行業知識圖譜 (Domain Knowledge Graph)

3 秒看懂

一句話：把某個行業的專業知識——人、事、物、規則、流程——用「實體-關係-實體」的圖結構儲存起來，讓機器能”讀懂”並推論。

關鍵詞：結構化知識 | 圖資料庫 | 三元組 | 實體關係抽取 | 行業語義層

3 分鐘產業解釋

它解決什麼問題？

傳統資料庫存的是”行與列”，適合記錄交易、日誌；但行業專家腦子裡的知識是網狀的——“這個藥靶向哪個通路”、“這個晶片供應商的上游是誰”、“這筆轉賬經過了哪些殼公司”。

行業知識圖譜就是把這種網狀知識顯式地、機器可讀地建模出來。

和通用知識圖譜的區別

維度	通用知識圖譜	行業知識圖譜
覆蓋範圍	跨領域（維基類）	單一行業縱深
實體型別	人物、地點、事件	行業專有本體（晶片型號、臨床試驗、貿易單據等）
建置方式	眾包 + 自動抽取	領域專家 + 小模型 + 規則
資料敏感度	公開資料	常涉及商業機密、合規資料
精度要求	容忍噪聲	高精度、需人工稽核

落地場景（定性）

金融：企業關聯圖譜、反洗錢鏈路追蹤、信貸風控
醫藥：藥物-靶點-疾病關係、臨床試驗入排標準推論
工業/製造：裝置-故障-維修方案關聯、供應鏈溯源
政務/法律：案件要素抽取、法規適用推論

15 分鐘專家深入

1. 建置範式的演進

階段一：純人工（專家逐條錄入，成本極高）
    ↓
階段二：規則 + 模板匹配（正則、依存句法）
    ↓
階段三：統計NLP（CRF實體識別 + 遠端監督關係抽取）
    ↓
階段四：深度學習（BERT/BiLSTM 抽取 + GNN 推論）
    ↓
階段五：LLM + KG 協同（大型模型做抽取/補全，KG做事實約束）

當前主流：階段四與階段五並存。純用LLM抽取仍存在”幻覺”風險，因此高精度行業場景普遍採用”LLM抽取 + 人工稽核 + 圖資料庫儲存”的混合流程。

2. 本體設計——圖譜的骨架

行業圖譜的核心壁壘不是技術，而是本體（Ontology）設計——即”定義這個行業有哪些實體型別、關係型別、屬性”。

本體設計質量決定了圖譜的可用性上限。

示例（金融領域，定性）：

實體型別：公司、自然人、基金、債券、監管機構...
關係型別：持股、擔保、關聯交易、董監高任職...
屬性：註冊資本、成立日期、實際控制人...

這一步依賴行業專家，技術手段難以完全替代。

3. 與 LLM 的競合關係

能力	LLM	知識圖譜
事實準確性	易幻覺	高（顯式儲存）
可解釋性	弱（黑盒）	強（路徑可追溯）
動態更新	需重訓/微調	即時寫入
推論泛化	強（隱式）	弱（需規則/嵌入）
長尾知識	弱	強（只要建了就有）

產業共識：二者互補而非替代。RAG（檢索增強生成）+ KG 是當前企業級 AI 應用的主流架構。

技術原理

核心資料結構：三元組

知識圖譜的最小單元是三元組：

(頭實體, 關係, 尾實體)

示例：

(輝瑞, 研發藥物, Paxlovid)
(Paxlovid, 靶向蛋白, Mpro)
(Mpro, 所屬病毒, SARS-CoV-2)

