在本文中，我将分享一种方法，将任何文本语料库转换为概念关系图。我使用“概念图”（Graph of Concept，GC）这个术语与KG互换使用，以更好地描述我在此展示的内容。

我使用的所有组件都可以在本地设置，因此该项目可以轻松在个人计算机上运行。我采用了一种不依赖GPT的方法，因为我相信较小的开源模型。我使用了出色的Mistral 7B Openorca instruct和Zephyr模型。这些模型可以通过Ollama在本地设置。

像Neo4j这样的数据库使得存储和检索图数据变得容易。为了简化操作，我这里使用了内存中的Pandas数据框和NetworkX Python库。

我们的目标是将任何文本语料库转换为概念图（GC），并像本文的漂亮横幅图片一样进行可视化。我们甚至可以通过移动节点和边、放大和缩小以及随心所欲地改变图的物理特性来与网络图进行交互。这里是展示我们构建结果的Github页面链接：

https://rahulnyk.github.io/knowledge_graph/

但首先，让我们深入了解知识图谱的基本概念以及为什么我们需要它们。如果你已经熟悉这个概念，可以跳过下一节。

知识图谱

请考虑以下文本。

玛丽有一只小羊，
你之前听过这个故事；
但你知道她把盘子递过去，
然后又吃了一点！

（希望孩子们没有在看这篇文章?）

以下是该文本作为知识图谱的其中一种可能表示形式。

以下来自IBM的文章恰当地解释了知识图谱的基本概念。

引用文章中的一段话来总结这个概念：

知识图谱，也称为语义网络，表示现实世界实体的网络——即对象、事件、情境或概念——并展示它们之间的关系。这些信息通常存储在图数据库中，并通过图结构进行可视化，因此被称为知识“图谱”。

为什么需要知识图谱？

知识图谱在多种情况下都非常有用。我们可以运行图算法并计算任何节点的中心性，以了解某个概念（节点）在整个工作中的重要性。我们可以分析连接和断开的概念集，或计算概念的社区，以深入了解主题。我们还可以理解看似不相关的概念之间的联系。

我们还可以使用知识图谱来实现图检索增强生成（Graph Retrieval Augmented Generation，GRAG或GAG），并与我们的文档进行对话。这可以比传统的RAG方法提供更好的结果，因为后者存在一些缺陷。例如，使用简单的语义相似性搜索检索与查询最相关的上下文并不总是有效的，特别是在查询没有提供足够的上下文来表明其真实意图，或者当上下文分散在大型文本语料库中时。

例如，考虑以下查询——

告诉我《百年孤独》中何塞·阿卡迪奥·布恩迪亚的家谱。

这本书记录了七代何塞·阿卡迪奥·布恩迪亚，其中一半的角色都叫这个名字。要使用简单的RAG流水线回答这个查询将是一个巨大的挑战，甚至可能无法实现。

RAG的另一个缺点是它无法告诉你该问什么问题。很多时候，提出正确的问题比得到答案更为重要。

图增强生成（GAG）在一定程度上可以解决RAG的这些问题。更好的是，我们可以混合使用这两种方法，构建一个图增强的检索增强生成流水线，从而获得两者的最佳效果。

所以现在我们知道了，图谱不仅有趣，它们还非常有用，而且看起来也很美观。

创建概念图

如果你问GPT，如何从给定的文本中创建一个知识图谱？它可能会建议如下流程：

1. 1. 从文本中提取概念和实体。这些是节点。

2. 2. 提取概念之间的关系。这些是边。

3. 3. 将节点（概念）和边（关系）填充到图数据结构或图数据库中。

4. 4. 可视化，哪怕只是为了艺术上的满足感。

步骤3和4听起来可以理解。但如何实现步骤1和2呢？

以下是我设计的从任何给定文本语料库中提取概念图的方法流程图。与上述方法类似，但有一些小的不同。

1. 1. 将文本语料库分割为若干块。为每个块分配一个chunk_id。

2. 2. 对每个文本块使用大语言模型（LLM）提取概念及其语义关系。我们将这种关系赋予一个权重W1。同一对概念之间可能存在多种关系。每种关系都是概念对之间的一条边。

3. 3. 假设在同一文本块中出现的概念通过其上下文接近性也是相关的。我们将这种关系赋予一个权重W2。请注意，同一对概念可能会出现在多个块中。

4. 4. 将相似的概念对分组，汇总它们的权重，并将它们的关系连接起来。这样我们就只有一条边连接任意不同的概念对。边具有一定的权重，并且带有一个关系列表作为其名称。

