Knowledge Graph

Đồ thị tri thức là biểu diễn có cấu trúc của các sự kiện, trong đó các nút là thực thể như con người, địa điểm, sản phẩm hoặc khái niệm, còn các cạnh có nhãn thể hiện mối quan hệ giữa chúng. Mỗi sự kiện là bộ ba gồm chủ thể, vị từ và đối tượng, chẳng hạn (Marie Curie, sinh tại, Warsaw); lược đồ hoặc ontology xác định những loại thực thể và mối quan hệ nào được phép. Vì các mối quan hệ được lưu tường minh, hệ thống có thể trả lời câu hỏi bằng cách lần theo các đường đi trong đồ thị, kết hợp sự kiện từ nhiều nguồn về cùng một thực thể và suy luận các sự kiện chưa từng được nêu trực tiếp. Knowledge Graph của Google, ra mắt năm 2012, cung cấp các bảng thông tin bên cạnh kết quả tìm kiếm, còn Wikidata, đồ thị tri thức miễn phí do các tình nguyện viên Wikimedia duy trì, có hơn 100 triệu mục.

Thực thể, mối quan hệ và bộ ba#

• Thực thể (nút): Đối tượng có danh tính, mỗi đối tượng được ontology xác định kiểu, chẳng hạn một người, một thành phố hoặc một hợp chất hóa học.
• Mối quan hệ (cạnh): Các liên kết có hướng và có nhãn như "sinh tại" hoặc "thủ đô của". Nhãn mang ý nghĩa, vì vậy (Warsaw, thủ đô của, Poland) và (Poland, thủ đô của, Warsaw) là hai khẳng định khác nhau.
• Thuộc tính: Giá trị cụ thể gắn với một thực thể, chẳng hạn ngày sinh hoặc dân số.
• Ontology: Lược đồ gồm các lớp, kiểu quan hệ và quy tắc, chẳng hạn mọi thủ đô đều là thành phố; nhờ đó bộ suy luận có thể rút ra sự kiện mới từ những sự kiện hiện có.

Hai mô hình dữ liệu chiếm ưu thế. Resource Description Framework (RDF) của W3C định danh từng thực thể và mối quan hệ bằng URI web, đồng thời lưu các bộ ba thuần túy có thể truy vấn bằng SPARQL, phù hợp với dữ liệu mở được liên kết như Wikidata. Đồ thị thuộc tính, được dùng trong cơ sở dữ liệu đồ thị như Neo4j, cho phép nút và cạnh có thuộc tính khóa-giá trị, đồng thời hỗ trợ truy vấn bằng các ngôn ngữ như Cypher hoặc GQL; ISO đã công bố GQL thành tiêu chuẩn vào tháng 4 năm 2024.

Trong đồ thị nhỏ này, câu hỏi "Marie Curie sinh ở quốc gia nào?" tương ứng với đường đi hai bước từ Marie Curie qua Warsaw đến Poland; các cạnh "đoạt giải" chung nối cả hai nhà Curie với giải thưởng năm 1903 mà họ cùng nhận.

Xây dựng và truy vấn đồ thị tri thức#

Đồ thị được tạo từ cơ sở dữ liệu đã tuyển chọn, từ văn bản thông qua nhận dạng thực thể có tên (NER) và trích xuất quan hệ, ngày càng được thực hiện bởi mô hình ngôn ngữ lớn (LLMs), cũng như từ hình ảnh. Sau đó, phân giải thực thể gộp các cách nhắc đến khác nhau của cùng một đối tượng, chẳng hạn "M. Curie" và "Marie Skłodowska-Curie", vào cùng một nút. Ngoài các truy vấn tường minh, embedding đồ thị tri thức như TransE biểu diễn mỗi thực thể và quan hệ thành một vector, rồi chấm điểm bộ ba ứng viên dựa trên mức độ gần nhau giữa tổng của thực thể đầu và quan hệ với thực thể cuối; cách này dự đoán các liên kết còn thiếu, còn mạng neural đồ thị học trực tiếp từ cấu trúc đồ thị.

