# 人工智能之知识处理

第二章 知识图谱：结构化知识表示核心

---

> @[TOC](文章目录)

---

### 第二章 知识图谱：结构化知识表示核心

如果说第一章我们了解了“知识表示”的宏观概念，那么第二章我们将进入实战的核心——**知识图谱**。它是目前人工智能领域最主流、最成功的知识表示形式，也是让机器从“感知智能”迈向“认知智能”的关键基础设施。

本章将带你从零开始，亲手揭开知识图谱的面纱，掌握从构建、存储到查询的全链路技术。

---

#### 2.1 知识图谱基础认知

**1. 核心定义：什么是知识图谱？**

通俗来说，知识图谱就是一张**巨大的“关系网”**。
在传统数据库中，数据是躺在表格里的死板记录；而在知识图谱中，数据变成了鲜活的“节点”和“连线”。它用图结构来描述客观世界的概念及其关联。

- **本质**：一种结构化的语义网络。
- **核心要素**：
  - **实体**：图中的“点”。代表现实世界中的具体事物（如：乔布斯、iPhone、苹果公司）。
  - **关系**：图中的“边”。代表实体之间的关联（如：乔布斯 → 创办 → 苹果公司）。
  - **属性**：实体的固有特征（如：iPhone的“颜色”是“黑色”，“价格”是“5999元”）。

**2. 核心结构：三元组**

知识图谱的最小组成单位是**三元组**，它就像乐高积木，无数个三元组搭建起了庞大的知识大厦。

- **实体-关系-实体**：
  - 示例：`<乔布斯, 创办, 苹果公司>`
  - 示例：`<北京, 首都, 中国>`
- **实体-属性-值**：
  - 示例：`<乔布斯, 出生日期, 1955年2月24日>`
  - 示例：`<中国, 面积, 960万平方公里>`

**3. 知识图谱的分类**

| 分类 | 定义 | 特点 | 典型代表 |
| ------ |------ |------ |------ |
| **通用知识图谱** | 覆盖百科级知识，包含各类实体和关系 | 规模大、广度优先、强调常识 | Google知识图谱、维基百科、百度百科 |
| **领域知识图谱** | 专注于特定垂直领域（如医疗、金融、法律） | 深度优先、专业性强、数据精准度要求高 | 医疗疾病图谱、金融风控图谱、电商商品图谱 |

---

#### 2.2 知识图谱构建流程（完整实操）

构建知识图谱是一个从“原材料”（原始数据）到“成品”（结构化图谱）的加工过程。

**1. 数据准备：原材料采集**

我们需要从不同来源获取数据：

- **结构化数据**：已经躺在数据库表里的数据（如MySQL中的用户表、ERP系统中的商品表）。这是最容易转化的。
- **半结构化数据**：HTML表格、JSON、XML、百科页面的Infobox（信息框）。
- **非结构化数据**：纯文本、PDF文档、新闻报道。这是最难处理的部分，需要用到自然语言处理技术。

**2. 核心步骤：知识抽取**

这是构建过程中最关键的环节，相当于从文本中“淘金”。

- **实体抽取**：识别文本中的人名、地名、机构名等。
  - *例*：从“马斯克收购了推特”中识别出“马斯克”（人）和“推特”（公司）。
- **关系抽取**：识别实体之间的关系。
  - *例*：识别出“马斯克”和“推特”之间是“收购”关系。
- **属性抽取**：提取实体的具体特征。
  - *例*：从介绍文本中提取出推特的“成立时间”、“总部地点”。

**3. 知识融合：去伪存真**

当数据来自多个源头时，会出现冲突或重复，需要进行“清洗”：

- **实体对齐**：解决“同名异义”和“异名同义”问题。
  - *异名同义*：“马铃薯”和“土豆”其实是同一个实体，需要合并。
  - *同名异义*：“苹果”是指水果，还是指苹果公司？需要根据上下文消歧。
- **知识验证**：通过逻辑规则或人工审核，剔除错误的知识（如“人 → 出生于 → 火星”）。

