为什么你应该使用知识图谱与你的合同交流

首先是大型语言模型，然后需要使它们具有领域知识

检索增强（RAG）方法因增强LLMs而变得流行。通过引用外部数据 —— 无论是行业特定还是上下文特定的数据，它提高了LLMs生成的答案的准确性和相关性。文档被分割为文本块并表示为向量以进行高效搜索。然后执行相似性搜索以从知识库中找到相关信息。

当然，这也带来了一些挑战。这种结构往往会重复信息，甚至遗漏相关参考，这是一个昂贵的缺点。

重要的是要认识到，合同数据在本身内部高度互联。一个条款的价值可能会影响后续条款中的可能值。

举例来说，雇佣合同中的信息将与录用信中达成的协议相关联。因此，要能够与合同进行交流，我们需要来自多个文件的信息，而这是无法通过向量相似性搜索方法完成的。

进入知识图谱Knowledge Graphs (KG)…

我们开始学习如何构建知识图谱之前，让我们更加了解它们：

1. 它们同时代表了结构化和非结构化数据以及数据之间的关系。节点代表概念，而边代表这些概念之间的关系。

2. 它们使人们能够理解：

1. - 文档中概念的重要性 -> 通过对节点的中心性进行计算

2. - 主题内容 -> 通过分析连接和未连接的概念集

3. - 复杂关系 -> 通过揭示看似无关的概念之间的联系

3. Cypher查询通常用于有效地从知识图谱中检索信息。本体在知识图谱中的数据结构和分类中起着关键作用。【稍后会介绍此内容】

4. 知识图谱可以连接不同记录中的数据，并在查询时使数据可访问，无论来源或格式。

知识图谱KG + RAG 优势

• 由于理解合同数据中嵌入的复杂关系和条款，提高了搜索精度。

• 由于更容易的遍历、多跳推理以及支持结构化和非结构化数据，响应更加细致。

• 它们通过将高度互连的数据表示为互连网络来执行传统数据库无法执行的任务，使得更容易提出问题和操纵。

• 在复杂知识领域（法律/工程合同，医疗等）的更好推理能力。

知识图谱 + 合同数据

知识图谱对于合同数据可能特别有优势，因为它们能够解决传统基于向量表示可能遇到的局限性。这个图总结了一些情况。

构建知识图谱本身

Neo4j和Memgraph在表示文本数据的节点和边方面提供了几乎相同的功能，促进了自然语言处理任务和语义分析。我选择Neo4j作为初学者，因为它提供了一个用户友好的桌面应用程序，为管理数据库、编写查询和可视化图形数据提供了一个图形界面。此外，Memgraph通常需要使用Docker进行部署。另一方面，根据基础设施需求，Neo4j几乎可以在任何地方部署。

现在让我们来看一下所谓的“本体学”

定义：通过定义一组概念对实体进行分类的方法。在数据科学中，本体用于链接数据，理解实体之间的关系，并对数据进行分类。

在合同管理领域，本体可以帮助将合同分类为子类，并根据谈判条款定义属性，从而简化合同分析和管理过程。

目的与功能:

• 分类和可重用性：本体允许指定类、关系和限制以对数据进行分类，使分类可重复使用。

• 层次结构、继承和属性：类具有层次结构，子类继承定义类和关系的属性。（考虑面向对象编程）

• 连接数据格式：本体论有助于连接不同格式的数据，并标准化来自各种来源的数据。

好处 — 理解数据: 本体将数据分解为定义的约束，有助于更好地理解数据

设计考虑: 本体的设计应考虑最终用户与数据的交互。

例如，在合同管理平台中，本体可以将合同分类为“商业合同”和“租赁合同”，其中属性如“可协商”或“不可协商”条款。

‘三元组结构’

在Neo4j中，我们使用三元结构来定义我们的图。三元组是知识图中的基本组成部分。在Neo4j中，三元组可以表示为将附加到两个节点和关系的属性的关系连接两个节点。此外，Cypher查询以三元组表示。

主语、谓语和宾语组成。主语和宾语是实体，谓语代表它们之间的关系

利用三元组结构构建的小图示例

高级架构用于构建和处理知识图谱

a. 从各种来源检索数据

b. 处理以提取实体

c. 确定概念并揭示关系

d. 填充图数据库并可视化图以获取洞察。

e. Gen AI 自动化提取和查询生成，将元素集成到知识图谱数据库中。

f. LLM + RAG 解锁洞察，回答问题

知识图谱为代表在合同文件内的复杂关系和相互依赖提供了一个卓越的框架。它们使得更好的上下文理解、改进的搜索精度和多跳推理能力成为可能，这在当今的格局中对于有效的合同管理至关重要。