知识图谱

2012年，知识图谱Google把“知识图谱”这个词推到了台前。知识图谱当时他们发了一篇博客，知识图谱说搜索要从“字符串”走向“事物”。知识图谱什么意思？知识图谱你搜“泰姬陵”，以前搜索引擎给你一堆包含这几个字的知识图谱网页；现在它直接告诉你：泰姬陵是一座陵墓，位于印度阿格拉，知识图谱建于1632年，知识图谱由沙贾汗为纪念妻子建造。知识图谱这些信息不是知识图谱从某个网页里摘出来的，而是知识图谱来自一个结构化的知识库——实体、属性、知识图谱关系，知识图谱三者搭起来的知识图谱网。

说白了，知识图谱知识图谱就是让机器“知道”东西之间怎么连的。不是存一堆文本让它去猜，而是直接把“姚明—效力于—休斯顿火箭队”“休斯顿火箭队—属于—NBA”这种三元组喂进去。你问它姚明在哪个联赛打过球，它顺着边就能爬过去，不需要理解整段话。

我第一次动手搭这东西，用的是Neo4j。把一堆人物、公司、投资关系扔进去，几行Cypher查询就能找出“谁通过三层关系间接控制了那家公司”。关系型数据库做同样的事，得写一堆JOIN，写到第三层自己都晕。图数据库天生就是干这个的，节点和边是它的母语。

但知识图谱真正难的地方不在存储和查询。难在怎么把知识从非结构化文本里抽出来。你有一万篇新闻，怎么让机器自动认出“马云”和“阿里巴巴”之间的关系是“创始人”？规则匹配能覆盖一部分，但语言太活了。“马云创办了阿里”“阿里巴巴的缔造者马云”“没有马云就没有今天的阿里”——同一个意思，三种说法。早年大家靠正则和词典，后来上深度学习，BERT这类模型做命名实体识别和关系抽取，准确率上来了，但离“全自动”还差得远。人工校验仍然跑不掉。

另一个坑是知识图谱的“粒度”。你建一个电影图谱，把导演、演员、上映年份、票房都放进去，够用。但如果你还想知道“这部电影的摄影风格受了哪些流派影响”，这就不是简单三元组能表达的了。你得引入事件、时序、甚至模糊的因果关系。图谱越往深了做，越像在给人类知识本身建模——而人类知识本身就是一团乱麻。

大语言模型火了之后，有人问：知识图谱是不是过时了？GPT-4好像什么都知道。我的观察是，恰恰相反。大模型的问题是幻觉和不可解释性，它给你一个答案，你不知道它从哪推出来的。知识图谱的好处是每一条推理路径都可追溯。现在不少团队在做“图谱+大模型”的混合系统：模型负责理解自然语言问题，图谱负责提供确定的事实和推理链。相当于一个负责听懂人话，一个负责查账本。

我去年参与过一个医疗问答项目，就是这种架构。患者问“吃阿司匹林能不能同时吃布洛芬”，大模型先解析出两个药物实体，然后去图谱里查它们之间有没有“相互作用”的边。有，就返回警告；没有，就返回“未发现已知相互作用”。整个过程没有一句废话，也不会瞎编。图谱在这里扮演的是“事实锚点”的角色。

知识图谱不是新概念，语义网那套东西二十年前就有了。但它真正落地，是最近十年的事。搜索引擎、推荐系统、风控、药物研发，背后都有它的影子。它不性感，不像大模型那样能跟你聊天写诗。但它扎实。它把人类知识拆成最小的积木块，再按逻辑拼回去。这件事，机器做起来比人耐心得多。