知识图谱与向量数据库的相遇

之前聊过《大模型应用的10种架构模式》，其中知识图谱作为RAG系统里一项关键技术，已经成了一个独立的架构范式。不过，现在绝大多数RAG系统的标配其实是向量数据库。这就引出一个很有意思的话题：当严谨的知识图谱，遇上灵活的向量数据库，二者究竟是竞争关系，还是能碰撞出不一样的火花？

1. 知识图谱：一张精密的“关系网”

说到知识图谱，它本质上就是一种将信息结构化、用来表达不同概念之间关系的工具。你可以把它想象成一张地图，把散布在各个角落的数据点连接起来，并清晰地标明它们之间的“路”。正因为它擅长处理这种复杂的连接关系，才被广泛用于存储和组织海量信息。

1.1 它的核心优势在哪？

知识图谱通常跑在图数据库上，这为集中式的信息管理提供了坚实的基础。它的厉害之处在于几个方面：一是通过结构化的存储让信息随时可查；二是强大的搜索能力，能让你在海量数据中快速定位；三是好用的协作功能，方便团队共享知识并持续迭代。

节点与边

最简单的理解，知识图谱由“节点”和“边”组成。节点代表一个实体或概念，比如一本书、一位作者、一个类型；而“边”就是连接这些节点的线，说明它们之间的关系，比如“属于什么类别”或“由谁创作”。

语义关系

它不只看表面词汇，而是能真正理解数据背后的“语义”和“上下文”。这意味着，当你在做推荐系统或搜索引擎时，它能给出更有“脑子”的结果，而不是单纯的关键词匹配。

灵活性

相比传统数据库处理复杂关系时的“痛苦面具”，知识图谱对这种相互交织的数据可谓驾轻就熟，弹性十足。

1.2 举个查询的小例子

假设你有一个关于图书的知识图谱，你想找出某位作者写过的所有书，代码大概是这样：

# 使用SPARQL 来通过作者查找图书
query = "
SELECT ?bookTitle WHERE {
  ?book rdf:type :Book .
  ?book :writtenBy :AuthorName .
  ?book :title ?bookTitle .
} "

你看，`?bookTitle` 是这个查询的变量，它会搜集所有满足“`writtenBy`”这个关系的书籍名称。整个过程非常清晰，就像在跟一张活地图对话。

2. 向量数据库：一个“数学式”的检索器

向量数据库的玩法就完全不同了。它把所有数据都转化成“向量”——也就是一串串数字序列。在机器学习的语境里，每个数据点（比如一张图片、一段文字）的特征，都可以用这样一个向量来表示。

2.1 它擅长处理什么？

向量数据库在处理那些“非结构化”或“高维”数据时，简直是天生的王者。比如海量的图片、文档、音频信号。它们生来就是为了快速、高效地处理这类大型数据集。

数值表达

所有数据都变成了数学意义上的“数值向量”，这就为后续的数学运算打开了大门，比如我们常说的“相似度搜索”或机器学习任务。

高效率的搜索

它最擅长的就是“找相似”。无论你的数据量有多大，它都能嗖的一下，通过计算向量之间的“距离”或“夹角”，找到最接近的那几个。这是做图像或文本相似性搜索的核心引擎。

高维空间

向量可以有成百甚至上千个维度，用这种高维空间来表达数据，可以非常细腻。比如一张图片，它的像素、颜色、纹理等各种特征都能被浓缩进这个高维向量里。

2.2 向量数据库怎么查？

还是用例子说话。假设你有一个存满了图像向量的数据库，你想找出一张和给定图片最相似的几张：

import faiss
import numpy as np

# `image_vectors` 是所有图像的向量库，`query_vector` 是你要找的那张图的向量
index = faiss.IndexFlatL2(image_vectors.shape[1])
index.add(image_vectors)

# 查一下，找出最像的5张
D, I = index.search(np.array([query_vector]), 5)
print("Indices of similar images:", I)

这里用`IndexFlatL2`创建了一个基于欧几里得距离的索引，然后搜一下，前5个最像的图片ID就出来了，非常直接。

3. 一张表看清它们的区别

简单粗暴地对比一下，两者在数据表达、应用场景和性能上的侧重点完全不同。知识图谱是理解“关系”的专家，而向量数据库是处理“高维数据”和“相似搜索”的专家。

对比项	知识图谱	向量知识库
数据表达	用节点和边构建的图形结构，天生适合表达实体及其关联。	用数值向量表示数据点，为高维数据和数值计算而生。
用例	场景的核心是理解实体之间的关系，比如语义搜索、推荐系统、知识管理。	场景的核心是“找相似”，比如图像识别、自然语言处理、相似性推荐。
性能	在表达复杂关系上非常灵活，但面对海量数值数据时可能会出现性能瓶颈。	数值计算和相似搜索性能强悍，但在表示复杂关系上相对“笨拙”。

4. 当“关系”遇上“相似”：强强联合

说了这么多，是不是觉得它们各有千秋，非要二选一？其实，真正的王者玩法是**融合**。在某些场景下，把两者结合起来，能产生1+1>2的爆炸效果。

比如，在推荐系统里。我们可以先用知识图谱搞清楚用户和商品之间的“关系链路”，比如“用户喜欢某本书，那这本书的作者还写过其他什么书？”；然后，再用向量数据库对这些候选书做“相似度搜索”，找出和用户口味最贴切的那几本。逻辑上，这个流程是这样的：

kg_query = "'
SELECT ?relatedItem WHERE {
  :UserID :likes ?item .
  ?item :relatedTo ?relatedItem .
} "'

