知识图谱

人工智能和机器学习的应用

知识图谱是众多智能应用不可或缺的一部分：

• 语义搜索：搜索引擎利用知识图谱来理解查询背后的意图，并在简单的关键词匹配之外提供更多相关的上下文结果。这样，搜索引擎就可以通过遍历知识图谱来回答 "谁是苹果公司的首席执行官 "这样的直接问题。
• 推荐系统：通过对用户、物品及其属性之间的关系进行建模，知识图谱可在零售业人工智能和内容流等领域实现更复杂的个性化推荐。
• 问题解答和聊天机器人：知识图谱提供了结构化的知识，使人工智能系统能够通过浏览实体关系来回答复杂的问题，从而增强对话式人工智能的能力。
• 数据整合：知识图谱可以统一来自不同来源的数据，为整个组织创建一致且相互关联的信息视图。这对大数据分析至关重要，通常使用SPARQL 等语言进行查询。
• 增强其他人工智能模型：知识图谱可以为其他人工智能任务提供上下文背景知识。例如，在计算机视觉（CV）领域，知识图谱可以将Ultralytics YOLO11等模型识别出的物体与其属性或功能信息联系起来，从而实现更丰富的场景理解。Ultralytics HUB等平台可以管理数据集和模型，从而利用这些结构化知识。

真实案例

1. 电子商务个性化：一家在线零售商利用知识图谱将客户、产品、品牌、类别、浏览历史和购买数据联系起来。当用户搜索 "跑步鞋 "时，知识图谱帮助系统理解相关概念（如 "马拉松"、"越野跑"）和用户偏好，从而提供高度个性化的结果和配套产品推荐。这提升了客户的整体体验。
2. 医疗保健领域的人工智能解决方案：一家医疗研究机构建立了一个知识图谱，将疾病、症状、基因、药物和来自PubMed 等来源的研究出版物联系起来。这样，研究人员就可以查询复杂的关系，如 "查找靶向蛋白质 X 并用于治疗疾病 Y 的药物"，从而加速药物发现并改善医学图像分析的诊断支持。

知识图谱与相关概念

• 数据库传统的关系数据库将数据存储在预定义的、具有行和列的刚性表格中。知识图谱使用灵活的图谱结构（节点和边），更适合表示复杂、不断发展的关系和推断新的连接。Neo4j等现代图数据库就是专为管理这种结构而设计的。
• 向量搜索：这是一种根据矢量嵌入的接近程度来查找相似项目的方法。虽然向量数据库在相似性搜索方面效率很高，但它们并不像知识图谱那样明确存储关系。知识图谱定义的是显式连接，而向量搜索则是根据学习到的特征找到隐式连接。
• 大型语言模型（LLM）：LLM 在对大量文本进行训练后，会将知识隐含地存储在参数中。知识图谱以显式和可验证的方式存储知识。它们可以一起使用；LLM 在回答查询时可能会首先从知识图谱中检索事实信息，以减少幻觉并确保准确性，这是检索增强生成（RAG）的核心技术。