2.5 人工智能通识：知识图谱

人工智能通识

§2.1.4知识图谱主讲人：严宣辉

教授福建师大计网学院思考一个问题：AI如何理解世界？当我们向Siri询问“姚明的身高是多少？”，或是搜索“《流浪地球》的导演是谁？”时，AI总能瞬间给出精准答案。它是像人类一样通读全网信息后进行总结的吗？这背后，其实隐藏着让机器拥有“认知力”的关键技术。核心引擎：知识图谱(KnowledgeGraph)它并非简单的关键词匹配，而是一张机器可读懂的“万物关系地图”。通过将现实世界的实体（如人物、电影、地点）与属性、关联结构化地连接，知识图谱赋予了AI类人的“理解能力”，让它能识别事物间的逻辑，而非机械地检索信息。从“信息检索”到“关系推理”，这正是AI实现智能问答的关键所在。一个生活化的例子：知识图谱如何工作克里斯托弗·诺兰

其作品构建了紧密的电影宇宙关系网用户需求：“我想找一部和《星际穿越》风格类似的电影，并且是同一个导演执导的。”01实体挖掘精准识别“星际穿越”、“导演”等关键实体，在图谱中锁定其唯一身份与核心属性。02关系推演沿图谱路径找到导演“诺兰”，并拓展其执导作品，同时智能匹配“科幻/烧脑”风格标签。03智能生成基于逻辑关联，直接输出结果：“推荐诺兰执导的《盗梦空间》《信条》等科幻烧脑佳作。”核心价值：知识图谱打破了传统的关键词匹配，实现了从“理解语义”到“智能联想”的跨越，让搜索更懂你的真实意图，而非仅仅是字面意思。知识图谱的定义图示：《红楼梦》贾府人物关系网络

直观呈现“节点（人物）”与“边（关系）”的图结构知识图谱本质上是一种用图结构来建模事物关系的技术。它由“节点”（代表实体或概念）和“边”（代表语义关联）构成，用于描述现实世界中事物的相互联系与属性。通俗化认知把真实世界的“事实”编织成一张巨大的语义网络。就像梳理家族族谱，每个人是独立的节点，而亲属关系就是连接彼此的边，清晰展现了个体间的关联。起源与价值由Google于2012年正式提出，旨在优化搜索引擎对信息的理解。它将碎片化信息转化为“实体-关系-实体”的三元组结构，帮助机器从“理解文字”向“理解语义”跨越。核心作用：打破信息孤岛，让机器以更接近人类认知的方式理解复杂世界。知识图谱的核心组成元素01实体(Entity)定义：现实世界中可独立存在、可被唯一标识的具体“事物”或抽象“概念”。示例：姚明（人物）、地球（天体）、人工智能（学科）等。图谱映射：作为节点(Node)存在，是图谱最基础的构成单元。02关系(Relation)定义：连接两个实体的“桥梁”，用于描述实体间的客观关联与互动逻辑。示例：“姚明”与“休斯顿火箭队”之间是“曾效力于”的关系。图谱映射：作为边(Edge)存在，赋予了图谱“关联网络”的核心价值。03属性(Attribute)定义：描述实体自身静态特征的“键值对”信息，丰富实体的细节。示例：“姚明”的属性包括：身高=2.26米，国籍=中国。图谱映射：通常作为节点的附属信息，或通过特殊边连接至属性值节点。知识的基本表示形式：三元组(Triple)知识图谱将复杂的现实知识拆解为最基础的“主谓宾”逻辑结构，这便是三元组(Triple)。作为知识图谱的数据原子，它是机器理解和存储语义信息的最小单元。01描述关系：实体间的关联结构范式：(实体1,关系谓词,实体2)示例：

•(姚明,曾效力于,休斯顿火箭队)

•(《红楼梦》,主要人物,林黛玉)02描述属性：实体的特征刻画结构范式：(实体,属性名,属性值)示例：

•(姚明,身高,2.26米)

