知识图谱抽取技术

去年我帮一家做电力设备的知识公司整理供应商档案，发现他们花了三个月人工录入的图谱两万条企业信息里，有将近三成把“子公司”和“分公司”搞混了。技术这不是知识个案。知识图谱抽取技术要解决的图谱，正是技术这类从非结构化文本里捞出结构化事实的脏活。

抽取这件事，知识拆开来看就是图谱三个动作：找实体、定关系、技术填属性。知识听起来简单，图谱做起来处处是技术坑。比如“华为的知识鸿蒙系统由华为消费者业务部门研发”这句话，人一眼就能看出“华为”和“鸿蒙系统”是图谱两个实体，“研发”是技术关系。但机器要先把“华为”和“华为消费者业务部门”区分开——它们都带“华为”两个字，却是不同层级的组织。NER模型这时候就得靠上下文判断，不能光看字符串匹配。

关系抽取更麻烦。同一句话里可能藏着多重关系。“腾讯投资了美团，后者收购了摩拜”，这里“投资”和“收购”两个动作的主客体完全不同。早期我试过用规则模板，写了几百条正则，结果遇到“腾讯系公司入股美团”这种变体就歇菜了。后来改用远程监督，拿已有知识库去对齐文本，噪声又大得离谱。现在主流做法是预训练模型加少量标注，效果稳了不少，但标注成本依然让人肉疼。

属性抽取常被忽视，其实最磨人。一个公司的“注册资本”可能写成“5000万元人民币”“伍仟万”“5000万”三种形式。更头疼的是时间维度——2020年的注册资本和2023年的可能不一样。我见过一个图谱项目，把不同年份的财报数据混在一起抽，最后生成的公司画像自相矛盾。解决思路要么是给每个属性加时间戳，要么在抽取阶段就做时序对齐。前者存储开销大，后者逻辑复杂，没有银弹。

实际落地时，纯技术方案往往不够。那家电力设备公司最后用了“模型初筛+人工抽检”的混合流程。模型先跑一遍，把置信度低于阈值的条目挑出来，让业务人员重点核对。两万条数据里，真正需要人工处理的不到四千条，效率比全人工高了六倍。这个案例让我意识到，知识图谱抽取不是追求全自动，而是找到人机协作的最佳分割点。

还有个容易被忽略的环节：实体链接。抽出来的“苹果”到底指水果公司还是水果本身？得靠上下文和知识库消歧。我见过一个医疗图谱把“阿司匹林”和“ aspirin”当成两个实体，就因为没做同义词归一。这种错误在跨语言场景下更常见，中英文混合的文档里，“COVID-19”和“新冠肺炎”必须映射到同一个节点，否则图谱就是一堆孤岛。

工具选型上，spaCy适合快速原型，Stanford CoreNLP对中文支持还行但慢，HanLP在中文NER上表现不错。如果是工业级部署，大概率要自己微调BERT类模型。别迷信开箱即用，领域数据分布差异太大。金融公告里的实体边界和社交媒体上的完全是两回事。

说到底，知识图谱抽取是门妥协的艺术。追求高召回率，精确率就掉；追求高精确率，又漏掉大量长尾。我的经验是：先明确业务场景能容忍多少错误。做风控图谱，宁可漏抽也不能错抽；做推荐系统，召回率优先。没有通用最优解，只有场景适配。