图神经网络 技术
图神经网络(GNN)在图结构数据上学习节点/边/图表示:消息传递范式(GCN、GAT、GraphSAGE),用于推荐、风控、分子与知识图谱推理。
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。
图神经网络(GNN)在图结构数据上学习节点/边/图表示:消息传递范式(GCN、GAT、GraphSAGE),用于推荐、风控、分子与知识图谱推理。
知识图谱问答(KBQA)把自然语言问题转成图谱查询(SPARQL)或通过语义解析/检索获取答案,结合 LLM 成为企业图谱问答的主流方案。
链接预测预测图中缺失的边(关系),是知识图谱补全与社交/风控图分析的核心任务,方法分启发式(CN/Jaccard)、嵌入(TransE)与 GNN。
知识图谱补全预测缺失的三元组(链接预测):头/尾实体预测与事实评分,基于嵌入、GNN 或规则,是解决图谱不完整的核心任务。
TransE 是 2013 年提出的知识图谱嵌入奠基模型:把关系视为头实体到尾实体的「平移」(h+r≈t),简洁有效,是链接预测与图谱嵌入的起点。
知识图谱嵌入把实体与关系映射为低维向量(TransE 等),用向量运算预测三元组,支撑链接预测与知识补全,是学习式图谱推理的基础。
描述逻辑(DL)是知识表示的形式逻辑家族:以概念、角色与构造子表达知识并支持可判定推理(一致性/包含/实例),是 OWL 与本体推理的理论基础。
规则推理用 IF-THEN 规则从前提到结论演绎:正向/反向链、Datalog、RETE 引擎,可解释性与确定性好,用于风控规则、专家系统与图谱规则补全。
知识推理基于已有知识推导新结论:规则/逻辑推理(描述逻辑、Datalog)与学习式推理(图嵌入、GNN),用于知识补全、一致性检查与问答推理。
知识抽取从非结构化文本自动提取实体、关系、属性与事件三元组,是知识图谱构建的「前端」,方法从规则/统计到神经模型与 LLM 提示式抽取(UIE)。
实体消歧解决「一词多实体」:同一指称在不同上下文指向不同实体,通过上下文表征与候选匹配确定正确实体,是实体链接的核心子任务。
实体链接把文本中的实体指称(如「苹果」)映射到知识库中的具体实体(苹果公司 vs 水果),含候选生成与消歧,是知识图谱构建与问答的关键环节。
知识图谱构建从数据中抽取并组织三元组:实体识别、关系抽取、实体链接与融合、schema 设计与质量校验,可分自底向上(数据驱动)与自顶向下(模式先行)。
图数据库以节点-边原生存储关联数据,擅长多跳查询与关系分析:Neo4j(Cypher)、JanusGraph、NebulaGraph(中国)、TigerGraph 等,是知识图谱与社交/风控图的基础。
SPARQL 是 W3C 标准的 RDF 图查询语言:用图模式匹配检索三元组、聚合与联邦查询,是知识图谱与语义网的「SQL」。