本文系统综述了知识图谱的演进历程，涵盖静态、动态、时序和事件知识图谱四大类型，深入探讨知识抽取与推理技术的发展脉络，并结合金融分析等实际应用案例，展望知识工程与大语言模型融合的未来方向。

https://t.zsxq.com/JXw9t获取双语资料

---

一、引言：知识图谱的兴起与演进

知识图谱(Knowledge Graph, KG)作为人工智能领域广泛应用的知识表示技术，能够将海量分散数据组织成结构化知识。从Google Knowledge Graph到DBpedia、Freebase和YAGO等典型知识图谱，已在搜索引擎、问答系统、推荐系统等智能应用中发挥重要作用。

知识图谱以图的形式表示知识：节点代表实体（真实世界对象或抽象概念），边表示关系（实体间的语义或逻辑连接）。知识图谱的基本构建单元是形如(主语实体, 关系, 宾语实体)的事实三元组，也称为三元组(es, r, eo)。

尽管三元组形式便于表示静态知识，但现实世界中的大多数知识元素始终处于演进或变化之中。因此，三元组从不更新或更新非常缓慢的静态知识图谱(Static Knowledge Graphs, SKGs)，由于其知识的时效性而存在局限性。为解决这一问题，许多动态知识图谱(Dynamic Knowledge Graphs, DKGs)持续收集和更新知识以确保时效性。此外，时序知识图谱(Temporal Knowledge Graphs, TKGs)如ICEWS、GDELT、YAGO3和Wikidata等在三元组事实中附加时间信息，近年来引起越来越多的关注。除实体为中心的知识外，事件也是世界中的一种重要知识类型，这促进了以事件为中心的知识表示形式的涌现，如事件知识图谱(Event Knowledge Graph, EKG)。值得注意的是，事件本身具有动态性和时序性。

二、知识图谱的演进：四个发展阶段

知识图谱的发展可以追溯到上世纪专家系统的诞生。此后，经过万维网1.0时代和语义网的发展，知识图谱的概念逐渐形成。从2006年开始，大规模类似维基百科的富结构知识资源的出现，以及网络规模信息抽取方法的进步，推动了知识抽取方法的巨大进步，这些方法实现了自动化并可在网络规模上运行。目前，自动构建的知识图谱已成为语义搜索、大数据分析、智能推荐和数据整合的强大资产，并在大型行业和各个领域得到广泛应用。

早期的知识图谱主要用于存储静态知识。随着下游任务对知识时效性需求的增加，能够持续更新知识或存储事实时间信息的知识图谱应运而生。然而，以实体为中心的知识图谱仍然无法优雅地表示新闻文本中出现的事件信息。因此，以事件为中心的知识图谱被提出，并在金融、旅游等特定领域变得流行。

基于这一观察，我们将知识图谱的形式演进划分为四个阶段，分别对应静态知识图谱(SKGs)、动态知识图谱(DKGs)、时序知识图谱(TKGs)和事件知识图谱(EKGs)的出现。

2.1 静态知识图谱(Static Knowledge Graphs)

第一代知识图谱是以实体和关系的形式呈现知识的静态图形表示。静态知识图谱通过三元组(主语实体, 关系, 宾语实体)来表达事实知识，这些三元组不包含时间信息或更新频率极低。典型的静态知识图谱包括：

• Google Knowledge Graph

  ：2012年由Google推出，用于增强搜索结果的语义理解能力

• DBpedia

  ：从维基百科中提取结构化内容构建的大规模知识图谱

• Freebase

  ：由社区协作构建的大规模结构化知识库

• YAGO

  ：结合维基百科、WordNet和GeoNames构建的高质量知识图谱

静态知识图谱的主要应用场景包括搜索引擎优化、语义搜索、知识问答等不需要频繁更新知识的领域。

2.2 动态知识图谱(Dynamic Knowledge Graphs)

为了应对现实世界知识的动态性，动态知识图谱能够持续从不断变化的现实世界信息中抽取和更新知识。与静态知识图谱相比，动态知识图谱具有以下特点：

• 持续更新机制

  ：能够实时或准实时地从数据源中抽取新知识并更新现有知识

• 知识演化追踪

  ：能够追踪知识随时间的变化轨迹

• 增量构建能力

  ：支持增量式知识添加，而非完全重建

动态知识图谱特别适用于新闻监控、社交媒体分析、实时决策支持等需要及时知识更新的应用场景。

2.3 时序知识图谱(Temporal Knowledge Graphs)

