知識圖譜 (KG) 是由現實世界實體（節點）及其相互關系（邊）組成的結構化網絡，以機器可讀的形式對知識進行編碼。在人工智能領域，知識圖譜是語義理解、推理和數據集成的強大工具。它們為人工智能系統提供上下文，通過鏈接不同的數據源并揭示隱藏的關系，實現更易于解釋、更準確的決策。

知識圖譜的概念最初由谷歌 2012 年的知識圖譜推廣，實際上建立在語義網絡和本體領域數十年的研究基礎之上，最早可追溯到 20 世紀 60 年代。如今，知識圖譜已廣泛應用于各行各業，從支持搜索引擎和語音助手，到推動科學研究和企業分析的發展。未來的創新將致力于實現知識圖譜構建的自動化，增強推理能力，并將知識圖譜與人工智能模型緊密結合，從而構建更值得信賴、更具情境感知能力和更智能的系統。

定義和結構

知識圖譜是一種將知識表示為一組實體（節點）及其之間關系（邊）的網絡。每個節點通常對應于由唯一 ID 或 URI 標識的現實世界概念或對象（例如，人物、地點或物品）；每條邊表示連接兩個實體（例如，Person worksFor Company）的特定關系或謂詞。屬性 (Attribute) 可以注釋節點和邊以捕獲其他詳細信息（例如，實體的名稱、出生日期等）。與嚴格的關系數據庫不同，知識圖譜使用靈活的基于圖的數據模型（通常是 RDF 或屬性圖），這些模型可以適應異構和不斷發展的數據。這種靈活性和表現力使知識圖譜能夠捕獲信息的上下文和含義，從而促進不同數據源的整合和新事實的推斷。

在人工智能中的作用

知識圖譜在實現機器推理和語義理解方面發揮著關鍵作用。通過將數據組織成一個有意義網絡，知識圖譜為人工智能系統提供了一種關于世界的結構化“背景知識”。它們充當了原始數據與更高層次理解之間的橋梁：人工智能算法可以遍歷知識圖譜以查找多跳連接、應用邏輯規則或利用關聯的上下文來豐富數據。知識圖譜的常見人工智能用例包括：

• 知識集成：知識圖譜通過鏈接來自多個來源的信息來打破數據孤島，創建統一的“全局”。它們通過使用共享的標識符和模式來促進數據訪問和互操作性。例如，知識圖譜可以整合客戶數據、產品數據和社交媒體數據，從而實現在孤立數據庫中難以實現的整體分析。
• 語義豐富：知識圖譜 (KG) 為 AI 工作流程增添語義語境。它們可以為原始數據賦予豐富的含義（本體、分類），從而提升機器學習和自然語言處理 (NLP) 等其他 AI 技術的性能。例如，圖像識別系統可以使用知識圖譜將檢測到的對象與概念分類聯系起來，從而增強對像素模式之外的理解。
• 推理和推論：由于知識圖譜明確地建模了關系，因此它們支持邏輯推理。基于圖的推理器可以從現有事實中推斷出新的事實（例如，推斷兩個人在同一家公司工作，他們可能是同事）。這種能力有助于人工智能系統實現與人類推理類似的飛躍，而不是僅僅依賴于統計相關性。
• 人機交互：知識圖譜通常用作可解釋性和面向人類的知識檢索的媒介。它們可以通過追蹤圖中的連接來生成人類可讀的解釋。在對話式人工智能中，知識圖譜可以為聊天機器人或虛擬助手提供支持，確保答案基于已知事實，并提供這些事實的出處。
  意義和好處
  知識圖譜在人工智能中的重要性源于它們能夠將知識明確地嵌入到人工智能系統中，而不是讓一切都從頭開始學習。這帶來了幾個好處：
• 減少數據需求：通過利用圖譜中編碼的先驗知識，AI 模型可能需要更少的訓練樣本即可獲得良好性能。知識圖譜可以提供背景信息，而機器學習模型原本需要從大量帶標簽的數據集中推斷這些背景信息。例如，知識圖譜可以告訴醫療 AI，阿司匹林是一種用于治療頭痛的藥物，而醫療 AI 的模型可能無法從有限的病歷中輕松學習到這一點。事實上，知識圖譜通過將領域知識注入 AI 流程，可以“減少對大量帶標簽數據集的需求”。
• 改進的遷移學習：基于圖譜的知識通常可以跨任務遷移。一旦人工智能系統能夠訪問廣泛的知識圖譜，它就可以將這些知識應用于新領域，而無需對每條信息進行重新訓練。例如，自主代理在從一個城市移動到另一個城市時，可以遷移其對城市道路網絡的理解（來自知識圖譜），而無需從原始傳感器數據中重新學習。這種對遷移學習的便利性是將知識圖譜與機器學習相結合的公認優勢。
• 可解釋性：知識圖譜通過提供事實及其聯系的透明表示，為可解釋人工智能 (XAI)做出了貢獻。由于每條邊都具有語義含義，人工智能系統可以通過引用知識圖譜中導出該結論的關系鏈來解釋結論（例如，為什么會做出某個建議）。此類溯源和語義線索使人工智能決策更具可檢查性和可審計性，從而增強了信任。例如，金融人工智能可以通過指出交易受益人與已知欺詐實體之間的關聯圖路徑來解釋被標記的交易。
• 數據集成與互操作性：知識圖譜 (KG) 使用共享詞匯表和標識符（通常遵循關聯數據標準），實現系統間的互操作性。它們充當數據的通用語言，因此整個組織（或整個網絡）的 AI 系統可以互聯互通它們的知識。這在數據分散于不同數據庫和格式的企業環境中至關重要——知識圖譜可以將這些數據統一到一個語義層。它也是構建大規模 AI 的關鍵，谷歌利用其知識圖譜通過集成語義上下文來改進搜索結果就是明證。

