知识图谱基础

基本原理解决的问题应用场景Python 库最小示例

知识图谱把对象、属性、关系与证据来源组织成可追溯结构，适合回答“关系怎么连”。

基本原理

知识图谱用实体、关系、属性和事件组织知识。最基本的表达是三元组：主体、关系、客体。例如“材料 A - 具有缺陷 - 孔隙”，“试验 B - 使用设备 - 高速相机”。

常见图谱模型有 RDF 和 Property Graph。RDF 强调标准语义和三元组，Property Graph 更适合工程中的节点、边、属性和图数据库查询。

解决的问题

知识图谱解决的是知识分散、关系复杂、需要解释路径的问题。它适合把文档、数据库、实验记录、标准规范和业务规则连接起来，让 LLM 或 Agent 能在结构化知识上检索和推理。

应用场景

• 制造：材料、设备、工艺、缺陷和质量问题关联。
• 医疗：疾病、症状、药物、检查和路径关联。
• 金融：账户、交易、实体、风险传播和关系网络。
• 法规：政策条款、适用对象、审批流程和证据链。
• 研发：论文、实验、数据、模型、结论和项目知识沉淀。

Python 库

库	用途
networkx	图结构建模、图算法、路径分析
rdflib	RDF 三元组和语义网数据
neo4j / py2neo	连接 Neo4j 图数据库
pyvis	交互式图可视化

最小示例

import networkx as nx

g = nx.DiGraph()
g.add_edge("材料A", "孔隙缺陷", relation="has_defect")
g.add_edge("孔隙缺陷", "疲劳寿命降低", relation="may_cause")
g.add_edge("实验001", "材料A", relation="uses_material")

path = nx.shortest_path(g, "实验001", "疲劳寿命降低")
print(" -> ".join(path))

这个例子展示如何用图结构表达实体关系和解释路径。