OpenKG-SIG | SIGData兴趣组：利用大模型构建LLM需要的知识图谱

随着大语言模型（LLM）的浪潮席卷而来，知识图谱这个领域也在悄然发生变化。过去，我们可能更关注如何规模化、自动化地构建图谱；但现在，一个核心问题摆在面前：既然大模型自己就能“说话”，那我们需要什么样的知识图谱来辅助它？

这个问题，正是OpenKG旗下数据兴趣组SIGData的核心探索方向。他们的使命可以用一句口号概括：为LLM构建知识图谱，并用LLM构建知识图谱。

SIGData兴趣组简介

Build KGs for LLM and by LLM！

OpenKG的核心使命之一是促进中文知识图谱数据的开放与互联。进入大模型时代，这个使命被赋予了新的内涵：我们不仅要回答“大模型需要怎样的知识图谱”，还要实践“如何利用大模型构建更有价值的开放知识图谱”。

因此，SIGData小组应运而生。它致力于两件事：一是持续建设和维护OpenKG的开放数据体系；二是充分挖掘大模型的潜力，探索一种新型的、更贴合大模型需求的开放知识图谱构建范式。简单说，就是要开源并维护一套能有效辅助大模型落地、缓解其“幻觉”、知识过时等问题的权威知识库，并提供相应的数据操作与社区平台。

• 建设并维护OpenKG开源图谱数据体系；
• 探索基于大模型的开放知识图谱构建方法；
• 构建服务于大模型的开放知识图谱。

目前，小组的代表性成果包括OpenKG数据地图、cnSchema以及近期重点推进的OneGraph项目。

SIGData成员结构

小组由浙江大学的张文和蚂蚁集团的刘志臻共同负责。目前团队已有来自学界与业界的11位成员加入，包括蚂蚁集团的梁磊、孙梦姝、伯仲璞，英国曼彻斯特大学助理教授Jiaoyan Chen，北京邮电大学教授鄂海红，杭州电子科技大学特聘副教授耿玉霞，以及浙江大学的多位博士生与硕士生：朱渝珊、徐雅静、孟佳卫、陈少凯、兰雅榕。

这个跨机构团队将不定期举行知识图谱数据的发布与专题研讨。

近期主要工作：OneGraph项目深度解析

OneGraph是SIGData当前的重点项目，其目标远大，旨在探索大模型与知识图谱的共生关系。

首先，是数据融合的内在需求。这些年开放的知识图谱数据越来越多，像WordNet和ConceptNet在词义上可以互补，又如“国内行政区划”图谱能完善“中国旅游景点”图谱的地理信息。如果能将这些分散但互补的数据自动融合起来，就能形成一份更完整、更强大的开放知识图谱。这是启动OneGraph的第一个初衷。

其次，也是更重要的，是大模型带来的时代机遇与挑战。大模型的崛起为知识图谱领域打开了新窗口：一方面，知识图谱以其准确、可编辑的特性，被视为矫正大模型“幻觉”和知识缺陷的利器；另一方面，大模型强大的通用理解能力，又为自动化、大规模构建高质量知识图谱提供了前所未有的可能。

但同时，一个根本性的拷问也随之而来：如果大模型本身已经像个庞大的“隐式知识库”，那我们还需要怎样的“显式知识图谱”？OneGraph项目，正是为了系统性地探索这个问题的答案。

1. 什么样的知识图谱对大语言模型更有用？
2. 大模型能否反过来，高效地帮助构建这类知识图谱？例如，它能否显著降低构建成本？能否将图谱的规模和质量都提升一个量级？

项目以OpenKG等平台的开放图谱为数据源，初步构建了一个规模超过一亿三元组的融合知识库，覆盖常识、人物、医疗、地理、金融、历史等多个领域。这个图谱不仅包含了概念、实体、事件及其关系，还纳入了文本对象（句子、段落等）以及概念层次、因果关系等复杂结构。经人工抽样评估，当前数据的整体准确率达到了87%。

• 准确性优于规模
  ：与过去追求海量数据而容忍一定噪声的思路不同，服务于大模型的知识图谱，必须把事实准确性放在首位。只有当图谱的知识准确率高于大模型自身的内部知识准确率时，它才对模型有正向增益。可以说，准确率越高，价值越大。

• 结构需更丰富，更具文本亲和性
  ：传统图谱侧重对概念和实体的建模。未来对大模型有用的图谱，需要建立更丰富的连接层次——不仅仅是概念和实体，还要连接事件、句子、段落乃至整个文档。在数据量分布上，可能会形成一个“倒钻石”结构：底层是大量的文本片段，上层是精炼的实体与概念。这样的结构，才更利于重塑大模型的知识体系，并与其本身的文本处理能力相兼容。

• 生成Schema
  ：利用大模型参数中存储的领域知识，我们能在给定顶层概念后，让它自动生成并构建详细的概念层次体系。例如，基于11个医疗顶层概念，大模型帮助我们构建了一个包含近1.5万个概念的医疗概念树。

• 术语翻译
  ：对于简短的英文概念或词组，使用大模型进行翻译，准确率可以达到84%。

• 三元组分类校验
  ：使用不同的大模型对现有三元组进行正确性分类。经过这一轮校验，概念类三元组的准确率从73.6%提升到了87.5%，实体类三元组的准确率也从84.3%提升至86.5%。

实践表明，大模型的生成能力，在提升图谱准确性、扩展知识覆盖面以及降低构建成本方面，确实能带来显著增益。

• 处理效率低
  ：受限于大模型的生成速度和上下文长度，处理海量三元组的效率不高。例如，用单卡推理一个720亿参数的大模型处理百万级三元组，可能需要长达20天（约每天5万条）。为此，我们不得不引入一个“前哨”模型：先训练一个Macbert模型对三元组进行粗分类（准确率83.5%），筛选后再交由大模型精处理，以提升整体流程效率。

• 输出不规范
  ：尽管可以通过提示词约束输出格式，但作为生成式模型，大模型仍有可能“不听话”，产生不符合约定的输出，这给批量、流程化的数据处理带来了额外的后处理负担。

• 存在内部知识冲突
  ：在生成概念层次时，偶尔会出现上下位概念形成循环的情况，这暴露了大模型内部知识存在矛盾。而且，除非是“环”这样明显的结构错误，否则很难发现其生成数据中更隐蔽的知识冲突。

一是继续依托OneGraph，深入探索如何利用大模型为LLM“量身打造”更有用的知识图谱；二是反方向探索，研究如何用OneGraph这类高质量图谱去增强大语言模型的能力，构建更强大的知识增强型大模型系统。相关数据与技术报告也将陆续发布。

这场关于“知识”与“模型”如何相互成就的探索，才刚刚开始。