簡史與演變

雖然“知識圖譜”一詞隨著 2012 年谷歌的公告進入流行詞匯，但其底層概念在人工智能歷史中根深蒂固。知識圖譜的早期形式可以追溯到20 世紀 60 年代的語義網絡——人工智能先驅使用的基于圖的知識表示。在隨后的幾十年里，特別是在 20 世紀 90 年代，本體形式化了如何用明確定義的分類法和關系來表示領域知識。20 世紀 90 年代末和 21 世紀初，由 Tim Berners-Lee 倡導的語義網問世，他提議在網絡上以機器可讀的圖形形式 (RDF) 發布數據。RDF 和 OWL（Web 本體語言）等舉措以及鏈接數據原則（大約 2006 年）為在網絡上互連數據提供了標準。所有這些都為現代知識圖譜奠定了基礎。谷歌的知識圖譜標志著一個轉折點，它在網絡規模上展示了一個龐大的互連實體描述圖如何為搜索和問答提供動力。繼谷歌之后，其他科技巨頭也構建了自己的知識圖譜，例如微軟為必應開發的 Satori、Facebook 的實體圖譜，這一概念在學術界之外獲得了廣泛關注。當今的知識圖譜已經發展到包括領域特定圖譜（用于醫學、金融等）、開放知識庫（如 Wikidata）以及組織內部用于分析的企業知識圖譜。人們對動態知識圖譜的興趣也日益濃厚，它會隨著新數據的到來而不斷更新和增長而不是靜態快照。動態知識圖譜通過允許圖譜的結構隨時間變化來解決知識不斷發展的挑戰 — — 例如，將新的研究結果自動集成到生物醫學圖中。這種演變仍在繼續，當前的研究重點是知識圖譜的擴展、構建自動化，以及將其與新興的人工智能范式相結合。總而言之，知識圖譜代表了數十年來人工智能知識表示研究的匯聚，如今已在現實世界的人工智能系統中得以運用，為數據賦予意義和理性。

最新進展

2023-2025 年期間，知識圖譜研究取得了顯著進展。一個主流趨勢是知識圖譜與大型語言模型 (LLM)及其他人工智能技術的融合，從而形成兼具符號方法和神經方法優勢的混合系統。關鍵進展包括：

知識圖譜與大型語言模型 (LLM) 集成：研究人員正在積極探索如何將知識圖譜 (KG) 與大型語言模型 (LLM) 集成，以實現更優的推理能力，并減少眾所周知的大型語言模型幻覺問題。一個方向是將知識圖譜用作大型語言模型 (LLM) 的外部知識源，例如，從知識圖譜中檢索事實，作為大型語言模型 (LLM) 答案的基礎。這種方法在應用于非結構化知識時通常被稱為檢索增強生成 (RAG)，目前正在擴展到結構化知識圖譜。研究表明，將知識圖譜事實與大型語言模型 (LLM) 相結合可以提高事實準確性，并使模型能夠處理涉及多跳推理的復雜查詢。然而，諸如將知識圖譜知識的表示與大型語言模型 (LLM) 基于語言的知識進行匹配等挑戰仍然是研究的課題。另一個方向是使用大型語言模型 (LLM) 實現知識圖譜構建和管理的自動化。 2024 年，多項研究證明，LLM 可以通過提取實體和關系，在極少的人工監督下輔助從文本中構建知識圖譜。這表明，利用生成式人工智能讀取和吸收來自非結構化來源的信息，使知識圖譜保持最新狀態大有可為。LLM 和知識圖譜之間的相互作用已成為一個至關重要的課題，各種調查和研討會都致力于探索這一新的研究前沿。普遍認為，LLM-KG 的協同作用是雙向的：知識圖譜可以使 LLM 更加扎實、更易于解釋，而 LLM 可以使知識圖譜的創建和查詢理解更加自動化。這種協同效應是近期會議的一大亮點。例如，Gerhard Weikum 在 ISWC 2023 上發表了題為“大型語言模型時代的知識圖譜”的主題演講，提出了整合搜索引擎、知識圖譜和大型語言模型 (LLM) 的架構，以實現穩健的信息檢索。同樣，Deborah McGuinness 在同一次會議上的主題演講探討了由生成式人工智能引發的語義網研究的“復興”，表明人們對知識圖譜作為強大大型語言模型 (LLM) 補充的興趣再度升溫。總而言之，到 2025 年，知識圖譜與大型語言模型的整合將成為一條關鍵的研究途徑，旨在將符號推理與神經語言理解相結合，應用于下一代人工智能系統。