大量三元組構成有向屬性圖（Directed Property Graph）。

建置流水線

┌─────────────────────────────────────────────────────────────────┐
│                     行業知識圖譜建置流程                          │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  [非結構化資料]        [結構化資料]         [外部知識庫]          │
│  文件/報告/網頁        資料庫/表格          Wikidata/行業詞表      │
│        │                   │                      │             │
│        ▼                   ▼                      ▼             │
│  ┌──────────┐     ┌──────────────┐      ┌──────────────┐       │
│  │ NER 命名  │     │ Schema 對映  │      │ 實體對齊     │       │
│  │ 實體識別  │     │ 結構化轉換   │      │ Entity       │       │
│  └────┬─────┘     └──────┬───────┘      │ Linking      │       │
│       │                  │              └──────┬───────┘       │
│       ▼                  ▼                     ▼               │
│  ┌──────────┐     ┌──────────────┐                            │
│  │ 關係抽取  │     │ 知識融合     │                            │
│  │ RE       │     │ 去重/消歧    │                            │
│  └────┬─────┘     └──────┬───────┘                            │
│       │                  │                                     │
│       └────────┬─────────┘                                     │
│                ▼                                                │
│  ┌──────────────────────────────┐                              │
│  │      質量評估 & 入庫          │                              │
│  │  圖資料庫（Neo4j/Nebula等）  │                              │
│  └──────────────────────────────┘                              │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

關鍵技術模組

① 命名實體識別（NER）

傳統：BiLSTM-CRF
當前主流：預訓練語言模型微調（BERT-NER 等）
行業難點：專業術語、巢狀實體、縮寫消歧

② 關係抽取（RE）

管道式：先NER再RE
聯合抽取：一步到位（CasRel、TPLinker 等架構）
文件級抽取：跨句關係建模（CoIn、DocRED資料集推動）

③ 實體對齊與消歧

不同資料來源中同一實體的合併（如”騰訊”、“騰訊控股”、“0700.HK”指向同一節點）
方法：字串相似度 + 圖嵌入 + 人工兜底

④ 圖嵌入與推論

將實體/關係對映到低維向量空間
經典模型（定性，非最新）：TransE（翻譯模型）、RotatE（旋轉模型）、CompGCN（圖卷積）
用途：連結預測（補全缺失三元組）、節點分類

⑤ 圖資料庫與查詢

儲存引擎：Neo4j（屬性圖）、NebulaGraph（分散式）、TigerGraph、JanusGraph
查詢語言：Cypher（Neo4j）、nGQL（Nebula）、Gremlin（Apache TinkerPop）
與關係型資料庫對比：圖遍歷中單節點鄰居訪問複雜度通常為 O(d)（d 為節點的出度），但免索引鄰接使得多跳遍歷的總成本呈線性增長，而非關係表 JOIN 的指數爆炸

技術演進史

時期	里程碑	意義
1960s-1990s	語義網路（Semantic Network）	圖結構表示知識的早期探索
1998-2000s	語義網（Semantic Web）、RDF/OWL 標準	W3C 推動的標準化嘗試，但工業採用有限
2012	Google Knowledge Graph 釋出	”Things, not strings”，引爆產業關注
2013-2014	TransE 提出	知識圖譜嵌入研究的起點
2015-2017	金融/醫療行業圖譜落地	產業級應用從概念驗證走向生產
2018-2020	BERT 系預訓練模型 + GNN 興起	抽取與推論能力大幅提升
2021-2023	GraphRAG、LLM+KG 範式討論	大型模型時代下的圖譜價值重估
2023-至今	LLM輔助圖譜建置、知識增強推論	圖譜從”儲存工具”轉向”推論引擎”

技術路線對比

維度	規則+模板	統計NLP	深度學習	LLM+KG 混合
建置成本	高（專家寫規則）	中	中高（需標註資料）	中（LLM降低標註需求）
精度（高置信）	高	中	中高	高（配合人工稽核）
召回率	低	中	中高	高
可解釋性	強	中	弱	可調
領域遷移	差（需重寫規則）	中	中（微調）	較好（Prompt切換）
適用階段	成熟行業、小規模	過渡期	大規模建置	當前前沿
典型工具	正則/規則引擎	CRF/OpenNLP	HuggingFace/DeepKE	LangChain+Neo4j/RAG

上下游

上游

環節	內容	代表形態
資料供給	文件、報告、資料庫、API	企業內部資料、公開資料集
NLP 模型	預訓練語言模型、NER/RE 模型	BERT、GPT系列、開源NLP工具包
計算基礎設施	GPU/算力、雲端服務	公有雲端、私有化部署
領域專家	本體設計、資料標註、質量稽核	諮詢公司、行業研究團隊