时序知识图谱在三元组中附加时间信息，形成四元组(主语实体, 关系, 宾语实体, 时间戳)的表示形式。这使得知识图谱能够明确表达事实的有效时间范围或发生时刻。主要的时序知识图谱包括：

• ICEWS

  ：整合冲突早期预警系统，记录国际政治事件及其发生时间

• GDELT

  ：全球事件、语言和情感数据库，实时监控全球新闻

• YAGO3

  ：YAGO的扩展版本，为事实添加时间维度

• Wikidata

  ：维基媒体基金会的协作知识库，支持时间信息标注

时序知识图谱特别适用于历史分析、趋势预测、时序推理等需要理解知识时间演化的应用。

2.4 事件知识图谱(Event Knowledge Graphs)

事件知识图谱以事件为中心组织知识，将事件作为一等公民进行表示。事件通常包含以下要素：

• 事件类型

  ：事件的类别或性质

• 参与者

  ：参与事件的实体

• 时间信息

  ：事件发生的时间

• 地点信息

  ：事件发生的地点

• 因果关系

  ：事件之间的因果联系

事件知识图谱特别适用于新闻理解、金融风险分析、舆情监控等需要捕捉和分析事件的应用场景。

三、知识抽取技术的演进

不同类型知识图谱的构建依赖于各种知识抽取技术。静态知识图谱的构建需要从文本中抽取事实三元组，因此其知识抽取过程主要包括命名实体识别(Named Entity Recognition, NER)和关系抽取(Relation Extraction, RE)。动态知识图谱的构建需要从不断变化的现实世界信息中进行动态知识抽取。时序知识图谱和事件知识图谱的构建还需要事件抽取来获取相应的时间和事件信息。此外，知识图谱中关系之间的逻辑规则可以被视为除事实知识之外的一种特殊知识，不同类型知识图谱的规则发现需要不同的规则抽取技术。随着大语言模型(Large Language Models, LLMs)的兴起及其强大的自然语言理解能力，LLMs被广泛应用于各种知识抽取任务。

3.1 静态知识抽取

静态知识抽取主要包括命名实体识别和关系抽取两大核心任务。

3.1.1 命名实体识别(Named Entity Recognition)

命名实体识别旨在从非结构化文本中识别和分类命名实体，如人名、地名、组织名、时间表达等。传统的NER方法包括：

• 基于规则的方法

  ：利用手工制定的规则和词典进行实体识别

• 基于统计的方法

  ：如条件随机场(CRF)、隐马尔可夫模型(HMM)等

• 基于深度学习的方法

  ：如BiLSTM-CRF、BERT等预训练模型

近年来，基于预训练语言模型的NER方法取得了显著进展，能够更好地捕捉上下文信息和语义特征。

3.1.2 关系抽取(Relation Extraction)

