知识图谱与GraphRAG
生活化类比：知识图谱就像一张「人物关系网」——节点是人/物，边是关系（谁提出了什么、谁毕业于哪）。GraphRAG 则给这张网配了个「导游」，既能回答「爱因斯坦的相对论讲了啥」，也能顺着关系网推理出「他老师是谁」。
核心概念
知识图谱（Knowledge Graph） 是一种用图结构表示知识的方式，由实体（节点）和关系（边）组成。它能够存储结构化的事实知识，支持复杂的推理和查询。
GraphRAG（Graph Retrieval-Augmented Generation，基于图谱的检索增强生成）是 Microsoft 于 2024 年提出的一种基于知识图谱的 RAG 方法，通过图结构增强检索和生成质量。
知识图谱基础
三元组表示
知识图谱的核心是三元组（Triple）：
graph LR E1["爱因斯坦"] -->|出生于| U["乌尔姆"] E1 -->|提出了| T["相对论"] T -->|属于| P["物理学"]
知识图谱 vs 关系数据库
| 维度 | 知识图谱 | 关系数据库 |
|---|---|---|
| 数据模型 | 图（节点+边） | 表（行+列） |
| Schema | 灵活，无需预定义 | 严格，需要预定义 |
| 查询语言 | Cypher, SPARQL | SQL |
| 推理能力 | 支持图推理 | 有限 |
| 适用场景 | 复杂关系、灵活模式 | 结构化数据、事务处理 |
知识图谱存储
| 存储类型 | 工具 | 特点 |
|---|---|---|
| 原生图数据库 | Neo4j, JanusGraph | 性能最优，支持图算法 |
| RDF 存储 | Apache Jena, Virtuoso | 标准化，支持 SPARQL |
| 嵌入式 | NetworkX (Python) | 简单，适合小规模 |
| 向量化 | 用于图嵌入 | 支持相似度查询 |
实体与关系提取
命名实体识别（NER, Named Entity Recognition）
graph LR TEXT["文本: 爱因斯坦在1905年发表了狭义相对论"] --> NER["NER 识别"] NER --> E1["爱因斯坦 → Person 人物"] NER --> E2["1905年 → Date 时间"] NER --> E3["狭义相对论 → Theory 理论"]
关系提取
graph LR TEXT["文本: 爱因斯坦提出了相对论"] --> RE["关系提取"] RE --> TRIPLE["(爱因斯坦, 提出, 相对论)"] RE --> TYPE["关系类型: author_of / discovered"]
提取方法
| 方法 | 描述 | 优缺点 |
|---|---|---|
| 基于规则 | 使用正则表达式、模式匹配 | 精确但覆盖有限 |
| 监督学习 | 训练标注数据的分类器 | 精度高但需要标注 |
| 远程监督 | 利用现有知识库自动标注 | 规模大但有噪音 |
| LLM-based | 使用 LLM 进行提取 | 灵活但成本高 |
GraphRAG
传统 RAG 的局限
| 问题 | 描述 |
|---|---|
| 全局理解缺失 | 传统 RAG 检索局部片段，难以回答需要全局理解的问题 |
| 关系推理不足 | 难以处理多跳推理和复杂关系查询 |
| 信息分散 | 相关信息分散在多个文档中，难以整合 |
GraphRAG 的核心思想
graph TD subgraph TRAD["传统 RAG"] TDOC["文档"] --> TCHUNK["分块"] --> TVEC["向量化"] --> TRET["检索"] --> TGEN["生成"] end subgraph GRAPH["GraphRAG"] GDOC["文档"] --> GE["实体/关系提取"] --> GK["知识图谱构建"] --> GRET["图检索"] --> GGEN["生成"] end ADV["优势: 1. 结构化知识表示 2. 支持多跳推理<br/>3. 全局上下文理解 4. 可解释的检索路径"]
GraphRAG 流程
flowchart TD subgraph PHASE1["阶段1: 图构建"] P1_1["① 文档解析"] P1_2["② 实体识别 NER"] P1_3["③ 关系提取"] P1_4["④ 实体对齐和消歧"] P1_5["⑤ 知识图谱存储"] P1_1 --> P1_2 --> P1_3 --> P1_4 --> P1_5 end subgraph PHASE2["阶段2: 社区检测"] P2_1["① 图聚类 如 Leiden 算法"] P2_2["② 识别实体社区"] P2_3["③ 生成社区摘要"] P2_1 --> P2_2 --> P2_3 end subgraph PHASE3["阶段3: 检索与生成"] P3_1["① 查询理解"] P3_2["② 图检索 实体匹配 + 社区匹配"] P3_3["③ 路径推理"] P3_4["④ 生成回答"] P3_1 --> P3_2 --> P3_3 --> P3_4 end PHASE1 --> PHASE2 --> PHASE3
社区检测与摘要
graph LR subgraph C1["社区1 Leiden算法"] EA["实体A"] ---|关系1| EB["实体B"] EA ---|关系3| ED["实体D"] EB ---|关系5| EE["实体E"] end subgraph C2["社区2 Leiden算法"] EC["实体C"] ---|关系2| EB2["实体B"] EC ---|关系4| EF["实体F"] EE2["实体E"] ---|关系6| EF2["实体F"] end C1_SUM["社区1摘要: 实体A/B/D主要涉及..."] C2_SUM["社区2摘要: 实体C/E/F主要涉及..."]