Thị giác máy tính trích xuất thực thể và mối quan hệ từ hình ảnh. Đầu ra của detector YOLO26 trở thành các bộ ba (ảnh, chứa, lớp); kết hợp chúng với dữ kiện nền sẽ trả lời những câu hỏi mà riêng detector không thể giải đáp, chẳng hạn các loại phương tiện nào xuất hiện trong ảnh:

import networkx as nx
from ultralytics import YOLO

# Detect objects in an image
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Each detected class becomes an entity node linked to the image
graph = nx.DiGraph()
for class_id in result.boxes.cls.int().tolist():
    graph.add_edge("bus.jpg", result.names[class_id], relation="contains")

# Background knowledge as (subject, relation, object) triples
for subject, relation, obj in [("bus", "is_a", "vehicle"), ("car", "is_a", "vehicle"), ("person", "is_a", "human")]:
    graph.add_edge(subject, obj, relation=relation)

# Two-hop query: which detected entities are vehicles?
vehicles = [node for node in graph.successors("bus.jpg") if graph.has_edge(node, "vehicle")]
print(f"Vehicles in bus.jpg: {vehicles}")

Đồ thị tri thức và mô hình ngôn ngữ lớn#

LLM lưu tri thức ngầm trong trọng số, khiến việc kiểm tra hoặc cập nhật sự kiện trở nên khó khăn và dễ ảo giác. Đồ thị tri thức lưu sự kiện tường minh, kèm theo nguồn có thể trích dẫn và các chỉnh sửa có hiệu lực ngay lập tức. GraphRAG kết hợp cả hai: phương pháp này mở rộng tạo sinh tăng cường truy xuất (RAG) bằng cách truy xuất các thực thể có liên kết và đường đi quan hệ, hoặc bản tóm tắt các cộng đồng trong đồ thị, thay vì các đoạn văn bản rời rạc; điều này hữu ích với câu hỏi nhiều bước như nhà cung cấp nào của một linh kiện bị trễ cũng phục vụ nhà máy khác. LLM cũng chuyển câu hỏi bằng ngôn ngữ tự nhiên thành truy vấn SPARQL hoặc Cypher trên các đồ thị hiện có.

Ứng dụng thực tế#

• Tìm kiếm và trợ lý: Bảng thông tin thực thể, câu trả lời trực tiếp và trợ lý giọng nói tra cứu dữ kiện về con người, địa điểm và tổ chức trong các đồ thị lớn đã được tuyển chọn.
• Khám phá thuốc: Đồ thị y sinh liên kết gene, protein, hợp chất, bệnh và tác dụng phụ; dự đoán liên kết đề xuất các mục tiêu thuốc tiềm năng hoặc công dụng mới cho thuốc đã được phê duyệt.
• Phát hiện gian lận: Các tài khoản dùng chung thiết bị, địa chỉ hoặc thẻ thanh toán tạo thành những mạng lưới liên kết dễ nhận ra khi duyệt đồ thị, ngay cả khi từng tài khoản riêng lẻ trông bình thường.
• Hiểu cảnh: Đồ thị cảnh mô tả ảnh dưới dạng các đối tượng và mối quan hệ giữa chúng, chẳng hạn (người, cưỡi, ngựa). Dataset Visual Genome gán nhãn hơn 100.000 ảnh theo cách này để huấn luyện model trả lời câu hỏi về cảnh.

Đồ thị tri thức và các kho dữ liệu liên quan#

• Cơ sở dữ liệu quan hệ: Lưu bản ghi trong các bảng được liên kết bằng khóa ngoại, phù hợp với giao dịch có lược đồ cố định. Câu hỏi nhiều bước như "bạn của bạn bè đã mua sản phẩm này" cần một phép join cho mỗi bước, còn đồ thị duyệt trực tiếp các cạnh đã lưu.
• Cơ sở dữ liệu vector: Truy xuất mục theo độ tương đồng embedding, tìm được nội dung liên quan mà không cần liên kết tường minh. Đồ thị tri thức ghi lại chính xác mối quan hệ giữa hai thực thể; các hệ thống lai sử dụng cả hai.
• Ontology: Ontology là lược đồ về kiểu và quy tắc; đồ thị tri thức là lược đồ đó được bổ sung các sự kiện thực thể, chẳng hạn hàng triệu người, địa điểm và tác phẩm riêng lẻ trong Wikidata.