关系抽取旨在从文本中识别实体对之间的语义关系。主要方法包括：

• 基于模板的方法

  ：利用预定义的模板匹配文本中的关系模式

• 基于监督学习的方法

  ：训练分类器识别实体对之间的关系类型

• 远程监督方法

  ：利用现有知识图谱自动生成训练数据

• 端到端神经网络方法

  ：同时进行实体识别和关系抽取

3.2 动态知识抽取

动态知识抽取需要处理持续变化的数据流，及时捕捉新出现的实体和关系。主要挑战包括：

• 实时性要求

  ：需要快速处理新数据并更新知识图谱

• 概念漂移

  ：实体和关系的语义可能随时间变化

• 增量学习

  ：在不遗忘旧知识的前提下学习新知识

动态知识抽取通常采用流式处理架构，结合增量学习算法来实现持续的知识更新。

3.3 时序与事件知识抽取

时序和事件知识抽取需要额外识别时间信息和事件结构。主要任务包括：

• 时间表达识别与归一化

  ：识别文本中的时间表达并转换为标准格式

• 事件抽取

  ：识别事件触发词、事件类型和事件参数

• 事件关系抽取

  ：识别事件之间的时序关系和因果关系

事件抽取通常采用序列标注或生成式方法，近年来基于预训练模型的方法取得了显著效果。

3.4 大语言模型在知识抽取中的应用

随着ChatGPT、GPT-4等大语言模型的兴起，LLMs在知识抽取任务中展现出强大的能力：

• 零样本/少样本学习

  ：LLMs能够在少量示例甚至无示例的情况下完成抽取任务

• 指令跟随能力

  ：通过自然语言指令即可定义抽取任务，无需复杂的模型训练

• 上下文理解

  ：强大的上下文理解能力有助于准确识别实体和关系

• 多任务统一

  ：可以用统一的框架处理NER、RE、事件抽取等多种任务

然而，LLMs在知识抽取中也面临幻觉问题、领域适应性等挑战，需要进一步研究和优化。

四、知识推理技术的演进

知识图谱的一个主要问题是不完整性，这严重限制了知识图谱在下游任务中的应用效果。因此，知识图谱推理(Knowledge Graph Reasoning, KGR)作为一项旨在预测和补全知识图谱中缺失事实的任务，已成为知识图谱研究的热点之一。随着知识图谱的发展，知识图谱推理技术也从静态学习方法演进到时序学习方法。根据目标知识图谱的类型，现有的知识图谱推理方法可分为三类：静态知识图谱推理(SKGR)方法、动态知识图谱推理(DKGR)方法和时序知识图谱推理(TKGR)方法。

4.1 静态知识图谱推理(Static KGR)

静态知识图谱推理主要通过学习实体和关系的表示来预测缺失的三元组。主要方法包括：

4.1.1 基于嵌入的方法

• TransE及其变体

  ：将关系建模为实体嵌入空间中的平移操作

• 复数域嵌入

  ：如ComplEx、RotatE，在复数空间中学习更丰富的关系模式

• 神经网络方法

  ：利用神经网络学习更复杂的实体-关系交互

4.1.2 基于路径的方法

通过学习知识图谱中的多跳路径来进行推理，能够捕捉实体间的间接关系。

4.1.3 基于规则的方法

通过挖掘知识图谱中的逻辑规则来进行推理，具有更好的可解释性。

4.2 动态知识图谱推理(Dynamic KGR)

动态知识图谱推理需要考虑知识的时序演化模式。主要方法包括：

• 时序感知嵌入

  ：在实体和关系嵌入中融入时间信息

• 递归神经网络

  ：使用RNN、LSTM等捕捉知识的时序依赖

• 图神经网络

  ：在时序图上应用GNN进行动态推理

4.3 时序知识图谱推理(Temporal KGR)

时序知识图谱推理明确建模事实的时间维度，能够进行时间敏感的推理。主要任务包括：

• 时间预测

  ：预测事实的发生时间

• 链接预测

  ：预测特定时间点的缺失链接

• 外推预测

  ：预测未来时刻的知识图谱状态

时序知识图谱推理方法通常采用时序嵌入、时序注意力机制等技术来捕捉时间模式。

4.4 事件知识图谱推理

事件知识图谱推理是未来研究的重要方向，主要挑战包括：

• 事件因果推理

  ：识别和预测事件之间的因果关系

• 事件演化预测

  ：预测事件的发展趋势和后续事件

• 跨事件推理

  ：整合多个相关事件进行综合推理

这一领域需要更多的研究来建立有效的推理框架。

五、知识图谱的实际应用

知识图谱已成为多个技术领域的核心组成部分，从结构化数据管理到人工智能应用。它们以人类和机器都能理解的方式封装结构化信息，支持众多实际应用。知识图谱与大语言模型的无缝集成进一步扩展了这些应用，使其在数据和AI领域变得不可或缺。

5.1 金融领域应用案例

知识图谱在金融领域的应用是结构化知识表示如何改变数据驱动决策的典型例证。金融知识图谱整合了企业、个人、金融产品、市场事件等多维度实体及其复杂关联，为智能投资、风险管理和监管合规提供了强大支撑。

5.1.1 智能投资分析

金融知识图谱通过关联企业基本面信息、行业动态、管理层变动、财务数据等多源异构数据，帮助投资者全面评估投资标的。例如，通过构建"公司-高管-关联企业"的关系网络，可以识别潜在的利益冲突和关联交易风险。同时，结合事件知识图谱追踪重大事件（如并购、重组、诉讼）对股价的影响，为量化投资策略提供决策依据。

5.1.2 风险预警与反欺诈

金融机构利用知识图谱构建客户关系网络，通过图算法识别异常交易模式和欺诈团伙。例如，通过分析"个人-账户-交易-企业"的多层关系，可以发现洗钱、内幕交易等违规行为。动态知识图谱的实时更新能力使得风险预警系统能够及时响应市场变化，捕捉新兴风险信号。时序知识图谱则通过追踪历史风险事件的演化模式，帮助金融机构建立前瞻性的风险预测模型。

5.1.3 监管合规与反洗钱

在金融监管领域，知识图谱帮助监管机构构建全景式的市场监控体系。通过整合交易数据、企业工商信息、司法诉讼记录等多源数据，监管部门能够识别复杂的关联交易网络和资金流向，发现潜在的市场操纵和内幕交易行为。事件知识图谱特别适用于反洗钱场景，能够追踪资金在多个账户和机构间的流转路径，识别洗钱链条中的关键节点。