**构建流程图解**

```mermaid
graph TD
    A[多源数据] -->|数据清洗| B(非结构化文本/结构化数据)
    B -->|知识抽取| C{NLP处理}
    C -->|实体识别| D[实体集]
    C -->|关系抽取| E[关系集]
    D & E -->|知识融合| F[实体对齐/消歧]
    F -->|质量评估| G[知识图谱存储]
```

---

#### 2.3 知识存储与查询

数据构建好了，存放在哪里？怎么查？这是本节重点。

**1. 知识存储方案：图数据库 vs 关系型数据库**

传统的关系型数据库（如MySQL）在处理复杂关系时非常吃力（需要大量的JOIN操作），而图数据库天生就是为了处理关系而生的。

- **Neo4j**：目前最流行的图数据库，支持ACID事务，查询语言Cypher非常直观。
- **ArangoDB**：多模型数据库，支持图、文档和键值对。

**选型对比表**

| 特性 | 关系型数据库 | 图数据库 |
| ------ |------ |------ |
| **核心结构** | 表、行、列 | 节点、边、属性 |
| **关联查询** | 慢（依赖JOIN，深度越深越慢） | 极快（索引-free邻接） |
| **灵活性** | 差（修改表结构麻烦） | 好（随时添加新节点/关系） |
| **适用场景** | 财务记账、简单增删改查 | 社交网络、推荐系统、风控图谱 |

**2. 核心查询技术**

- **Cypher查询语言**：Neo4j的专用语言，语法像画图一样直观。
  - 模式匹配：`MATCH (n:Person)-[:FRIEND]->(m:Person) RETURN n, m`
- **SPARQL**：基于RDF标准的查询语言，常用于学术和语义网项目。

**3. 存储优化技巧**

- **索引优化**：为常用的节点标签和属性建立索引（如为“人名”建索引），能极大提升查询速度。
- **分片存储**：当图谱大到单机存不下时（如数十亿节点），需要将图切分到多台服务器上。

---

#### 2.4 知识图谱实践案例

为了让你彻底掌握，我们通过代码实战来构建一个**“电影-演员”微型图谱**。

**1. 案例背景**
我们要构建一个简单的电影知识库，包含演员、电影、导演，并能查询“某位演员演过哪些电影”或“某部电影的合作演员”。

**2. 代码实操：使用 Python 和 Neo4j**

*前置准备：你需要安装 *`neo4j`* 驱动包 (*`pip install neo4j`*) 并启动一个本地的 Neo4j 数据库。*

```python
from neo4j import GraphDatabase

# 1. 连接数据库
# 默认地址通常是 bolt://localhost:7687，用户名密码通常为 neo4j/neo4j
uri = "bolt://localhost:7687"
driver = GraphDatabase.driver(uri, auth=("neo4j", "password"))

def create_movie_graph(tx):
    # 2. 数据插入 (Cypher语言)
    # 创建节点和关系
    query = """
    // 创建演员节点
    CREATE (p1:Person {name: "莱昂纳多"})
    CREATE (p2:Person {name: "汤姆·汉克斯"})
    // 创建电影节点
    CREATE (m:Movie {title: "阿甘正传", year: 1994})
    // 创建关系
    CREATE (p1)-[:ACTED_IN {role: "主角"}]->(m)
    CREATE (p2)-[:ACTED_IN {role: "主角"}]->(m)
    RETURN p1, p2, m
    """
    result = tx.run(query)
    return result.single()

# 执行创建
with driver.session() as session:
    result = session.execute_write(create_movie_graph)
    print("图数据已写入！")

# 3. 知识查询与推理
def find_co_actors(tx, actor_name):
    # 查询逻辑：找到“莱昂纳多”演过的电影，再找到这些电影里的其他演员
    query = """
    MATCH (p:Person {name: $name})-[:ACTED_IN]->(m:Movie)<-[:ACTED_IN]-(co:Person)
    RETURN co.name AS co_actor, m.title AS movie_title
    """
    result = tx.run(query, name=actor_name)
    return [record for record in result]

# 执行查询
with driver.session() as session:
    co_actors = session.execute_read(find_co_actors, "莱昂纳多")
    print(f"\n莱昂纳多的合作演员：")
    for record in co_actors:
        # 注意：这里可能会查到他本人，实际应用中需要过滤
        if record["co_actor"] != "莱昂纳多":
            print(f"- 在电影《{record['movie_title']}》中与 {record['co_actor']} 合作")
```

