Knowledge Graph

了解知识图谱如何为 AI 组织现实世界的实体和关系。探索如何使用 Ultralytics YOLO26 提取节点并增强 ML 模型。

知识图谱是真实世界实体及其之间关系的结构化表示。与将数据存储在僵硬行列中的标准数据库不同，知识图谱将信息组织为由节点（代表物体、人员或概念）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性的方式理解上下文、推断新事实并对数据进行推理。

理解其结构#

知识图谱的核心是构成“三元组”（主体-谓词-客体）的三个主要组件：

节点（实体）： 这些是独特的数点，例如“伦敦”、“Python”或“Ultralytics YOLO26”。在计算机视觉任务中，这些可能代表检测到的对象，如“汽车”或“行人”。
边（关系）： 这些独特的线连接节点并定义它们如何关联。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（Properties）： 描述节点的其他详细信息，例如城市的人口或目标检测的置信度分数。

这种网状结构使系统能够执行语义搜索，在此过程中，引擎理解用户的意图而不仅仅是匹配关键词。例如，知道“Jaguar”既是动物又是汽车品牌，可以使系统根据上下文区分结果。

与机器学习的集成#

知识图谱对于增强机器学习 (ML) 模型越来越至关重要。虽然深度学习模型擅长统计模式识别，但它们通常缺乏事实依据。集成知识图谱允许模型访问经过验证的“世界观”。

检索增强生成 (RAG)： 生成式模型有时会产生看似合理但实际上不正确的信息。通过使用知识图谱为大语言模型 (LLMs) 提供基础支撑，AI 智能体可以在生成响应之前查询经过验证的真实数据源。这显着减少了大语言模型中的幻觉并提高了企业应用的事实准确性。
推荐系统： 在零售领域的 AI 中，图谱映射了用户与产品之间的复杂关系。如果客户购买了相机，图谱就会理解其与“SD 卡”或“三脚架”的功能链接，从而比简单的协同过滤提供更聪明的建议。

代码示例：为图谱提取实体#

计算机视觉模型通过识别现实世界中的物理实体，充当填充知识图谱的出色入口点。以下 Python 代码片段演示了如何使用 Ultralytics YOLO26 模型检测图像中的对象。这些检测到的类别可以充当节点，然后可以将其链接到图数据库（如 Neo4j 或 Amazon Neptune）中。

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#

医疗保健中的药物发现： 医疗保健领域的 AI 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标和副作用，从而加速新疗法的开发。
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，而边代表运输路线和依赖关系。这种结构促进了大数据分析，使管理者能够预测延迟并动态优化路线。

知识图谱与关系型数据库的对比#

将知识图谱与传统的 关系型数据库 (RDBMS) 区分开来非常重要。关系型数据库将数据存储在通过外键链接的僵化表中，这对于结构化的事务性数据（如银行账簿）非常有效。然而，查询复杂的关系（例如“寻找喜欢科幻小说的朋友的朋友”）需要昂贵的“连接 (join)”操作。

相比之下，知识图谱（通常存储在图数据库中）将关系视作一等公民。遍历连接是即时的，这使得图谱非常适合处理高度互联的数据的任务，例如欺诈检测网或社交网络分析。虽然 RDBMS 擅长存储和检索特定记录，但知识图谱擅长发现连接本身内的模式和隐藏洞察。

多模态 AI 的未来展望#

知识图谱的未来在于多模态学习。随着像 Ultralytics YOLO26 这样的模型在目标检测和姿态估计方面不断进步，它们将自动把视觉上下文馈送到图谱中。这创造了不仅能“阅读”文本而且能“看”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，从而有效地为下一代具备知识感知能力的人工智能系统构建感觉器官。