知识图谱
知识图谱把实体和关系组织成图结构，常用于结构化知识建模、推理、搜索和问答。
核心知识点
重点掌握：
- 实体：人、公司、产品、疾病、地点等对象。
- 关系：实体之间的连接，例如属于、购买、治疗、依赖。
- 属性：实体或关系的附加信息。
- Schema / Ontology：定义实体类型、关系类型和约束。
- 三元组：主体、关系、客体，例如“张三 - 任职于 - A 公司”。
- 图查询：根据关系路径查找信息。
- Graph RAG：结合知识图谱和大模型做问答。
知识图谱构建流程
知识图谱和向量数据库有什么区别？
向量数据库擅长语义相似度检索。
知识图谱擅长结构化关系查询和路径推理。
对比：
- 向量库：适合“语义相近内容在哪里？”
- 知识图谱：适合“实体之间有什么关系？”
- 向量库更适合非结构化文本召回。
- 知识图谱更适合强关系、强约束、可解释场景。
实际项目中可以结合使用：向量检索找相关文档，图谱补充实体关系和事实约束。
Graph RAG 是什么？
Graph RAG 是把知识图谱能力和 RAG 结合起来。
常见方式：
- 从用户问题中识别实体。
- 在图谱中查找相关实体和关系。
- 把子图或关系路径作为上下文。
- 结合文档片段一起交给大模型回答。
适合场景：
- 金融风控
- 医疗知识问答
- 企业组织关系
- 供应链关系
- 法律法规关联分析
知识图谱如何构建？
常见步骤：
- 定义 schema。
- 收集数据源。
- 抽取实体、关系、属性。
- 做实体对齐和消歧。
- 写入图数据库。
- 建立查询和应用服务。
- 持续更新和治理。
难点不是画图，而是数据质量、实体对齐、关系准确率和持续维护。
知识图谱面试常见问题
什么是三元组？
三元组是知识图谱的基本表达形式，通常是“实体 - 关系 - 实体”或“实体 - 属性 - 值”。例如“张三 - 任职于 - A 公司”。
它把非结构化知识转成可查询的结构化关系，便于做推理、路径查询和可解释问答。
知识图谱和向量数据库有什么区别？
向量数据库擅长语义相似度检索，适合找“意思相近”的内容。知识图谱擅长表达实体、关系和约束，适合回答关系明确、需要推理和解释的问题。
实际项目中可以组合使用：向量库负责召回相关文本，图谱负责关系约束和结构化推理。
Graph RAG 解决什么问题？
Graph RAG 把图谱关系引入 RAG，让检索不只依赖文本相似度，还能利用实体关系、路径和社区结构。
它适合企业组织关系、产品依赖、法规条款、医学知识等关系密集场景，可以提升答案的可解释性和一致性。
知识图谱怎么构建？
常见流程是定义本体和关系类型，抽取实体和关系，做实体对齐和消歧，写入图数据库，再提供查询和问答服务。
难点在数据质量和持续维护。抽取阶段可以用规则、NLP 模型或大模型，但最终要有校验和人工审核机制。
实体消歧怎么做？
实体消歧是判断不同文本是否指向同一个实体。例如“苹果”“Apple Inc.”和“苹果公司”可能是同一实体，但“苹果水果”不是。
常见方法包括别名词典、上下文匹配、规则、相似度计算和人工审核。关键业务实体要尽量用唯一 ID 管理。
知识图谱如何更新？
更新方式可以是定时批处理，也可以是事件驱动增量更新。每次更新要记录来源、时间、版本和置信度。
如果关系会变化，例如组织架构、产品价格、人员职位，要设计过期策略和历史版本，避免旧知识污染答案。
图谱问答和普通 RAG 有什么区别？
普通 RAG 多依赖文本片段召回，图谱问答会先识别实体和关系，再查询图谱或结合路径推理。它更适合“谁和谁有什么关系”“某实体受哪些因素影响”这类问题。
缺点是建设成本更高，对数据结构化要求更强。不是所有文档问答都需要图谱。
什么场景适合知识图谱，不适合纯向量检索？
适合关系复杂、实体明确、需要可解释路径和强约束的场景，例如企业组织关系、供应链、法规条款、金融风控、医学知识。
如果只是普通 FAQ、文档段落问答、语义搜索，纯向量检索或 Hybrid Search 往往更简单高效。
回答时可以强调：知识图谱适合关系明确、可解释性要求高的场景，不适合所有知识库都强行图谱化。