知识图谱（Knowledge Graph）

知识图谱（Knowledge Graph）是一种用符号形式描述现实世界中的概念、实体及其相互关系的结构化语义知识库，可以理解为一张让机器「看得懂」的巨型知识网络。

概述

知识图谱的基本组成单位是「实体-关系-实体」三元组，例如「北京-是首都-中国」，此外每个实体还可以挂载若干「属性-值」对（如人物的出生地、公司的成立地点）。大量三元组通过关系彼此联结，就织成了一张网状的知识结构，机器可以沿着这张网做推理和关联查询。

这一概念因谷歌推出同名产品而广为人知：谷歌把知识图谱用于搜索引擎，让搜索从「网页链接」升级为「概念链接」——用户搜索的不再只是一串字符，而是一个有明确含义的主题。搜索「姚明」时，结果页右侧直接展示身高、球队、家人等结构化信息卡片，这正是知识图谱在发挥作用。

如今知识图谱已成为人工智能的重要基础设施，被广泛应用于智能问答、推荐系统、金融风控、医疗辅助诊断等场景，也常与大语言模型结合，为其提供可靠的事实依据。

主要特点

• 结构化表示：以三元组和属性键值对存储知识，机器可直接读取和计算，而非停留在非结构化文本。
• 语义检索：支持按主题而不是按字符串匹配来搜索，能理解「苹果」指公司还是水果。
• 关联推理：实体之间相互联结，可以顺藤摸瓜发现隐含关系，例如挖掘两家公司之间的股权链条。
• 直观呈现：搜索引擎可以用图形化卡片直接反馈结构化答案，用户无需翻阅大量网页即可定位所需知识。

与 AI 大模型的关系

大语言模型擅长生成流畅的语言，但可能产生「幻觉」，编造不存在的事实；知识图谱恰好相反，知识准确、可溯源，但覆盖面和灵活性有限。二者结合是当前热门方向：用知识图谱为大模型提供事实校验和检索增强（如 GraphRAG 类方案），用大模型自动从文本中抽取三元组来加速图谱构建，形成互补。

常见问题

问：知识图谱和普通数据库有什么区别？答：普通关系型数据库以表格存数据，侧重记录本身；知识图谱以图结构存「关系」，侧重实体之间的关联，更适合多跳查询和语义推理，底层常用图数据库实现。

问：知识图谱是谷歌发明的吗？答：不是。语义网络、本体等相关研究由来已久，谷歌只是推出了名为 Knowledge Graph 的产品并将其大规模用于搜索，才让这个词流行开来。

问：普通开发者能自己构建知识图谱吗？答：可以。可借助 Neo4j 等图数据库和开源抽取工具，从业务文本或表格数据中抽取实体和关系，构建垂直领域的小型知识图谱。