知识图谱与LLM融合 技术
知识图谱与 LLM 融合让大模型利用结构化知识:KG 增强检索(GraphRAG)、图谱辅助推理、LLM 构建图谱与联合问答,缓解幻觉并提升多跳推理,是 2024 年后知识工程主线。
大模型 · 万物互联 · 人工智能的结构化知识库。人人可阅读、可贡献、可追溯。
知识图谱与 LLM 融合让大模型利用结构化知识:KG 增强检索(GraphRAG)、图谱辅助推理、LLM 构建图谱与联合问答,缓解幻觉并提升多跳推理,是 2024 年后知识工程主线。
知识表示学习把符号知识(实体/关系)转为向量表示以便计算与泛化:知识图谱嵌入、节点嵌入(node2vec)、大模型知识编码,支撑补全、问答与推理。
时序知识图谱给三元组附加有效时间(如「某人 2010-2020 任某职」),支持时间约束推理与演化预测,用于事件预测、动态风控与历史问答。
跨语言知识图谱统一多语言版本的实体与关系(如同一实体在中/英/日不同条目),支撑跨语言搜索、问答与翻译,Wikidata 是其典型实现。
语义对齐把不同数据源/模态/语言的语义统一到同一表示或映射:实体对齐、本体匹配、跨语言对齐与嵌入空间对齐,是知识融合与多模态理解的关键。
图算法处理图上的计算任务:最短路径(Dijkstra)、社区发现(Louvain)、中心性(PageRank)、连通性与匹配,用于社交分析、风控与知识图谱。
知识库(KB)是结构化知识的集合:三元组库、规则库或本体库(Wikidata、DBpedia、企业知识库),是知识图谱与 KBQA 的存储基础。
大模型知识编辑在不重训的前提下修改/注入/删除模型内部知识(ROME、MEMIT、定位-编辑),用于修正事实、时效更新与版权删除,是 LLM 知识治理的前沿。
知识追踪建模学生对知识点的掌握程度随时间/作答的演化,用于智能教育自适应学习:DKT(深度知识追踪)与 LLM 学情分析是代表。
反事实推理回答「如果当初不这样做会怎样」:基于结构因果模型的干预与想象,用于可解释性(最小改动反事实)、公平性与决策复盘。
因果图用有向无环图(DAG)表示变量间的因果依赖:父节点→子节点的箭头即「直接原因」,支撑 d-分离、后门准则与因果效应识别。
因果推理超越相关推断「原因-结果」关系,以结构因果模型(SCM)、do-演算与反事实为核心,用于决策、医学与政策评估,是 AI 向「理解」迈进的必经之路。
神经符号 AI 把深度学习(感知/学习)与符号推理(逻辑/可解释)结合,兼顾数据驱动与逻辑严谨,路线含神经逻辑编程、场景图推理与 LLM+符号工具,被视为通向强 AI 的方向之一。
概念图谱刻画概念之间的语义关系(上下位、属性、相关),是常识/概念知识的组织形态,用于理解泛化与搜索扩展,代表有 ConceptNet、CN-Probase。
事理图谱以事件为节点、以因果/顺承等关系为边建模事件演化逻辑(如「暴雨→洪灾→救援」),用于事件推演、预警与决策,是知识图谱在动态事件域的扩展。