•(水,沸点,100℃)网络效应：当数以亿计的三元组通过共享实体相互交织连接时，便构建出一张具有强大推理能力的知识网络，实现从“碎片化信息”到“结构化认知”的跨越。知识图谱是如何构建的？构建知识图谱是一个化繁为简、由表及里的系统工程，就像从矿石中提炼黄金并将其锻造成精美首饰的过程，需历经四个环环相扣的关键阶段。01知识抽取·采矿阶段从海量非结构化数据（如文本、网页）中，自动识别并提取实体、关系与属性。这是图谱构建的基础，如同从矿山中挖掘出未经加工的矿石原料。02知识融合·冶炼阶段对多源异构的抽取结果进行清洗、对齐与去重，消除数据冲突与冗余，实现知识的标准化与统一。这一步如同将矿石冶炼提纯，去除杂质得到纯金。03知识存储·成型阶段将融合后的结构化知识存入图数据库（如Neo4j）或关系型数据库中，建立高效的存储与索引机制，确保知识能够被快速检索与调用。04知识应用·价值阶段基于构建好的图谱提供智能问答、关联推荐、风险预测等服务，并通过逻辑推理发现潜在知识。这是将黄金锻造成精美首饰，创造商业与社会价值的关键。第一步：知识抽取目标：从网页、新闻、论文等海量非结构化数据中，自动识别并提取出核心实体、实体间的关联关系及实体属性，将杂乱的信息转化为结构化的知识片段，为后续构建高质量的知识图谱奠定坚实的数据基础。01实体抽取(NER)识别文本中的人名、地名、组织名、产品名等关键实体，是构建知识图谱节点的基础，也是后续关系与属性抽取的前提。示例：从“马斯克创立了特斯拉”中，精准提取出“马斯克”与“特斯拉”两个实体。02关系抽取挖掘并确定实体之间的语义关联，如“创立”、“属于”、“合作”等，形成图谱的“边”，将离散的实体节点连接成网。示例：判断出“马斯克”与“特斯拉”之间存在“创始人-公司”的关系。03属性抽取提取实体的特征信息，包括属性名称与对应的值，用于丰富知识图谱中节点的描述，使知识表达更完整。示例：从“姚明身高2米26”中，提取出属性“身高”，其值为“2米26”。第二步：知识融合将从多源异构数据中抽取的碎片化知识进行清洗、对齐与整合，消除冗余、冲突与歧义，最终构建出结构统一、逻辑一致、高可信度的规模化知识库，为上层应用提供坚实的数据支撑。01实体对齐识别并合并不同数据源中指向同一客观事物的实体，解决“同义异名”或“同名异义”问题，建立全局唯一的实体标识。示例：将“AppleInc.”“苹果公司”“苹果电脑公司”归一为同一个实体节点。02关系合并统一不同来源对实体间关联的多样化描述，消除关系冗余，建立标准化的关系谓词体系，确保语义一致性。示例：将“出生于”“出生地为”“籍贯是”等表述统一为标准关系“出生地”。03属性融合解决同一实体属性值的冲突、缺失与重复问题，通过数据源可信度评估、规则校验与人工核查完成属性归一。示例：针对某企业“成立时间”的1998/1999年冲突，以工商总局登记信息为准进行统一。第三步：知识存储目标是将融合后的结构化知识（三元组）高效存储，构建可快速检索、关联推理的底层数据底座，为上层应用提供稳定的数据支撑。图数据库领域的标杆产品，专为处理

