譯者 | 布加迪

審校 | 重樓

51CTO讀者成長計劃社群招募，咨詢小助手（微信號：CTOjishuzhan）

近些年來，知識圖已成為組織和訪問醫療保健、工業、銀行、保險到零售的不同行業中大量企業數據的一種重要工具。

知識圖是一種基于圖的數據庫，它以一種結構化和語義豐富的格式表示知識。這可以通過從結構化或非結構化數據中提取實體和關系來生成，比如來自文檔的文本。維護知識圖中數據質量的一個關鍵要求是將其建立在標準本體的基礎上。擁有標準化的本體常常需要將該本體整合到軟件開發周期中的成本。

組織可以采用一種系統性的方法來生成知識圖，方法是先攝取標準本體（比如保險風險），并使用GPT-3等大型語言模型（LLM）創建腳本以生成和填充圖數據庫。

第二步是使用LLM作為中間層，接受自然語言文本輸入，并在圖上創建查詢以返回知識。可以根據用來存儲圖的平臺定制創建和搜索查詢，比如Neo4j、AWS Neptune或Azure Cosmos DB。

一、結合本體和自然語言技術

這里概述的方法結合了本體驅動的技術和自然語言驅動技術，以構建一個可以輕松查詢和更新的知識圖，無需進行大量的技術工作來構建定制軟件。下面我們以一家保險公司為例，但是方法是通用的。

保險業面臨許多挑戰，包括需要以一種既高效又有效的方式管理大量數據。知識圖提供了一種以結構化和語義豐富的格式組織和訪問這些數據的方法。這可能包括節點、邊和屬性，其中節點表示實體，邊表示實體之間的關系，屬性表示實體和關系的屬性。

保險業中使用知識圖譜有幾個好處。首先，它提供了一種組織和訪問易于查詢和更新的數據的方法。其次，它提供了一種以結構化和語義豐富的格式表示知識的方法，這使得它更容易分析和解讀。最后，它提供了一種方法來集成來自不同數據源的數據，包括結構化數據和非結構化數據。

下面是分四個步驟的方法。不妨詳細看看每個步驟。

二、方法

1.研究本體，識別實體和關系

生成知識圖的第一步是研究相關的本體，并識別與該領域相關的實體和關系。本體是領域知識的正式表示，包括定義領域的概念、關系和約束。保險風險本體定義了與保險領域相關的概念和關系，比如保單、風險和保費。

本體可以使用各種技術加以研究，包括人工檢查和自動化方法。人工檢查包括閱讀本體文檔，并識別相關的實體和關系。自動化方法使用自然語言處理（NLP）技術從本體文檔中提取實體和關系。

一旦識別了相關的實體和關系，就可以將它們組織到知識圖的模式（schema）中。模式定義了圖的結構，包括用于表示實體和關系的節點和邊的類型。

2.為LLM構建文本提示，以生成本體的模式和數據庫

生成知識圖的第二步涉及為LLM構建文本提示，以生成本體的模式和數據庫。文本提示是本體、所需模式和數據庫結構的自然語言描述。它充當LLM的輸入，LLM生成Cypher查詢，用于創建和填充圖數據庫。

文本提示描述的對象應該包括：本體、第一步中識別的實體和關系以及所需的模式和數據庫結構。描述應該使用自然語言，并且易于被LLM理解。文本提示還應該包括模式和數據庫的任何約束或要求，比如數據類型、唯一鍵和外來鍵。

比如說，保險風險本體的文本提示可能是這樣的：

“為保險風險本體創建一個圖數據庫。每個保單都應該有一個唯一的ID，應該與一個或多個風險相關聯。每個風險都應該有一個唯一的ID，并且應該與一種或多種保費相關聯。每種保費都應該有一個唯一的ID，應該與一個或多個保單和風險相關聯。數據庫還應該包括確保數據完整性的約束，比如唯一鍵和外來鍵。”

文本提示準備好后，就可以將其用作LLM的輸入，以生成Cypher查詢，用于創建和填充圖數據庫。

3.創建查詢以生成數據

生成知識圖的第三步涉及創建Cypher查詢，為圖數據庫生成數據。該查詢是使用在第二步中創建的文本提示生成的，用于用相關數據創建和填充圖數據庫。

Cypher查詢是一種聲明性語言，用于創建和查詢圖數據庫。它包括創建節點、邊和它們之間關系的命令，以及查詢圖中數據的命令。

第二步中創建的文本提示符充當LLM的輸入，LLM基于所需的模式和數據庫結構生成Cypher查詢。LLM使用NLP技術來理解文本提示并生成查詢。

查詢應該包括為本體中的每個實體創建節點的命令以及表示它們之間關系的邊。比如說，在保險風險本體中，查詢可能包括為保單、風險和保費創建節點的命令，以及表示它們之間關系的邊。

查詢還應該包括確保數據完整性的約束，比如唯一鍵和外來鍵。這將有助于確保圖中的數據是一致而準確的。

一旦生成了查詢，就可以執行它，用相關數據創建和填充圖數據庫。

三、攝取查詢并創建知識圖

生成知識圖的最后一步是攝取Cypher查詢，并創建圖數據庫。查詢是使用第二步中創建的文本提示生成的，并被執行以便用相關數據創建并填充圖數據庫。

數據庫隨后可用于查詢數據和提取知識。圖數據庫是使用Neo4j之類的圖數據庫管理系統（DBMS）創建的。第三步中生成的Cypher查詢被攝入到DBMS中，DBMS在圖數據庫中創建節點和邊。

一旦創建了數據庫，就可以使用Cypher命令對其進行查詢以提取知識。LLM還可以用作中間層，以獲取自然語言文本輸入，并在圖上創建Cypher查詢以返回知識。比如說，用戶可以輸入問題，比如“哪些保單有高風險評級？”，LLM就可以生成Cypher查詢，從圖中提取相關數據。

知識圖還可以在新數據可用時進行更新。可以修改Cypher查詢，以添加新的節點和邊，更新后的查詢可以被攝入到圖數據庫中以添加新數據。

四、這種方法的幾個優點

1.標準化

攝取保險風險本體之類的標準本體，為在圖中標準化知識表示提供了一個框架。這使得集成來自不同來源的數據更加容易，并確保圖在語義上具有一致性。通過使用標準本體，組織可以確保知識圖中的數據是一致的、標準化的。這樣一來，就更容易集成來自多個來源的數據，并確保數據具有可比性、有意義。

2.效率

使用GPT-3生成Cypher查詢來創建和填充圖數據庫是一種實現流程自動化的有效方法。這減少了構建圖所需的時間和資源，并確保查詢在語法上和語義上是正確的。

3.直觀的查詢

使用LLM作為中間層來獲取自然語言文本輸入，并在圖上創建Cypher查詢以返回知識，這使得查詢圖來得更直觀、對用戶更友好。這樣用戶就不大需要深入了解圖結構和查詢語言。

4.生產力

在過去，開發知識圖需要開發定制軟件，這項工作費時又費錢。有了這種方法，組織可以利用現有的本體和NLP工具來生成查詢，減少了對開發定制軟件的需求。

這種方法的另一個優點是能夠在新數據可用時更新知識圖。可以修改Cypher查詢以加入新的節點和邊，更新后的查詢可以被攝入到圖數據庫中以添加新數據。這樣一來，更容易維護知識圖并確保它保持最新和相關。

原文鏈接：https://venturebeat.com/ai/how-to-use-large-language-models-and-knowledge-graphs-to-manage-enterprise-data/