知识图谱

知识图谱是现实世界实体及其之间关系的结构化表示。与将数据存储在固定行和列中的标准数据库不同，知识图谱将信息组织为由节点（代表对象、人物或概念）和边（代表这些节点之间的连接或交互）组成的网络。这种结构模仿了人类组织信息的方式，使人工智能 (AI)系统能够以更具语义和互联的方式理解上下文、推断新事实并对数据进行推理。

了解结构

知识图谱的核心是构成“三元组”（主语-谓语-宾语）的三个主要组成部分：

• 节点（实体）： 这些是独立的数据点，例如“伦敦”、“python”或“Ultralytics YOLO26”。在计算机视觉任务中，它们可能代表detect到的对象，如“汽车”或“行人”。
• 边（关系）：这些不同的线连接节点并定义它们之间的关系。例如，一条边可以将“伦敦”和“英国”之间的关系标记为“是……的首都”。
• 属性：描述节点的附加细节，例如城市的人口或目标detect的置信度分数。

这种网状结构使系统能够执行语义搜索，即搜索引擎理解用户意图，而不仅仅是匹配关键词。例如，了解“Jaguar”既是一种动物又是一个汽车品牌，系统就可以根据上下文区分结果。

与机器学习集成

知识图谱对于增强 机器学习 (ML) 模型变得越来越重要。尽管深度学习模型擅长统计模式识别，但它们往往缺乏事实依据。整合知识图谱使模型能够访问经过验证的“世界观”。

• 检索增强生成 (RAG):生成模型有时会产生看似合理但不正确的信息。通过将 大型语言模型 (LLMs) 与知识图谱相结合，AI 智能体可以在生成响应之前查询经过验证的真实来源。这显著 减少了 LLMs 中的幻觉，并提高了企业应用的实际准确性。
• 推荐系统：在零售AI中，图谱映射了用户和产品之间复杂的关联。如果客户购买了相机，图谱会理解其与“SD卡”或“三脚架”的功能链接，从而实现比简单协同过滤更智能的推荐。

代码示例：提取图形的实体

计算机视觉模型通过识别现实世界中的物理实体，作为填充知识图谱的绝佳入口。以下 python 代码片段演示了如何使用 Ultralytics YOLO26 模型来 detect 图像中的对象。这些 detect 到的类别可以作为节点，然后可以在图数据库（如 Neo4j 或 Amazon Neptune）中进行链接。

from ultralytics import YOLO

# Load the latest YOLO26 model (released Jan 2026)
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities
results = model("https://ultralytics.com/images/bus.jpg")

# Extract unique detected object names to serve as graph nodes
# e.g., {'bus', 'person'}
detected_entities = {results[0].names[int(c)] for c in results[0].boxes.cls}

print(f"Graph Nodes: {detected_entities}")

实际应用

1. 医疗保健领域的药物发现：医疗AI领域的研究人员利用知识图谱来建模生物相互作用。通过链接来自UniProt等数据库的基因、蛋白质和化合物等实体，算法可以预测潜在的药物靶点和副作用，从而加速新疗法的开发。
2. 供应链数字孪生：物流公司利用知识图谱为其运营创建“数字孪生”。节点代表供应商、仓库和库存，而边则代表运输路线和依赖关系。这种结构有助于大数据分析，使管理者能够预测延误并动态优化路线。

知识图谱对比关系数据库

将知识图谱与传统的 关系数据库 (RDBMS) 区分开来很重要。关系数据库将数据存储在由外键连接的固定表中，这对于结构化、事务性数据（如银行账本）非常高效。然而，查询复杂关系（例如，“查找喜欢科幻的朋友的朋友”）需要昂贵的“连接”操作。

相比之下，知识图谱（通常存储在 图数据库 中）将关系视为一等公民。遍历连接是即时的，这使得图在涉及高度互联数据的任务中更具优势，例如欺诈 detect 网络或社交网络分析。尽管 RDBMS 擅长特定记录的存储和检索，但知识图谱擅长发现连接本身的模式和隐藏洞察。

多模态AI的未来展望

知识图谱的未来在于 多模态学习。随着 Ultralytics YOLO26 等模型在物体检测和 姿势估计 方面不断进步，它们将自动把视觉上下文输入到图谱中。这将创建不仅能“阅读”文本，还能“看见”世界的系统，将视觉概念与语言定义联系起来。使用 Ultralytics Platform，开发者可以训练这些专门的视觉模型来识别自定义实体，有效地为下一代知识感知型 AI 系统构建感知器官。