**代码解读**：

1. **建模**：我们定义了 `Person` 和 `Movie` 两种节点，以及 `ACTED_IN` 这种关系。
2. **写入**：使用 `CREATE` 语句一次性构建了数据。
3. **查询**：这是图数据库最强大的地方。我们不需要写复杂的 `JOIN`，而是通过**路径匹配** `MATCH (p)-[]->(m)<-[]-(co)`，直接找到了“朋友的朋友”（即合作演员）。

**3. 行业应用拆解：智能问答**

当你在搜索引擎搜“刘德华的老婆是谁”时，背后的流程是：

1. **意图识别**：识别出“刘德华”是实体，“老婆”是关系。
2. **图谱查询**：在图谱中查找 `<刘德华, 老婆, ?>` 的路径。
3. **答案返回**：直接返回节点“朱丽倩”，而不是给你一堆网页链接。

这就是知识图谱赋予机器的“结构化思维”能力。


---

# 资料

咚咚王

《Python 编程：从入门到实践》
《利用 Python 进行数据分析》
《算法导论中文第三版》
《概率论与数理统计（第四版） (盛骤) 》
《程序员的数学》
《线性代数应该这样学第 3 版》
《微积分和数学分析引论》
《（西瓜书）周志华-机器学习》
《TensorFlow 机器学习实战指南》
《Sklearn 与 TensorFlow 机器学习实用指南》
《模式识别（第四版）》
《深度学习 deep learning》伊恩·古德费洛著 花书
《Python 深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》
《深入浅出神经网络与深度学习 +(迈克尔·尼尔森（Michael+Nielsen）》
《自然语言处理综论 第 2 版》
《Natural-Language-Processing-with-PyTorch》
《计算机视觉-算法与应用(中文版)》
《Learning OpenCV 4》
《AIGC：智能创作时代》杜雨 +&+ 张孜铭
《AIGC 原理与实践：零基础学大语言模型、扩散模型和多模态模型》
《从零构建大语言模型（中文版）》
《实战 AI 大模型》
《AI 3.0》

如果说第一章我们了解了“知识表示”的宏观概念，那么第二章我们将进入实战的核心——知识图谱。它是目前人工智能领域最主流、最成功的知识表示形式，也是让机器从“感知智能”迈向“认知智能”的关键基础设施。

人工智能之知识处理 知识推理 第二章 知识图谱：结构化知识表示核心

技术岗

人工智能

数据库

后端

知识图谱是人工智能领域的结构化知识表示方法，通过实体、关系和属性构建语义网络。本章详解知识图谱构建流程，包括数据采集、知识抽取、知识融合等核心环节，并对比图数据库与关系型数据库的存储差异。通过Python+Neo4j实战演示电影知识图谱构建，展示智能问答等实际应用场景。

关系型数据库

自然语言处理

计算机视觉

结构化数据

数据清洗

智能创作

机器学习

深度学习

存储优化

服务器

大数据

Python

MySQL

JSON

2026采购季 | AI焕新·智启新局

tencentdb-catalog

腾讯云数据库特惠，新用户首单0.5折起


ai-class

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

人工智能之知识处理 知识推理 第二章 知识图谱：结构化知识表示核心-腾讯云开发者社区-腾讯云

人工智能之知识处理知识推理第二章知识图谱：结构化知识表示核心

人工智能之知识处理知识推理第二章知识图谱：结构化知识表示核心

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之知识处理 知识推理 第二章 知识图谱：结构化知识表示核心

人工智能之知识处理 知识推理 第二章 知识图谱：结构化知识表示核心

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之知识处理知识推理第二章知识图谱：结构化知识表示核心

人工智能之知识处理知识推理第二章知识图谱：结构化知识表示核心