下游

環節	內容	價值
智慧問答	基於圖譜的事實問答	提升LLM回答的準確性與可溯源性
推薦系統	利用實體關係做冷啟動/解釋	增強推薦的可解釋性
風控/合規	關聯分析、異常路徑檢測	降低金融欺詐、洗錢風險
藥物研發	靶點發現、副作用預測	縮短研發週期
知識管理	企業知識沉澱與檢索	降低人員流動帶來的知識流失

關鍵指標

指標	含義	行業基準（定性）
三元組數量	圖譜規模	大型行業圖譜通常達億級至十億級
實體型別數	本體豐富度	金融圖譜可達數十至上百種
關係型別數	關係多樣性	通常與實體型別同量級或更多
F1-score（抽取）	NER/RE 準確率	精心調優可達 0.85+ [視資料集]
圖譜完整度	缺失三元組比例	高質量圖譜需持續補全
更新延遲	新知識入庫時間	即時/準即時為佳
查詢延遲	圖遍歷響應時間	毫秒至秒級（檢視規模）
推論準確率	連結預測/問答正確率	場景差異大，無統一基準

供需與市場資料

市場規模

⚠️ 注意：以下資料為行業研究報告常見口徑的定性描述，具體數字因報告來源而異，需以實際報告為準。

全球知識圖譜市場：處於快速增長期，多家諮詢機構預估複合年增長率（CAGR）在兩位數區間 [行業報告估算]
中國市場：金融、醫藥、政務為主要落地行業，政府推動數字化轉型提供政策助力
企業採購特徵：多為專案制，少數頭部廠商提供標準化產品

供需格局

供給側	需求側
圖資料庫廠商（提供底層儲存）	金融機構（風控、合規）
AI 解決方案商（提供建置服務）	醫藥企業（研發加速）
諮詢公司（本體設計、落地）	政府/公共安全（情報分析）
雲端廠商（一體化平台）	製造/能源（供應鏈管理）

競爭格局（定性）

圖資料庫：國際以 Neo4j、TigerGraph 為代表；國內有 NebulaGraph（開源）、創鄰科技、星環科技等
解決方案：國際有 Palantir（Gotham/Foundry）、Diffbot；國內有海乂知、明略科技、百度知識圖譜等
開源生態：Apache Jena、RDF4J、OpenKG 中文開放知識圖譜社群

代表公司與資本對映

領域	代表公司	定位	資本狀態（截至知識截止）
圖資料庫	Neo4j	全球領先屬性圖資料庫	多輪融資，估值數十億美元級 [公開報道]
圖資料庫	TigerGraph	分散式圖分析	多輪融資 [公開報道]
圖資料庫	NebulaGraph（vesoft）	開源分散式圖資料庫	國內多輪融資 [公開報道]
解決方案	Palantir (PLTR)	資料分析+知識圖譜平台	紐交所上市
解決方案	明略科技	企業級知識圖譜+AI	多輪融資 [公開報道]
解決方案	海乂知	知識圖譜建置平台	多輪融資 [公開報道]
綜合AI	百度/阿里/華為	大廠內部知識圖譜能力	已上市

⚠️ 以上公司資訊基於公開資料，具體估值/輪次以實際揭露為準。

投資邏輯

看多邏輯

LLM 時代知識圖譜價值重估：大型模型幻覺問題推動 RAG+KG 架構普及，圖譜從”可選”變”剛需”
企業資料資產化：政策推動資料要素市場建設，知識圖譜是資料治理的核心工具
垂直行業滲透率低：除金融外，醫藥、政務、製造等行業滲透率仍處早期
國產替代需求：圖資料庫、AI 工具鏈的國產化有政策和安全驅動

風險與挑戰

商業模式驗證不充分：多數圖譜專案為定製化，難以規模化複製，毛利率受限
LLM 的替代威脅：如果大型模型直接具備足夠推論能力，部分圖譜場景可能被繞過
建設週期長、ROI 難量化：企業決策者對”知識圖譜能帶來多少收益”認知不足
人才稀缺：同時懂行業和懂圖譜技術的複合型人才供給有限

