知识图谱
知识图谱是一种以图结构为基础的结构化知识表示方法，通过节点表示实体、边表示实体间语义关系，以三元组（主体-关系-客体）的形式组织和存储现实世界的知识。其核心特征包括：支持多类型实体与关系的关联建模、便于机器理解与推理，以及可扩展的知识整合能力。广泛应用于搜索引擎、智能问答、推荐系统和自然语言处理等领域。
Core Facts
Timeline (last 90 days)
纯向量方案在开放式、语义相近的问答上表现出色，但在需要精确关系推理、跨源整合、可解释性的场景中不如图结构
该工作坊的核心思路是使用Neo4j构建知识图谱作为唯一可信数据源
作者明确指出该框架虽以医疗领域疾病知识图谱验证，但具有普遍适用性
这篇arXiv论文指出，如果只用孤立的三元组训练大语言模型，模型往往学不到三元组周边的上下文，而这些上下文是多跳推理所必需的
语义模型更像关系映射表（字段A对应指标B），而本体论更像知识图谱，显式编码概念间的继承关系、互斥约束和时态有效性
知识图谱以三元组主体—关系—客体（SPO）为基本单元存储结构化知识
基于图谱锚定的推理由于每一步锚定在真实节点和边上，能降低模型凭空捏造信息的风险
Semantica的上下文图（Context Graph）是知识图谱的工程化实现，将实体、关系、决策、事实全部建成图上节点，用图遍历回答关系问题
知识图谱增加的核心信息维度是关系维度，即把文本中隐含的关系显式化并结构化，这些关系在纯文本切块中会丢失
对于简单事实问答，向量检索已足够，使用知识图谱是过度设计
25 more timeline events
All Facts (20)
知识图谱（Knowledge Graph）最早由Google于2012年提出并用于搜索引擎优化
80%Verified长期记忆的业界主流方案包括基于embedding的向量检索、基于知识图谱的结构化存储，以及两者的混合架构
65%Verified企业级AI知识库的核心技术是RAG，需要结合Chunking策略、Reranking和Hybrid Search（混合BM25关键词检索与语义向量检索）来提升检索质量
65%VerifiedGraph RAG通过知识图谱的实体和关系图遍历来处理多跳推理类问题，适用于文档间关系复杂的场景
65%Unverified知识图谱的图结构天然支持图遍历算法，使得「找到所有调用了函数A的地方」这类查询可以在毫秒级完成
85%Unverified纯向量方案在开放式、语义相近的问答上表现出色，但在需要精确关系推理、跨源整合、可解释性的场景中不如图结构
50%Unverified该工作坊的核心思路是使用Neo4j构建知识图谱作为唯一可信数据源
50%Unverified作者明确指出该框架虽以医疗领域疾病知识图谱验证，但具有普遍适用性
50%Unverified这篇arXiv论文指出，如果只用孤立的三元组训练大语言模型，模型往往学不到三元组周边的上下文，而这些上下文是多跳推理所必需的
50%Unverified语义模型更像关系映射表（字段A对应指标B），而本体论更像知识图谱，显式编码概念间的继承关系、互斥约束和时态有效性
50%Unverified基于图谱锚定的推理由于每一步锚定在真实节点和边上，能降低模型凭空捏造信息的风险
50%Unverified知识图谱以三元组主体—关系—客体（SPO）为基本单元存储结构化知识
50%UnverifiedSemantica的上下文图（Context Graph）是知识图谱的工程化实现，将实体、关系、决策、事实全部建成图上节点，用图遍历回答关系问题
50%Unverified对于简单事实问答，向量检索已足够，使用知识图谱是过度设计
50%Unverified知识图谱以三元组（实体-关系-实体）形式存储信息，形式化定义为有向标记图 G=(V,E,L)
50%Unverified知识图谱增加的核心信息维度是关系维度，即把文本中隐含的关系显式化并结构化，这些关系在纯文本切块中会丢失
50%UnverifiedLLM与传统数据挖掘融合的方式包括将LLM作为特征提取器生成嵌入表示、利用LLM进行数据增强和合成数据生成、以及将知识图谱与LLM结合以减少幻觉问题
50%Unverified构建动态演化的代码知识图谱需要结合图神经网络（GNN）、时序分析和因果推断等多种AI技术
50%Unverified将知识图谱与LLM结合可以减少幻觉（hallucination）问题
50%Unverified知识图谱能显式建模实体间结构化关系，支持多跳推理，并能为每条关系标注时间戳和置信度
50%