知識圖譜嵌入和 Graph ML：另一個活躍領域是知識圖譜嵌入，其目標是將實體和關系表示為連續空間中的向量。這有助于使用 ML 算法進行鏈接預測、實體分類以及大型知識圖譜上的其他任務。TransE（2013）和 ComplEx（2016）等經典模型奠定了基礎，而近期的研究正在進一步推動這一前沿的發展。從 2023 年到 2025 年，研究人員將引入更具表現力的嵌入技術，這些技術能夠處理復雜的關系模式（例如對稱性、層次結構）和多跳推理。例如，基于圖神經網絡 (GNN) 和 Transformer 構建的模型越來越受歡迎：關系圖卷積網絡 (R-GCN)及其變體采用了鄰域結構，而較新的Graph Transformer架構則旨在捕獲圖中的長距離依賴關系。 2024 年的 IEEE 會議論文《探索知識圖譜嵌入的前沿》強調，現代 KG 嵌入正在解決諸如時間動態（隨時間變化的知識）、多模態知識（將文本、圖像合并到實體表示中）以及海量圖的可擴展性等挑戰。人們還對將更多語義帶回嵌入模型感興趣——例如，將本體信息或邏輯規則合并到嵌入訓練中，以確保學習到的向量遵守已知約束的方法。FB15k-237 和 Wikidata5M 等基準測試繼續推動進步，Papers With Code 報告稱，到 2025 年，最先進的鏈接預測結果將穩步提升。除了靜態嵌入之外，知識圖譜補全技術還與邏輯推理（例如規則挖掘算法）相結合，以提高準確性；一些 2023 年的研究將基于規則的推理與基于嵌入的預測相結合，以達到兩全其美的效果。

自動推理與查詢：這一時期，知識圖譜推理算法也取得了進展。這包括針對大型三元組存儲的改進的 SPARQL 查詢優化器，以及將符號邏輯與神經網絡相結合的新型推理方法。例如，神經符號系統可以使用可微邏輯對知識圖譜進行推理，從而能夠處理不確定性和噪聲。一種趨勢是開發能夠超越三元組的推理方法，承認現實世界的知識通常不僅僅是二元關系。這引發了對超關系知識圖譜（具有 n 元事實或限定詞，例如維基數據）及其相應推理技術的研究。2023 年的 K-CAP 會議論文綜述了“超越三元組的推理”，并重點介紹了處理復雜斷言（例如涉及多個實體或上下文的斷言）的系統。此外，查詢語言也在不斷發展——SPARQL 仍然是 RDF 知識圖譜的主導，但人們正在探索用于屬性圖和圖挖掘的擴展和全新語言。 Cypher（Neo4j 的查詢語言）影響了 openCypher 和 GQL 提案，與此同時，TigerGraph 中的 GSQL 則強調分布式圖分析。它與機器學習的相互作用體現在神經查詢應答中：像 KG-BERT 這樣的系統將知識圖譜查詢視為文本，并使用 Transformer 模型來查找答案，從而連接自然語言處理 (NLP) 和結構化查詢。與此同時，語義網社區已經制定了 SPARQL-Star（用于更好地處理關于語句的語句）和 SHACL（用于約束檢查）等標準，這反映了我們查詢和驗證知識圖譜方式的持續改進。

新興趨勢

2025 年新興研究趨勢：

(a)知識圖譜 (KG) 與大型語言模型 (LLM) 的協同作用處于前沿，旨在實現既能回憶事實又能生成流暢文本的人工智能。

(b)企業規模和自動管理——許多進展都集中在使知識圖譜更易于構建和維護（使用人工智能進行提取、眾包貢獻或自我更新機制）。

(c)可解釋且值得信賴的人工智能——知識圖譜越來越多地被視為用戶可以信賴的人工智能途徑，它通過使用事實圖譜支撐決策。

(d)特定領域的知識圖譜——專門的圖譜（例如，在生物醫學、地球科學或法律領域）正在蓬勃發展，每種領域都催生了對自定義本體和定制算法的研究（例如，用于連接基因、蛋白質和化合物的藥物發現知識圖譜）。

(e)知識圖譜嵌入 2.0——超越簡單的翻譯模型，轉向更復雜的、或許是混合符號嵌入的方法，該方法將本體模式和文本描述與用于表征學習的圖結構相結合。

(f)多模態數據集成——致力于將圖像、音頻和視頻納入知識圖譜（例如，將實體鏈接到圖像節點），并在此類多模態知識圖譜上進行表征學習。

總體而言，目前最先進的技術表明，知識圖譜與人工智能的結合越來越深入，可擴展性越來越強，并且在構建和使用方式上也越來越智能。