# 知识图谱给出一个相关物品的候选列表
related_items = ["Item1", "Item2", "Item3"]

# 调用向量数据库，对每一个候选物品进行深度相似性搜索
similar_items = []
for item in related_items:
    item_vector = get_vector(item) 
    D, I = index.search(np.array([item_vector]), 5)
    similar_items.extend(I)

# 最终得出一个既有关联逻辑，又高度“投其所好”的推荐列表
print("Recommended items:", similar_items)

这样，你的推荐系统既有了“懂关系”的逻辑深度，又有了“找相似”的精准度。

5. 知识图谱的向量化：让它也能“算”起来

另一种结合的思路，就是直接把知识图谱本身“向量化”。这通常通过一个叫做“嵌入模型”的东西来实现。它的目标很简单：把图谱里的每一个实体和每一条关系，都映射到一个低维的向量空间里。核心逻辑是：如果两个实体在图谱里有一条特定的关系存在，那么在向量空间里，经过某种转换后，它们的“距离”就应该很近。

5.1 两种典型的嵌入模型

是最经典的模型之一。它假设：对于 (头实体, 关系, 尾实体) 这样一个三元组，头实体的向量加上关系的向量，应该约等于尾实体的向量。这种设计简单又高效，非常适合处理那些“A connected-to B”这种明确的关系。

而**PairRE** 的思路更复杂一些。它给每个关系都配了**两个**向量（一个管头实体，一个管尾实体），然后通过哈达马积（元素点乘）来计算。这允许它处理更复杂的、非对称的关系模式，从而更精细地区分实体在关系里扮演的不同角色。

这些模型的训练其实很“暴力”。它们会通过梯度下降法，不断调整所有实体的向量，让模型满足上述的约束关系（比如让TransE里的“h+r ≈ t”尽量成立）。但问题是，知识图谱太大了，所有可能的三元组数量是按平方级增长的，根本算不过来。所以，行业里普遍采用“负采样”技术：随机破坏一些正确的三元组（比如把尾实体换成另一个随机实体），然后让模型学会区分“真的”和“假的”关系，这样计算量就小多了。

5.2 评价模型好不好：Link Prediction

衡量这些嵌入模型效果如何，通常看的是它在 **链接预测** 任务上的表现。链接预测又分两种：

• 二分类：
  这个三元组是真还是假？比如用来做事实核查。

• 排序：
  “(头实体, 关系, ?)”，让模型预测缺的那个尾实体最可能是谁。这在推荐系统和问答里很常见。

评估的指标主要是两个：

• Hits@N：
  在模型预测的前N个结果里，到底有没有真正正确的那个？比如，如果正确答案排在Top3里，那Hits@3就是100%；如果没排到第一，Hits@1就是0%。

• MRR (平均倒数排名)：
  关注正确答案的具体排名位置。它计算的是所有正确结果的排名倒数，然后取平均值。比如，正确答案排第3，那它的倒数排名就是1/3。

5.3 嵌入模型背后的“学习机制”

为什么这些嵌入模型能学得好？目前来看，它们主要依赖三种不同的学习机制：

这有点“管中窥豹”的意思。模型不直接看图的结构，而是看实体和关系在数据里共同出现的“频次”和“模式”。通过计算它们之间的点积或相似度来打分。这在数据本身有很强的共现模式时非常管用。

这是利用图谱的“拓扑结构”来学习。模型会观察哪些节点是连在一起的，哪些是分开的。在训练时，它会努力让有边连接的节点向量更近，没有边连接的更远。这样做能很好地反映实体的“邻近关系”。

这是用来“发现规则”的。主题指的是图谱中那些反复出现的、小的子图模式，比如：“如果A和B是兄弟，B和C是兄弟，那么A和C也是兄弟”。模型可以通过优化关系向量，来学习并满足这些隐含的逻辑规则。

5.4 如何更公正地评价嵌入质量？

在评价链接预测任务时，传统的负样本往往太“好做”了。所以现在更倾向于增加负样本的数量和多样性，让测试变得更有挑战性。像**R-MRR**（重采样指标）这种更精细的指标，正在被越来越频繁地与标准MRR一起使用，以得到更公正、更准确的模型性能评估，尤其是在处理超大知识图谱时，统一的负样本可能会严重误导结果。

6. 结语：不是谁取代谁，而是谁服务于谁

知识图谱和向量数据库，一个代表“逻辑与关系”，一个代表“数学与相似”，它们的优势领域不同，但并非互斥。知识图谱是构建复杂语义的骨架，向量数据库是高效检索相似内容的引擎。在实践中，聪明的做法往往是将两者结合：用知识图谱来指导“找什么”，用向量数据库来执行“怎么找”。而将知识图谱本身向量化，则是另一种深度融合的尝试，它让静态的“关系网”真正动起来，参与到计算中去。

可以确定的是，这两大技术的交叉与融合，将是未来RAG系统乃至整个AI应用架构能力升级的关键方向。

【参考资料】

• "PairRE: Knowledge Graph Embeddings via Paired Relation Vectors", arxiv.org/pdf/2011.03798v3
• 在大模型RAG系统中应用知识图谱
• 面向知识图谱的大模型应用
• 让知识图谱成为大模型的伴侣
• 知识图谱的5G追溯
• 从语义网到知识图谱
• 行业规模的知识图谱——经验和挑战
• 知新温故，从知识图谱到图数据库
• 解读向量数据库
• 解读：基于图的大模型提示技术
• 7B？13B？175B？解读大模型的参数
• 大模型应用的10种架构模式