Knowledge Graph

知识图谱是对现实世界中的实体及其相互关系进行结构化表示的一种方式。与将数据存储在固定行列中的标准数据库不同，知识图谱将信息组织成由节点（表示对象、人物或概念）和边（表示这些节点之间的连接或交互）组成的网络。这种结构模拟了人类组织信息的方式，使人工智能 (AI)系统能够理解上下文、推断新事实，并以更具语义性且相互关联的方式对数据进行推理。

了解其结构#

知识图谱的核心是构成“三元组”（主语-谓语-宾语）的三个主要组件：

• **节点（实体）：**这些是彼此独立的数据点，例如“伦敦”“Python”或“Ultralytics YOLO26”。在计算机视觉任务中，它们可能表示检测到的对象，例如“汽车”或“行人”。
• **边（关系）：**这些彼此独立的线连接节点，并定义节点之间的关联方式。例如，一条边可能将“伦敦”和“英国”之间的关系标记为“is_capital_of”。
• **属性（特征）：**用于描述节点的其他详细信息，例如城市人口或对象检测的置信度分数。

这种类似网络的结构使系统能够执行语义搜索，让搜索引擎理解用户意图，而不只是匹配关键词。例如，了解“Jaguar”既是一种动物，也是一个汽车品牌，可以让系统根据上下文区分搜索结果。

与机器学习的集成#

知识图谱对于增强机器学习 (ML)模型日益重要。深度学习模型擅长进行统计模式识别，但通常缺乏事实依据。集成知识图谱后，模型便可以访问经过验证的“世界观”。

• **检索增强生成 (RAG)：**生成式模型有时会生成看似合理但不正确的信息。通过使用知识图谱为大型语言模型 (LLMs)提供事实依据，AI 智能体可以在生成响应前查询经过验证的事实来源。这能显著减少LLMs 中的幻觉，并提高企业应用中的事实准确性。
• **推荐系统：**在零售领域的 AI中，图谱可以映射用户与产品之间的复杂关系。如果客户购买了一台相机，图谱就能理解它与“SD 卡”或“三脚架”之间的功能关联，从而提供比简单协同过滤更智能的推荐。

代码示例：提取实体以构建图谱#

计算机视觉模型通过识别现实世界中的物理实体，成为填充知识图谱的绝佳切入点。下面的 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，随后连接到图数据库（例如 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#

1. 医疗保健领域的药物发现：医疗保健领域的 AI研究人员利用知识图谱对生物交互进行建模。通过关联来自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，从而加快新疗法的开发。

2. **供应链数字孪生：**物流公司利用知识图谱创建运营的“数字孪生”。节点表示供应商、仓库和库存，边表示运输路线和依赖关系。这种结构有助于开展大数据分析，使管理人员能够预测延迟并动态优化路线。

知识图谱与关系数据库的比较#

区分知识图谱与传统的**关系数据库 (RDBMS)**非常重要。关系数据库将数据存储在由外键连接的固定表中，这对于结构化事务数据（例如银行账本）十分高效。然而，查询复杂关系（例如“查找喜欢科幻作品的朋友的朋友”）需要执行开销高昂的“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。遍历连接可以即时完成，因此图谱更适合处理高度互联的数据任务，例如欺诈团伙检测或社交网络分析。RDBMS 擅长存储和检索特定记录，而知识图谱则擅长从连接本身发现模式和隐藏的洞察。

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等模型在对象检测和姿态估计方面不断进步，它们将自动把视觉上下文输入图谱。这将创建一种不仅能“阅读”文本，还能“看见”世界的系统，将视觉概念与语言定义关联起来。借助Ultralytics Platform，开发者可以训练这些专用视觉模型来识别自定义实体，从而有效构建下一代具备知识感知能力的 AI 系统的感知器官。