今天我们探讨两个问题:
第一，知识图谱是什么？
第二，知识图谱和大模型的关系又是什么？
一、知识图谱是什么？
我们先来看第一个问题: 知识图谱是什么？
可以看上面这个图，这个图形表达了如下信息:
张三和李四是朋友。
张三在苹果公司工作。
李四在香蕉公司工作。
苹果公司投资了香蕉公司。
这就是一个知识图谱的形象化表示。
所以我们总结一下，什么是知识图谱:
1.是一个存储信息的方法；
2.描述的是事实;
3.核心表达是实体和关系;
4.可以有多种实体，多种关系;
二、知识图谱和大模型是什么关系?
我们再来看第二个问题: 知识图谱和大模型有什么关系?
其实知识图谱在2023年之前就存在，但是在2023年大模型火了之后，再次进入大众的视野，这是为什么呢?
原因是随着大家对大模型的使用，逐渐发现大模型存在一个较大的问题——大模型幻觉，即可以理解为有些时候大模型会胡说八道，编造事实
为了减少大模型的幻觉，有很多的方法，常用的有以下5种方法/思路:
Prompt
给出准确清晰的提示词语句；
Few-shot，少样本提示。
限制内容范围
RAG，检索增强生成。
后处理
事实检查生成答案；
人工检查生成答案。
提升数据质量
预训练的数据质量；
微调的数据质量。
模型能力提升
大模型微调。
对于第二种，在RAG具体落地场景中，我们可以有不同的数据处理方式：
对于结构化的数据，比如我们Excel中的数据，用普通的关系型数据库存储即可，需要使用时直接拿来用也比较方便。
对于非结构化的数据，比如文本段落、文章、手册、FAQ这种，不太适合结构化存储，所以向量化之后存储在向量数据库中比较合适，后续使用向量检索技术也比较好用。
那我们今天说的知识图谱适合什么样的场景呢?
我们举例来说明，传统的RAG流程如下图，用户提出一个prompt，先到知识库中检索相似度高的文档内容，然后和prompt一起传给大模型，再由大模型基于输入的内容生成答案。
但是这种方法有限制，对于具体的问题解决效果比较好，相对宏观一些的问题可能效果不那么好。
例如下列2个问题:
问题1: A商品的价格是多少?
问题2: 去年技术团队的成果是什么?
对于问题1，传统RAG可能解决的比较好，如果知识库中有关于A商品价格的信息，大模型就能准确回答这个问题。
但是对于问题2，首先“技术团队”就是一个复杂问题技术团队可能下面有技术一部、技术二部.…，而其中技术一部下面有张三、李四…
如果要回答这个问题就需要先把属于技术团队的人都找出来，然后分别找到每个人的成果，再把成果汇总。
这个问题就很适合用知识图谱来解决，对于“技术团队”问题的解决，就是找寻不同实体间的关系，知识图谱记录的就是这种关系:
如上图，我们把原始文档里的内容最后聚类成如图所示的结构关系，当遇到上述的问题时，就能高效解决。
所以，用知识图谱去解决大模型的幻觉问题，有如下优势:
直观: 在上面我们就提到过，知识图谱表示的就是实体与实体之间的关系，理解起来比较直观，所以对于降低大模型的幻觉是有帮助的。
与向量文本互补: 我们在把知识变成向量存储到向量数据库中的时候，数据本身是不会消失，但是数据与数据之间的关系可能就没有了，或者被弱化了。
这个时候，我们再用知识图谱的方式，把这些知识/实体之间的关系表达出来，这样就可以和向量数据库进行一个结合。
但是，我们在实际落地RAG的过程中，并不是只能选择一种方式处理数据。
比如我们可以同时使用关系型数据库、向量数据库、知识图谱，每次用户提问之后，分别去3个地方多路召回，然后rerank重新排序，最后得到综合结果，输出给大模型。
