要创建一个知识图谱，需要两部分信息：

要创建一个知识图谱，需要两部分信息：
1. 知识库：可以是文本语料库、代码库、文章集合等。
2. 本体：关心的实体类别及其关系类型。

以创建关于处方药及其相互作用的临床研究的知识图谱为例，可能会使用一个不同的本体，其中化合物、用法、效果、反应等构成本体。

利用大语言模型（LLM）创建知识图谱时，会存在一些挑战：
– 有意义的实体：LLM 提取的实体类别可能过于多样化，可能会错误地将抽象概念标记为实体，如在“比尔博·巴金斯庆祝他的生日并将戒指留给弗罗多”中，可能错误地提取“比尔博·巴金斯庆祝他的生日”或“庆祝他的生日”作为“动作”，而提取“生日”作为“事件”可能更有用。
– 一致的实体：可能在不同的上下文中错误地标记相同的实体，如‘Sauron’、‘the Dark Lord Sauron’和‘the Dark Lord 不应该被提取为不同的实体，或应通过等价关系连接。
– 解析的弹性：LLM 的输出本质上不可预测，要从大文档中提取知识图谱，需将语料库拆分成较小的文本块，然后为每个块生成子图，LLM 必须根据给定的模式一致地输出 JSON 对象，丢失一个可能会对整个图谱的连接性产生不利影响。

此外，目前出现了四种将知识图谱与大语言模型结合的模式：
1. 使用 LLM 创建知识图谱：利用 LLM 的自然语言处理功能处理大规模文本数据，然后让不透明的 LLM 生成透明的知识图谱，知识图谱可检查、质量保证并仔细挑选。
2. 使用知识图谱训练 LLM：不在大规模通用语料库上训练 LLM，而是专门在现有知识图谱上训练，构建精通产品和服务的聊天机器人，能不臆造地回答问题。
3. 在 LLM 交互路径中使用知识图谱丰富查询和响应：拦截 LLM 的消息，用知识图谱的数据对其进行丰富，如结合电影知识图谱的流行电影及其演员信息可丰富提示，从 LLM 返回时可解析嵌入到知识图谱中，为用户提供更多见解。
4. 使用知识图谱创建更好的模型：如华盛顿大学 Yejin Choi 的研究，一个 LLM 由名为“critic”的小型 AI 增强，该 AI 寻找 LLM 响应中的推理错误，同时为后续消费创建知识图谱，以训练一个更准确的“student”模型，该 student 模型规模更小、在许多基准测试上更准确。

总之，创建生成式 AI 知识图谱需要综合考虑多种因素和模式，以克服 LLM 带来的挑战，实现更准确、有用的知识图谱。https://tuingai.com/