關注指標

圖資料庫廠商的 ARR 增速
行業解決方案合同金額與復購率
RAG+KG 方案的企業採用率變化

常見誤讀糾偏

誤讀一：「知識圖譜已被 LLM 淘汰」

糾偏：LLM 和知識圖譜解決的是不同層次的問題。

LLM 擅長語言理解和生成，但對事實的精確性無法保證（幻覺問題）
知識圖譜提供的是顯式、可審計、可追溯的結構化知識
當前主流架構是 LLM + KG 協同（如 GraphRAG），而非二選一
圖譜的價值在於”約束”和”增強”，而非”替代”

誤讀二：「知識圖譜 = 畫個關係圖」

糾偏：關係視覺化只是冰山一角。

知識圖譜的核心資產是本體設計 + 質量資料 + 推論能力
儲存層涉及分散式圖資料庫、索引最佳化、查詢規劃
推論層涉及圖嵌入、規則引擎、路徑搜尋
僅用視覺化工具畫節點-邊連線不等於”建了知識圖譜”

誤讀三：「通用大型模型不需要行業圖譜」

糾偏：通用模型在長尾、專業、合規場景仍需外部知識增強。

通用 LLM 訓練資料存在時效性限制
行業特有的本體關係（如藥品的臨床試驗入排標準）無法被通用模型完全覆蓋
合規場景要求知識來源可審計，圖譜提供這種能力

學習路徑

入門

概念理解：閱讀 Google Knowledge Graph Blog（2012）及後續科普
動手實踐：用 Neo4j Aura 免費版跑通 Cypher 查詢，載入一個公開資料集
推薦閱讀：劉知遠等《知識圖譜與機器學習》系列教程

進階

技術棧掌握：
- NER/RE：HuggingFace Transformers + NER/RE 示例任務
- 圖嵌入：PyKEEN 或 DGL-KE 庫，跑 TransE/RotatE
- 圖資料庫：Neo4j 或 NebulaGraph 官方教程
論文閱讀：
- 知識表示：TransE (Bordes et al., 2013)、RotatE (Sun et al., 2019)
- 資訊抽取：CasRel (Wei et al., 2020)、DocRED
- 圖神經網路：GCN、GAT 基礎論文

產業認知

行業報告：關注 IDC、Gartner、艾瑞等機構的知識圖譜/圖資料庫市場報告
開源社群：OpenKG（中文開放知識圖譜社群）、NebulaGraph 社群
案例研究：閱讀 Palantir、明略科技等公司的公開案例

一句話總結

行業知識圖譜是把行業專家腦中的網狀知識顯式地、機器可讀地結構化儲存，配合推論引擎實現事實查詢與智慧決策；在 LLM 時代，它從”Nice-to-have”升級為”約束幻覺、增強可信”的關鍵基礎設施。

延伸閱讀與來源

基礎論文

Bordes, A. et al. (2013). Translating Embeddings for Modeling Multi-relational Data. NeurIPS.
Sun, Z. et al. (2019). RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space. ICLR.
Wei, Z. et al. (2020). A Novel Cascade Binary Tagging Framework for Relational Triple Extraction. ACL.
Hogan, A. et al. (2021). Knowledge Graphs. ACM Computing Surveys.

技術教程

Stanford CS224W: Machine Learning with Graphs（圖機器學習經典課程）
Neo4j GraphAcademy（圖資料庫官方教程）
劉知遠團隊：知識圖譜教程系列（清華大學）

行業報告（建議檢索最新版本）

Gartner: Market Guide for Graph Database Management Systems
IDC: 中國知識圖譜市場分析
艾瑞諮詢/億歐智庫：知識圖譜行業研究

開源資源

OpenKG: http://www.openkg.cn
NebulaGraph: https://www.nebula-graph.io
DeepKE: https://github.com/zjunlp/DeepKE（知識圖譜抽取工具）

免責宣告：本頁為概念學習參考，不構成投資建議。市場資料與公司資訊基於公開資料整理，具體數字以官方揭露為準。技術事實基於截至訓練資料的行業共識，新進展請查閱最新文獻。