AI入门——什么是知识图谱？

AI入门------什么是知识图谱？

1. 什么是知识图谱

知识图谱（Knowledge Graph）是一种用图结构表达现实世界知识 的方法。它把客观世界中的对象抽象为实体（Entity） ，把实体之间的联系抽象为关系（Relation），并通过**属性（Property）**补充实体或关系的细节信息。

如果用一句话概括，知识图谱就是：

用节点和边来组织知识，让机器不仅能"存数据"，还能"理解对象之间的关联"。

与传统二维表相比，知识图谱更擅长回答下面这类问题：

• 某个人与哪些机构、技术领域有关联？
• 两个对象之间是如何间接连接起来的？
• 某项技术背后有哪些研究者、组织和应用场景？

这也是知识图谱在搜索、推荐、风控、问答系统、企业知识管理等场景中非常有价值的原因。

---

2. 知识图谱的基础概念

2.1 实体

实体是现实世界中可以被唯一识别的对象，例如：

• 人物：Andrew Ng
• 组织：DeepLearning.AI
• 技术：深度学习
• 课程：Machine Learning

在图数据库中，实体通常表现为节点（Node）。

2.2 关系

关系表示实体之间的联系，例如：

• Andrew Ng WORKS_AT DeepLearning.AI
• Andrew Ng RESEARCHES 机器学习
• DeepLearning.AI FOCUSES_ON 深度学习

在图数据库中，关系通常表现为边（Relationship）。

2.3 属性

属性用于描述实体或关系的附加信息，例如：

• 人物节点属性：name、title
• 组织节点属性：name、type
• 技术节点属性：name、category

例如：

(:Person {name: "Andrew Ng", title: "AI Educator"})

2.4 三元组

知识图谱常用三元组表示知识：

(头实体, 关系, 尾实体)

例如：

(Andrew Ng, RESEARCHES, 机器学习)

三元组是知识图谱最基础的表达形式。大量三元组连接起来，就形成了一个完整的知识网络。

2.5 本体与模式

如果把知识图谱理解为数据库，那么本体(Ontology) 或 模式（Schema） 就相当于建模规则，用来规定：

• 允许有哪些实体类型
• 允许有哪些关系类型
• 不同类型之间如何连接

例如，在一个 AI 领域的小型知识图谱中，可以定义：

• Person
• Organization
• Technology
• Course

以及关系：

• WORKS_AT
• RESEARCHES
• FOCUSES_ON
• TEACHES

良好的模式设计可以让图谱更规范，也更容易查询和扩展。

---

3. 知识图谱与传统关系数据库的区别

传统关系数据库（如 MySQL、PostgreSQL）擅长处理结构稳定、事务明确的数据，例如订单、账户、库存等。它们用表、主键、外键来表示数据之间的关系。

而知识图谱更适合处理下面这些特点明显的场景：

• 关系复杂，且层级深
• 数据之间存在大量多跳关联
• 经常需要探索"路径"和"网络"
• 实体和关系类型可能不断扩展

例如，在关系型数据库里，要回答"谁与某项技术有关，并且这些人所在机构也关注这项技术"这样的问题，通常需要多表连接；而在图数据库中，这类问题天然就是沿着图上的边做遍历。

简而言之：

• 关系数据库更适合面向事务与结构化表存储
• 知识图谱/图数据库更适合面向关联分析与语义连接

---

4. 知识图谱的常见构建流程

一个完整的知识图谱项目通常包括以下几个环节：

4.1 知识建模

先确定领域边界，定义实体、关系和属性。例如在教育领域，可以建模为：

• 教师
• 学生
• 课程
• 学校

以及：

• TEACHES
• STUDIES
• BELONGS_TO

4.2 数据采集

数据可以来自：

• 业务数据库
• Excel/CSV 文件
• 网页
• API
• 文档与论文
• 日志或知识库系统

4.3 信息抽取

对于非结构化文本，需要借助自然语言处理技术抽取：

• 实体识别（NER）
• 关系抽取（RE）
• 事件抽取

这一步是机器学习和 AI 在知识图谱中最核心的应用点之一。

4.4 知识融合

不同来源的数据可能存在重复或歧义，例如：

• OpenAI Inc.
• OpenAI

需要通过实体对齐、去重、消歧等方法，把它们统一为同一个实体。

4.5 存储与查询

构建好的知识可以存入：

• RDF 三元组库
• 图数据库，例如 Neo4j

随后通过查询语言进行检索、统计、路径分析和可视化。

4.6 推理与应用

在图谱基础上，可以继续做：

• 规则推理
• 相似实体发现
• 问答系统
• 推荐系统
• 风险传播分析

---

5. 常见应用场景

知识图谱的应用非常广泛，常见场景包括：

• 搜索引擎：增强搜索结果的语义理解
• 智能问答：将自然语言问题映射为图查询
• 推荐系统：根据用户、物品、属性和行为构建关联网络
• 金融风控：识别企业、账户、人员之间的风险关联
• 企业知识管理：统一组织内部系统、文档和流程知识
• 医疗与科研：组织疾病、药物、症状、论文、实验数据之间的关联