复杂关联数据而设计图数据库(GraphDatabase)专为图结构数据设计，摒弃传统表结构限制，可高效处理海量节点与关系的深度关联查询。代表产品如Neo4j、JanusGraph，是实现知识图谱高效检索与推理的核心载体。RDF三元组库严格遵循资源描述框架（RDF）语义标准，以“主体-谓词-客体”的三元组形式存储数据，支持SPARQL标准化查询。典型工具有ApacheJena、Virtuoso，适用于对数据语义规范性要求极高的场景。第四步：知识应用与推理目标：将构建完成的知识图谱转化为实际生产力，通过结构化的知识关联，为业务场景提供精准、智能的服务支撑与决策依据。智能搜索告别传统链接堆砌，直接返回精准答案与结构化知识聚合，大幅缩短信息获取路径，提升检索效率。智能问答构建拟人化智能客服与虚拟助手，精准理解自然语言问题，基于知识图谱实现多轮对话与专业解答。推荐系统突破协同过滤局限，基于实体属性与关联关系挖掘用户潜在兴趣，实现“人-物-场景”的精准匹配推荐。决策支持与辅助分析在金融风控中识别复杂的关联欺诈，在医疗领域辅助疾病诊断与药物关联分析，为关键业务决策提供可解释的科学依据。知识推理与挖掘基于图谱逻辑规则，从已知事实推导出未知关联（如由“父子”推“祖孙”），自动发现隐藏的知识关联与潜在规律。应用领域：搜索引擎增强知识图谱为搜索引擎赋予了“理解世界”的能力，推动搜索从传统的“关键词匹配”向“语义理解与推理”进化。无论是谷歌知识图谱还是百度知心，都通过在搜索结果页直接呈现结构化的实体信息面板，将分散的信息聚合为直观的知识卡片，无需用户跳转即可获取关键信息，极大降低了认知成本，重新定义了信息检索的效率标准。全域事实沉淀500亿+整合来自书籍、网页、百科等多源数据，构建起庞大且持续更新的底层事实知识库。海量实体关联10亿+覆盖人物、地点、机构、作品等多元领域实体，实现跨维度的智能关联与精准匹配。检索效率跃升40%↑百度知心项目实测显示，知识图谱的应用使搜索答案的直接呈现率显著提升，大幅减少无效跳转。应用领域：智能医疗健康图示：基于知识图谱构建的疾病成因与治疗路径可视化网络，实现症状、病因与疗法的智能关联与推理。01核心价值与应用场景深度融合医学知识与人工智能技术，在临床决策支持、智能问诊、药物研发三大核心场景中发挥关键作用，打破医疗数据孤岛，实现从传统“经验医疗”向现代“精准医疗”的跨越。IBMWatsonforOncology整合海量医学文献与临床指南，为肿瘤科医生提供个性化治疗建议。实际应用中辅助诊断准确率提升达25%，显著降低了复杂病症的误诊风险。阿里健康ET医疗大脑沉淀千万级结构化病例与文献数据，重点赋能基层医疗机构。通过AI辅助快速匹配诊疗方案，有效缓解优质医疗资源分布不均难题，提升基层诊疗标准化。应用领域：电子商务优化个性化推荐基于用户行为与偏好，深度挖掘潜在需求，实现“千人千面”的精准内容推送，提升用户粘性。智能导购全链路引导消费决策，提供场景化商品搭配建议，有效降低用户决策成本，促进即时转化。商品搜索优化优化语义检索与实体匹配逻辑，解决同义词、多义词歧义，精准匹配用户需求与商品信息。标杆案例：亚马逊产品知识图谱构建“用户-商品-行为”的复杂关联网络，打破数据孤岛。通过挖掘深层兴趣关联，实现从“人找货”到“货找人”的智能化跨越。推荐准确度提升40%|转化率提升25%标杆案例：阿里巴巴商品知识图谱覆盖超10亿级海量商品数据，融合文本、图像、视频等多模态信息，构建全网统一的商品认知体系，解决信息异构难题。覆盖商品超10亿+|赋能智能导购与假货识别前沿热点：知识图谱与大语言模型(LLM)的融合进入2026年，人工智能领域最激动人心的趋势之一，便是知识图谱（KG）与大语言模型（LLM）的深度融合。二者各具独特优势，也存在互补性的短板，通过技术融合实现“1+1>2”的协同效应，正成为重塑智能应用价值的关键驱动力。大语言模型(LLM)核心优势：拥有强大的自然语言理解、生成与联想能力，能处理复杂上下文，具备极强的文本创作与语义理解灵活性。现存短板：易产生事实性“幻觉”，对最新知识的更新滞后，且缺乏对知识的结构化理解与可解释性推理能力。知识图谱(KG)核心优势：实现知识的结构化存储与精准表达，具备强大的逻辑推理与可解释性，确保信息来源可追溯、结论可靠。现存短板：构建与维护成本高昂，知识更新周期长，缺乏对非结构化文本的灵活理解与生成能力，难以处理模糊语义。课程核心知识点回顾01核心定义：知识的图化表达一种以图结构为基础，直观描述实体、概念及其之间复杂语义关系的技术体系。它将碎片化信息组织成网状结构，是实现机器理解世界与推理的基础载体。02基本构成：三元组为基石核心由「实体」（节点）、「关系」（边）和「属性」组成。其基本表达单元是「(头实体,关系,尾实体)」的三元组，以此构建出互联互通的网状知识结构。03构建流程：从数据到智能主要历经三大关键阶段：首先从非结构化数据中进行「知识抽取」，然后通过「知识融合」消除歧义、对