Граф знаний — это способ организации информации в виде сети сущностей (объектов окружающего мира, таких как люди, места, продукты или понятия) и связей, которые их соединяют. Вместо того чтобы хранить факты в изолированных таблицах или документах, граф знаний объединяет их между собой, так что утверждение вроде «Париж — столица Франции» представляется в виде структурированного триплета: субъект (Париж), предикат (является столицей) и объект (Франция). Такая структура позволяет программному обеспечению обходить связи, следовать по цепочкам смысла и выдавать ответы, выходящие за рамки простого сопоставления ключевых слов.
Как работает граф знаний
В своей основе граф знаний строится из триплетов, выраженных в формальной схеме — чаще всего на языке Resource Description Framework (RDF) или в модели графов свойств, используемой такими базами данных, как Neo4j. Каждый триплет утверждает факт: (Мария Кюри) — открыла — (Радий). Узлы содержат свойства и типы (например, «Человек»), а рёбра — характер связи. Схема или онтология определяет, какие виды сущностей и связей допустимы, что позволяет графу обеспечивать согласованность и поддерживать базовые логические выводы.
Построение обычно представляет собой конвейер извлечения и интеграции. Исходные документы, базы данных или веб-страницы разбираются, распознаются именованные сущности, извлекаются кандидатные связи (часто с помощью моделей машинного обучения), а результаты сопоставляются с существующим графом для объединения дубликатов. Затем языки запросов, такие как SPARQL или Cypher, позволяют приложениям задавать вопросы в форме графа, например: «какие учёные работали в организациях, финансируемых X, и публиковались по теме Y?» — то, что потребовало бы дорогостоящих соединений в реляционной базе данных.
Почему это важно
Графы знаний дают системам ИИ общую, явную основу фактов, к которой можно обращаться. Поисковые системы используют их для формирования панелей прямых ответов; рекомендательные системы — для поиска связанных объектов по общим атрибутам; а большие языковые модели — как источник обоснованной, актуальной информации посредством таких методов, как генерация с дополнением извлечением. Делая связи первоклассными, граф знаний также обеспечивает прослеживаемость происхождения и контекста данных, что критически важно в таких областях, как здравоохранение, финансы и управление корпоративными знаниями, где галлюцинации и устаревшие данные представляют реальную опасность.
Основные типы
- Открытые / публичные графы знаний — крупные графы общего назначения, такие как Wikidata, DBpedia и Google Knowledge Graph, построенные на основе открытых источников и используемые для обогащения поиска и ассистентов.
- Корпоративные графы знаний — частные графы, объединяющие внутренние данные компании (клиенты, продукты, контракты, активы) для аналитики, комплаенса и приложений ИИ.
- Предметные графы знаний — узкоспециализированные графы в конкретной области, например в биомедицине (UMLS, Gene Ontology) или материаловедении, где контроль словаря и курирование важнее широты охвата.
- Мультимодальные графы знаний — расширения, связывающие текстовые узлы с изображениями, видео или аудио, что обеспечивает кросс-модальный поиск и логический вывод.
При всех своих разновидностях определяющей чертой графа знаний остаётся то, что связи являются такими же запрашиваемыми, как и соединяемые ими объекты, — превращая разрозненные факты в навигаемую, машиночитаемую карту предметной области.