知识图谱哟哟哟

1. 定义

知识图谱：一种结构化的知识表示形式，用于描述实体（如人、地点、事物）之间的关系和属性。它是一个大规模语义网络，旨在捕获丰富的实体之间的关联，并以图形形式呈现，使得计算机可以理解、推理和处理信息。

知识图谱由谷歌于2012年提出（不确定，但都说是），相比之下，LLM、RAG才是新秀。若仅基于知识图谱实现问答（四代微软小冰），可能会有种mate60p->mate30的感jio，所以基于知识图谱做问答，最好要和LLM、RAG联合，取长补短。

2. 相关项目

智能问答+数据库：DB-GPT

项目地址：GitHub - eosphoros-ai/DB-GPT: Revolutionizing Database Interactions with Private LLM Technology

流程：查询语句（自然语言） -> Text2SQL（模型，需构建数据集进行微调） -> SQL语言 -> 查询

（我理解的是这个样滴）

3. 应用场景

• 推荐系统：召回相关性更好，例如，三只松鼠->坚果、良品铺子、百草味（知识图谱），三只松鼠->松鼠，六个老鼠（Embedding），应用实例“美团大脑”。

• 语义搜索：解析自然语言查询语句->构建知识图谱搜索语句->匹配查询。感觉和推荐系统如出一辙，例如搜索“老八的老婆的兄弟媳妇”，若均为名人，应该能搜出来，这是Embedding难以做到的，尚不确定百度、谷歌是不是这么干滴。

• 智能问答：语义搜索的延伸，采用最相关的语义搜索的结果进行回答，例如四代微软小冰，亦可联合生成模型进行回答。

• 辅助决策：重点突出“辅助”，要基于知识图谱实现决策会很复杂，目前可能也就是打个辅助。例如，辅助法案判决，如下图，通过图谱（亦可呈现历史类似案件），辅助法官快速对防卫过当/正当防卫/故意伤害判决书进行分析，是否存在误判或是否需要补充信息等。

4. 知识图谱 vs LLM

优势：

• 结构化信息支持： 知识图谱提供了结构化的信息，以实体、关系和属性的形式组织。这种结构化信息能够更清晰地表达事实和概念之间的关系，便于理解。

• 精准性和可信度： 知识图谱可在特定领域内提供精准、可信的答案，因为它们基于已知事实和结构化信息。相对而言，大模型在回答问题时可能存在捏造事实的情况，精准性和可信度相对较低。

• 易于更新和维护： 知识图谱可以方便地进行更新和维护，整合新信息、修改错误信息均极为简便。而基于LLM的问答对检索结果极具依赖，且优化检索需对检索模型、排序模型进行重新训练、测试。

局限性：知识图谱可能不包含某些非结构化信息，对于开放域的问题回答效果相对有限。

5. 你猜

1）智慧搜索 ：

• 支持全文搜索、标签搜索、精确搜索、批量搜索等多种搜索方式。例如，可对想要了解的实体直接进行搜索，其相关实体或属性一目了然，无需输出特定属性，如下：

   From：思知机器人 | 对话机器人 | 聊天机器人 | 知识图谱 - OwnThink

• 配合语义解析，支持自然语言提问式搜索。例如，对查询进行信息抽取，将识别出的实体及属性嵌入至预定义的查询语句模板，对知识图谱执行查询，返回查询结果；或采用Text2CQL模型直接将查询转为CQL（Cypher Query Language），进而对知识图谱执行查询，返回查询结果。可预见的，效果有，但不多。

2）智能问答：基于智慧搜索，联合LLM对提问进行回复，应保证图谱知识优先。感觉基于知识图谱的问答效果会远不及基于Embedding的问答（但快），Text2CQL是灾难。以下是思知的对话机器人的问答效果（问题基于上图），Oh, bad...

总结：介绍、门票、位置等描述规范的问题回复速度远高于其它回复，其原理应该是条件判断优先进行知识图谱匹配，搜索不出则采用LLM，但LLM的IQ不那么在线。由此看来，基于知识图谱的问答对问题的格式要求还是相当严格的，稍微加点字或换种描述就废了。综上，知识图谱可以作为LLM的前置判断直接进行回答，但绝不能舍弃RAG。