图检索策略
基于实体的检索
flowchart TD Q["查询: 爱因斯坦的相对论"] --> STEP1["① 识别查询中的实体: 爱因斯坦、相对论"] STEP1 --> STEP2["② 在知识图谱中查找实体节点"] STEP2 --> STEP3["③ 获取实体的邻居节点和关系"] STEP3 --> STEP4["④ 返回相关三元组"]
基于关系的检索
flowchart TD Q["查询: 谁提出了相对论？"] --> STEP1["① 识别查询意图: 查找'提出'关系"] STEP1 --> STEP2["② 在图中查找'提出'关系"] STEP2 --> STEP3["③ 返回: 爱因斯坦, 提出, 相对论"]
多跳推理
graph LR E["爱因斯坦"] -->|毕业于| ETH["苏黎世联邦理工学院"] ETH -->|教授| M["明可夫斯基"] ANSWER["答案: 明可夫斯基"]
图嵌入（Graph Embedding）
方法分类
| 方法 | 描述 | 代表模型 |
|---|---|---|
| 转移距离 | 基于距离的嵌入 | TransE, TransR |
| 语义匹配 | 基于相似度的嵌入 | DistMult, ComplEx |
| 图神经网络 | 使用 GNN 学习嵌入 | GCN, GraphSAGE |
TransE 原理
flowchart LR H["h 头实体"] -->|"+ r/关系"| APPROX["≈ t 尾实体"] POS["正样本 (h,r,t): dist(h+r,t) 应小"] NEG["负样本 (h',r,t'): dist(h'+r,t') 应大"] GOAL["通过距离学习实体和关系的向量表示"]
一句话说人话
核心公式：h + r ≈ t（头实体 + 关系 ≈ 尾实体）
把实体想成地图上的点，关系就是「往某个方向走一步」：
🧭 「北京」+「首都→」≈「中国」
「爱因斯坦」+「提出了→」≈「相对论」
训练方式：猜对了有奖，猜错了挨打
-
✅ 正样本（事实）：h+r 和 t 离得近 → 表扬，让它们更近
-
❌ 负样本（瞎编）：h+r 和 t 离得远 → 揍它，让它们更远
优点：简单暴力，训练飞快
缺点：太单纯，搞不定复杂关系（比如 1 对 N、对称关系），后来被 TransR、RotatE 等更聪明的模型取代。
混合知识系统
向量数据库 + 知识图谱
graph TD ROUTER["查询路由"] --> VDB["向量数据库 语义检索"] ROUTER --> KG["知识图谱 结构化查询"] VDB --> FUSE["结果融合 + 重排序"] KG --> FUSE FUSE --> GEN["生成回答"] ADV1["优势: 向量数据库 - 语义相似度检索"] ADV2["优势: 知识图谱 - 结构化推理和精确查询"] ADV3["优势: 结合两者优势"]
选择指南
| 场景 | 推荐方案 |
|---|---|
| 开放域问答 | 向量数据库为主 |
| 结构化查询 | 知识图谱为主 |
| 复杂推理 | 知识图谱为主 |
| 语义搜索 | 向量数据库为主 |
| 混合需求 | 两者结合 |
常见问题
| 问题 | 回答要点 |
|---|---|