---

6. 为什么选择 Neo4j

Neo4j 是目前最常见的图数据库之一，采用的是属性图（Property Graph）模型，它非常适合做中小型知识图谱原型、教学演示和业务级图关系分析。

它的主要特点包括：

• 图模型直观，容易理解
• 支持节点、关系和属性
• 查询语言 Cypher 可读性强
• 适合做关系遍历、路径发现和可视化展示
• 社区资料丰富，入门成本相对较低

在 Neo4j 中：

• 实体通常是节点
• 节点可以带标签，例如 :Person
• 关系有类型，例如 :WORKS_AT
• 节点和关系都可以带属性

例如：

(:Person {name: "Andrew Ng"})-[:RESEARCHES]->(:Technology {name: "机器学习"})

---

7. 使用 Neo4j 组织一个简单知识图谱

下面以一个 AI 领域知识图谱 为例，演示如何用 Neo4j 组织数据。

7.1 场景设计

我们希望描述以下知识：

• 哪些人物在研究哪些技术
• 哪些人物在哪些组织工作
• 哪些组织重点关注哪些技术
• 哪些人物教授哪些课程

7.2 实体设计

我们定义 4 类节点：

• Person
• Organization
• Technology
• Course

其中可使用的关键属性如下：

节点类型	关键属性
Person	name, title
Organization	name, type
Technology	name, category
Course	name, level

7.3 关系设计

我们定义 4 类关系：

关系类型	含义
WORKS_AT	人物就职于某组织
RESEARCHES	人物研究某技术
FOCUSES_ON	组织重点关注某技术
TEACHES	人物教授某课程

7.4 图谱结构示意

可以把这个图谱理解为下面这样的关系网络：

(Person)-[:WORKS_AT]->(Organization)
(Person)-[:RESEARCHES]->(Technology)
(Organization)-[:FOCUSES_ON]->(Technology)
(Person)-[:TEACHES]->(Course)

---

8. Neo4j 实操示例

8.1 环境准备

你可以通过以下任一方式启动 Neo4j：

1. 安装 Neo4j Desktop
2. 使用 Docker 启动 Neo4j
3. 使用远程 Neo4j AuraDB

如果本地使用 Docker，一个典型命令如下：

docker run ^
  --name neo4j-kg ^
  -p 7474:7474 -p 7687:7687 ^
  -e NEO4J_AUTH=neo4j/password123 ^
  -d neo4j:latest

启动后，可通过浏览器访问：

• http://localhost:7474

---

8.2 创建约束

为了避免重复节点，建议先为不同标签创建唯一性约束：

CREATE CONSTRAINT person_name_unique IF NOT EXISTS
FOR (p:Person) REQUIRE p.name IS UNIQUE;

CREATE CONSTRAINT org_name_unique IF NOT EXISTS
FOR (o:Organization) REQUIRE o.name IS UNIQUE;

CREATE CONSTRAINT tech_name_unique IF NOT EXISTS
FOR (t:Technology) REQUIRE t.name IS UNIQUE;

CREATE CONSTRAINT course_name_unique IF NOT EXISTS
FOR (c:Course) REQUIRE c.name IS UNIQUE;

---

8.3 写入示例数据

下面的 Cypher 脚本可以直接创建一个简单的 AI 知识图谱：

MERGE (andrew:Person {name: "Andrew Ng"})
SET andrew.title = "AI Educator"

MERGE (hinton:Person {name: "Geoffrey Hinton"})
SET hinton.title = "Deep Learning Pioneer"

MERGE (lecun:Person {name: "Yann LeCun"})
SET lecun.title = "Chief AI Scientist"

MERGE (dla:Organization {name: "DeepLearning.AI"})
SET dla.type = "Education Company"

MERGE (utoronto:Organization {name: "University of Toronto"})
SET utoronto.type = "University"

MERGE (meta:Organization {name: "Meta"})
SET meta.type = "Technology Company"

MERGE (ml:Technology {name: "机器学习"})
SET ml.category = "AI Core"

MERGE (dl:Technology {name: "深度学习"})
SET dl.category = "AI Core"

MERGE (cv:Technology {name: "计算机视觉"})
SET cv.category = "AI Application"