5.2 其他领域应用

除金融领域外，知识图谱在多个行业展现出广泛的应用价值：

医疗健康：医疗知识图谱整合疾病、症状、药物、基因等医学知识，支持临床决策支持系统、药物研发和精准医疗。时序知识图谱可以追踪疾病进展和治疗效果，为个性化治疗方案提供依据。

智能搜索与问答：搜索引擎利用知识图谱理解用户查询意图，提供结构化的搜索结果。知识图谱为问答系统提供背景知识，支持复杂问题的推理和回答。

推荐系统：通过知识图谱建模用户、物品及其属性之间的关系，推荐系统能够提供更精准和可解释的推荐结果，缓解冷启动和数据稀疏问题。

智能制造：工业知识图谱整合设备、工艺、产品、故障等领域知识，支持设备预测性维护、工艺优化和质量控制。事件知识图谱可以追踪生产事故和质量问题的根因分析。

六、未来展望：知识工程的发展方向

随着人工智能技术的快速发展，知识图谱正面临新的机遇与挑战。我们认为未来知识工程将在以下几个方向取得突破性进展：

6.1 知识图谱与大语言模型的深度融合

大语言模型(LLMs)的兴起为知识图谱带来了新的发展契机。LLMs强大的自然语言理解和生成能力可以显著提升知识抽取的效率和准确性，而知识图谱的结构化知识则可以为LLMs提供事实依据，缓解幻觉问题。未来的研究方向包括：

知识增强的语言模型：将知识图谱中的结构化知识注入到预训练语言模型中，提升模型的事实准确性和推理能力。通过检索增强生成(RAG)等技术，LLMs可以动态访问知识图谱中的最新知识。

语言模型驱动的知识构建：利用LLMs的少样本学习能力，降低知识抽取和知识图谱构建的成本。通过提示工程和指令微调，LLMs可以完成复杂的知识抽取任务，包括实体识别、关系抽取和事件抽取。

混合推理架构：结合符号推理和神经推理的优势，构建可解释的混合推理系统。知识图谱提供结构化的推理路径，而LLMs提供常识推理和语言理解能力。

6.2 多模态知识图谱

传统知识图谱主要关注文本知识，未来将扩展到图像、视频、音频等多模态数据。多模态知识图谱能够更全面地表示现实世界的知识，支持跨模态推理和多模态问答等应用。

6.3 持续学习与知识演化

面对不断变化的现实世界，知识图谱需要具备持续学习能力，能够在不遗忘旧知识的前提下不断吸收新知识。研究重点包括增量学习算法、概念漂移检测和知识冲突解决机制。

6.4 跨语言与跨领域知识融合

构建统一的跨语言知识图谱，实现不同语言知识的互联互通。同时，融合不同领域的专业知识图谱，建立通用知识与领域知识的桥梁，支持跨领域知识推理和迁移学习。

6.5 可解释性与可信赖性

提升知识图谱推理的可解释性，使AI系统的决策过程更加透明和可信。研究重点包括可解释的神经符号推理、推理路径可视化和置信度估计。同时，加强知识质量控制，确保知识图谱的准确性和一致性。

七、总结

本文系统回顾了知识图谱从静态到动态、从实体中心到事件中心的演进历程，深入探讨了不同类型知识图谱的特点、构建技术和应用场景。知识图谱的发展经历了四个重要阶段：静态知识图谱为知识表示奠定了基础，动态知识图谱引入了知识更新机制，时序知识图谱明确了时间维度，事件知识图谱则提供了更灵活的事件表示方式。在技术层面，知识抽取从基于规则的方法发展到基于深度学习的方法，再到当前基于大语言模型的方法，效率和准确性不断提升。知识推理技术也从静态嵌入方法演进到时序感知方法，能够更好地捕捉知识的动态演化模式。大语言模型的兴起为知识工程带来了新的机遇，知识图谱与LLMs的深度融合将成为未来研究的重要方向。

在应用层面，知识图谱已在金融、医疗、搜索、推荐等多个领域展现出巨大价值，特别是在金融风险管理、智能投资分析等场景中发挥着不可替代的作用。

展望未来，知识图谱将继续向着多模态、跨语言、可解释的方向发展，与大语言模型的协同将开启知识工程的新篇章。通过持续技术创新和应用探索，知识图谱必将在构建更智能、更可信的人工智能系统中发挥核心作用，推动人工智能向着更加接近人类认知水平的方向迈进。