什么是 知识图谱？
知识图谱是对实体、关系和主张进行连接式表示的知识模型，通常包含显式标识、来源谱系与领域语义。它可以采用 RDF 三元组、属性图或其他存储模型，并不等同于图数据库。
快速了解
| 创建时间 | 概念源自 2000 年代，2012 年由 Google 推广 |
|---|---|
| 规范文档 | 官方规范 |
工作原理
知识图谱把事实组织为主语-谓语-宾语三元组（例如「巴黎」-「是首都」-「法国」），或属性图中的节点和边。它适合需要显式关系遍历、来源追踪、本体规则或关联证据的应用，但不能自动保证 LLM 回答真实；来源质量、实体消歧、检索授权和答案评估仍决定可靠性。用于 AI 检索时，应通过<a href="https://qubittool.com/zh/blog/rag-evaluation-production-guide">生产级 RAG 评估指南</a>把图遍历和 GraphRAG 与关系、向量或混合检索基线进行对比。
主要特点
- 将实体和关系表示为图结构
- 使用主语-谓语-宾语三元组表示事实
- 可支持 SPARQL、Cypher 或应用专用图查询
- 配置本体或规则后可执行显式语义推断
- 为图主张保留来源与版本谱系
- 仅在优于简单基线时用于增强 LLM 检索
常见用途
- 搜索引擎知识面板
- 具有关系感知的推荐系统
- 具有事实基础的问答
- 药物发现和生物医学研究
- 企业知识管理
示例
Loading code...常见问题
知识图谱和数据库有什么区别？
知识图谱是实体、关系、主张和语义的表示模型，数据库则是存储与查询系统。知识图谱可以存入 RDF Store、属性图数据库、关系数据库或混合索引。实现选型应由查询形态、事务、语义、授权和运维约束决定。
知识图谱如何减少 AI 幻觉？
知识图谱可以向 LLM 提供结构化证据和来源，但不能保证回答真实。可靠性仍取决于来源质量、检索覆盖、授权、提示词设计，以及生成主张是否确实得到检索证据支持。
知识图谱术语中的三元组是什么？
在 RDF 中，三元组是主语-谓语-宾语陈述，例如「巴黎」-「是首都」-「法国」。主语和谓语使用 IRI，宾语可以是 IRI、字面值或空白节点。RDF 三元组集合构成 RDF 图；属性图采用节点、关系和属性模型。
什么是 SPARQL，它如何与知识图谱一起使用？
SPARQL 是 W3C 为 RDF 数据定义的查询语言，可匹配图模式、过滤和聚合结果，也可查询包含默认图与命名图的 RDF Dataset。它适用于 RDF；属性图系统通常使用 Cypher 等其他查询语言。
有哪些流行的知识图谱可以使用？
公共知识图谱包括 Wikidata（结构化的维基百科数据）、DBpedia（从维基百科提取）和 Google 知识图谱（为搜索面板提供支持）。构建自定义图谱的流行工具包括 Neo4j（属性图数据库）、Apache Jena（RDF 框架）和 Amazon Neptune（托管图数据库）。