MERGE (course1:Course {name: "Machine Learning"})
SET course1.level = "Beginner"

MERGE (course2:Course {name: "Deep Learning Specialization"})
SET course2.level = "Intermediate"

MERGE (andrew)-[:WORKS_AT]->(dla)
MERGE (hinton)-[:WORKS_AT]->(utoronto)
MERGE (lecun)-[:WORKS_AT]->(meta)

MERGE (andrew)-[:RESEARCHES]->(ml)
MERGE (andrew)-[:RESEARCHES]->(dl)
MERGE (hinton)-[:RESEARCHES]->(dl)
MERGE (lecun)-[:RESEARCHES]->(dl)
MERGE (lecun)-[:RESEARCHES]->(cv)

MERGE (dla)-[:FOCUSES_ON]->(ml)
MERGE (dla)-[:FOCUSES_ON]->(dl)
MERGE (utoronto)-[:FOCUSES_ON]->(dl)
MERGE (meta)-[:FOCUSES_ON]->(dl)
MERGE (meta)-[:FOCUSES_ON]->(cv)

MERGE (andrew)-[:TEACHES]->(course1)
MERGE (andrew)-[:TEACHES]->(course2);

执行后，你将得到一个包含人物、组织、技术和课程关系的小型知识图谱。

---

8.4 基本查询示例

查询 1：查看所有人物节点

MATCH (p:Person)
RETURN p;

查询 2：查找研究"深度学习"的人物

MATCH (p:Person)-[:RESEARCHES]->(t:Technology {name: "深度学习"})
RETURN p.name AS person, p.title AS title;

查询 3：查找某个人所在组织及研究方向

MATCH (p:Person {name: "Yann LeCun"})-[:WORKS_AT]->(o:Organization)
MATCH (p)-[:RESEARCHES]->(t:Technology)
RETURN p.name AS person, o.name AS organization, collect(t.name) AS technologies;

查询 4：查找关注"计算机视觉"的组织

MATCH (o:Organization)-[:FOCUSES_ON]->(t:Technology {name: "计算机视觉"})
RETURN o.name AS organization;

查询 5：发现"人物 - 组织 - 技术"的关联路径

MATCH (p:Person)-[:WORKS_AT]->(o:Organization)-[:FOCUSES_ON]->(t:Technology)
RETURN p.name AS person, o.name AS organization, t.name AS technology;

这类查询在关系数据库中往往需要多表连接，而在图数据库中表达非常自然。

---

9. 结果解读

通过上面的图谱，我们可以快速回答很多问题，例如：

• Andrew Ng 研究哪些技术？
• 哪些组织在关注 深度学习？
• 哪些人既与某组织相关，又与某技术相关？
• 哪门课程与哪个专家有关？

这说明知识图谱的价值不只在"存储数据"，而在于把知识组织成一个可遍历、可分析、可扩展的网络。

---

10. 从简单案例走向真实项目

如果要把这个示例升级为一个更贴近实际业务的知识图谱系统，可以继续扩展以下能力：

10.1 扩展实体类型

例如新增：

• Paper
• Dataset
• Model
• Company
• Product

10.2 扩展关系类型

例如新增：

• AUTHORED
• USES
• CITES
• DEPLOYS
• COLLABORATES_WITH

10.3 接入真实数据源

例如从以下来源自动构建图谱：

• CSV 文件导入
• 爬虫抓取网页数据
• 调用开放 API
• 从文档中做实体识别和关系抽取

10.4 引入 AI 能力

在真实项目中，AI 往往会参与知识图谱的多个阶段：

• 用大语言模型做实体抽取和关系抽取
• 用向量检索辅助实体对齐
• 用图谱 + 大模型实现增强问答
• 利用图算法做社区发现、路径推荐和相似节点分析

因此，知识图谱并不是和 AI 对立的技术，相反，它经常作为 AI 系统中非常关键的结构化知识底座。

---

11. 总结

知识图谱的核心思想是把现实世界中的对象、关系和属性组织为一个图结构，以支持更强的语义关联、路径分析和知识发现。

从工程实现角度看：

• 知识图谱解决的是"知识如何组织"
• Neo4j解决的是"图结构如何高效存储与查询"
• AI / NLP / 大模型解决的是"知识如何从数据中自动抽取和增强"

如果把三者结合起来，就可以构建出面向搜索、推荐、问答、风控、科研管理等场景的智能系统。

对于初学者来说，一个很好的起点是：

1. 先理解实体、关系、属性和三元组
2. 再用 Neo4j 手工构建一个小型图谱
3. 最后逐步接入真实业务数据和自动抽取能力

这样可以从概念、建模、存储到查询，完整走通知识图谱的基础链路。