| 知识图谱和向量数据库的核心区别是什么？ | 知识图谱用图结构存储实体和关系，支持结构化查询和推理；向量数据库存储 embedding 向量，支持语义相似度检索。两者互补，知识图谱擅长精确查询和推理，向量数据库擅长语义搜索。 |
| GraphRAG 相比传统 RAG 有什么优势？ | GraphRAG 通过知识图谱提供结构化知识表示，支持多跳推理和全局上下文理解。传统 RAG 只检索局部片段，难以处理需要整合多个文档信息的复杂问题。 |
| 实体和关系提取有哪些方法？ | 主要方法：基于规则（正则表达式）、监督学习（标注数据训练分类器）、远程监督（利用现有知识库自动标注）、LLM-based（使用 LLM 提取）。实际中常结合多种方法。 |
| 什么是知识图谱的社区检测？ | 社区检测是将图中的实体聚类成组，组内实体关系紧密，组间关系稀疏。常用 Leiden 算法。社区可以生成摘要，帮助理解知识图谱的全局结构。 |
| 如何设计混合知识系统？ | 结合向量数据库和知识图谱：语义搜索用向量数据库，结构化查询用知识图谱。需要设计查询路由策略，根据查询类型选择合适的检索方式，然后融合结果。 |
| TransE 的核心思想是什么？ | TransE 基于”h + r ≈ t”的假设，即头实体加上关系应该接近尾实体。通过最小化正样本的距离、最大化负样本的距离来学习实体和关系的向量表示。 |
| 为什么需要多跳推理？ | 很多问题需要经过多个关系才能得到答案。例如”爱因斯坦的老师是谁”需要：爱因斯坦→毕业学校→教授。传统 RAG 难以处理这种链式推理，知识图谱天然支持。 |
| GraphRAG 的社区摘要有何作用？ | 社区摘要提供了知识图谱的全局视图，帮助回答需要整体理解的问题。例如”这个领域的主要研究方向是什么”需要全局理解，而不仅是单个实体的信息。 |
速记卡（面试闪卡）
Q1：一句话讲清「知识图谱与GraphRAG」到底是什么？
A：知识图谱用图存实体和关系，GraphRAG 借它增强检索，支持多跳推理与全局理解。
Q2：一、知识图谱基础 —— 怎么理解？
A：知识图谱像一张”人物关系网”：节点是人/物，边是关系（谁提出啥）。三元组（Triple）是基本单位，如 (爱因斯坦, 提出, 相对论)。比起关系数据库，它 schema 灵活、天生会推理。
Q3：二、实体与关系提取 —— 怎么理解？
A：从文本里挖实体（NER）和关系，方法从规则、监督学习到 LLM-based。像从一堆新闻里摘出”谁、干了啥、和谁有关”，攒成可查询的知识网。远程监督能自动标注但带噪音。
Q4：三、GraphRAG 核心思想 —— 怎么理解？
A：传统 RAG 只捞局部片段；GraphRAG 先抽实体/关系建图谱，再做图检索 + 社区检测（Leiden 算法）生成摘要。优势：结构化表示、多跳推理、全局上下文、可解释路径。
Q5：四、图嵌入与混合系统 —— 怎么理解？
A：TransE 核心 “h + r ≈ t”：头实体加关系约等于尾实体，像”北京+首都→≈中国”。混合系统用路由（router）分配：语义搜索走向量库，结构化查询走图谱，结果融合。
Q6：核心速记主线有哪些？
-
图谱 = 节点+边的三元组网络
-
提取：NER + 关系，多法结合
-
GraphRAG：建图→社区摘要→图检索
-
混合：向量库 + 图谱，路由分流
口诀
A：图谱一张关系网，实体边上记端详；
抽实体建图增强，多跳推理不慌张。
TransE 加关系近，混合检索两头忙；
向量图谱相映照，答案靠谱路更长。
相关链接