知识图谱
知识图谱是一种把人物、地点、事件、概念等“实体”作为点，把实体之间的关系作为线连接起来，像网一样存储知识的方式。这样，计算机就能读取并推敲“什么与什么以何种方式相连”。
工作原理
知识图谱的基本单位是由“主语–关系–宾语”三部分组成的语句。例如“首尔 – 是首都 – 韩国”。万维网标准组织 W3C 制定的数据格式 RDF 正是采用这种方式，这样的三部分被称为“三元组”。三元组积累起来，就形成由点（实体）和带名称的箭头（关系）构成的大网络。再加上“城市是地点的一种”这样的概念体系（本体），就能通过逻辑推出并未直接写明的事实。
发展历程
用图来表示知识的想法由来已久，据说“知识图谱”一词也是由奥地利语言学家埃德加·W·施奈德于 1972 年首次使用。此后，在建设机器可读网络的“语义网”潮流中，出现了 RDF、OWL 等标准，2007 年又出现了 DBpedia 这类整理维基百科内容的通用知识库。2020 年 Hogan 等人的论文《Knowledge Graphs》汇集介绍了知识图谱的方方面面，包括数据模型、查询语言以及构建、完善和质量检查的方法，起到了入门读物的作用。2023 年 Pan 等人的论文《Unifying Large Language Models and Knowledge Graphs: A Roadmap》将 LLM 与知识图谱的结合路径分为三类：用知识图谱增强 LLM、用 LLM 辅助构建知识图谱，以及两者相互补充、协同推理。
为什么重要
LLM 知道的东西很多，但这些知识模糊地混杂在模型内部，容易产生说错事实的幻觉。知识图谱用明确的连接记录事实，因此便于核查和解释答案的依据。所以它长期用于搜索引擎、语音助手和推荐系统，如今也成为 GraphRAG 等为 LLM 提供准确事实的方法的基础。在基因组、蛋白质研究等处理复杂关系的科学领域，其应用也在增加。
注意事项
构建知识图谱并保持其最新状态需要大量人力。世界上的事实不断变化，而图谱无法自行补充其中没有的新知识。此外，需要事先约定把什么当作实体、使用哪些关系名称，因此合并不同来源的数据时，统一写法和标准很棘手。近来，让 LLM 协助完成此类构建工作的研究十分活跃。
示例
在搜索引擎中搜索知名人物或城市时，常会单独弹出一个整理好出生地、相关人物、所属机构等信息的框。这类功能就是以连接了实体和关系的知识图谱为基础的。向语音助手提出“这部电影的导演还拍过哪些作品？”这类需要多步推理的问题时，也会沿着“电影 → 导演 → 其他作品”的连接逐步查找。企业也会把内部文档、产品和客户信息编织成知识图谱，再让 LLM 聊天机器人参考它给出有依据的回答。