你可以在本文分享的GitHub仓库中看到该方法的Python代码实现。接下来几节中，我们将简要介绍该实现的关键思想。

为了演示此方法，我使用了在PubMed/Cureus上发布的一篇评论文章，该文章根据Creative Commons Attribution License发布。文章作者的致谢见本文末尾。

Mistral 和提示词

上述流程图中的第1步很简单。Langchain 提供了大量文本分割工具，我们可以使用这些工具将文本分割为块。

第2步才是真正的乐趣所在。为了提取概念及其关系，我使用了Mistral 7B模型。在确定最适合我们目的的模型变体之前，我尝试了以下几种模型：

• • Mistral Instruct

• • Mistral OpenOrca

• • Zephyr（Hugging Face 提供的Mistral衍生版本）

我使用了这些模型的4-bit量化版本——以免我的Mac开始“嫌弃”我——并通过Ollama在本地运行。

这些模型都是经过指令微调的模型，带有系统提示词和用户提示词。如果我们告诉它们，它们都能很好地遵循指令并以JSON格式整齐地输出答案。

经过几轮试验后，我最终确定使用Zephyr模型，并使用以下提示词。

SYS_PROMPT = (
"你是一个网络图生成器，负责从给定的上下文中提取术语及其关系。"
"你将获得一个上下文块（由```分隔），你的任务是提取其中提到的术语本体。"
"这些术语应根据上下文代表关键概念。"
"思路1：在遍历每个句子时，思考其中提到的关键术语。"
"术语可能包括对象、实体、地点、组织、人物、"
"状况、缩写、文档、服务、概念等。"
"术语应尽可能原子化。"
"思路2：思考这些术语如何与其他术语一对一相关。"
"同一句或同一段中提到的术语通常彼此相关。"
"术语可以与许多其他术语相关。"
"思路3：找出每对相关术语之间的关系。"
"将输出格式化为JSON列表。列表中的每个元素包含一对术语"
"及其之间的关系，格式如下："
"["
"   {"
'       "node_1": "从提取的本体中获取的概念",'
'       "node_2": "从提取的本体中获取的相关概念",'
'       "edge": "node_1和node_2之间的关系，用一两句话描述"'
"   }, {...}"
"]"
)

USER_PROMPT = f"context: ```{input}``` \n\n output: "

如果我们使用这个提示词处理我们的“少儿不宜”的童谣，结果如下。

[
  {
"node_1":"玛丽",
"node_2":"小羊",
"edge":"属于"
},
{
"node_1":"盘子",
"node_2":"食物",
"edge":"包含"
},...
]

注意，它甚至猜测出了“食物”这个概念，尽管它在文本块中并未明确提到。是不是很神奇！

如果我们对每个文本块运行这个过程，并将JSON转换为Pandas数据框，结果如下所示。

这里的每一行代表一对概念之间的关系。每一行都是我们图中的一条边，并且同一对概念之间可能存在多条边或关系。上图中的计数是我任意设置的权重，值为4。

上下文接近性

我假设在文本语料库中彼此接近的概念是相关的。我们称这种关系为“上下文接近性”。

为了计算上下文接近性边，我们将数据框“熔化”，使node_1和node_2合并为一列。然后我们使用chunk_id作为键，对该数据框进行自连接。这样具有相同chunk_id的节点将彼此配对形成一行。

但这也意味着每个概念都会与自己配对。这被称为自环，即一条边从节点开始并结束于同一节点。为了去除这些自环，我们将删除数据框中node_1与node_2相同的所有行。

最终，我们得到一个与原始数据框非常相似的数据框。

这里的计数列是node_1和node_2一起出现在多少个块中的次数。chunk_id列是所有这些块的列表。

所以现在我们有了两个数据框，一个包含语义关系，另一个包含文本中提到的概念之间的上下文接近性关系。我们可以将它们结合起来，形成我们的网络图数据框。

我们已经完成了为文本构建概念图的工作。但如果仅仅停在这里，未免有些不尽兴。我们的目标是像本文开头的特色图片一样可视化图谱，而我们离这个目标已经不远了。

创建概念网络

NetworkX 是一个使处理图变得非常简单的Python库。如果你还不熟悉这个库，请点击他们的标志以了解更多信息。

将我们的数据框添加到NetworkX图中只需要几行代码。

G = nx.Graph()

for node in nodes:
    G.add_node(str(node))

for index, row in dfg.iterrows():
    G.add_edge(
        str(row["node_1"]),
        str(row["node_2"]),
        title=row["edge"],
        weight=row['count']
    )

这时我们就可以开始利用网络图的强大功能了。NetworkX提供了大量开箱即用的网络算法供我们使用。以下是我们可以在图上运行的算法列表链接。

在这里，我使用了社区检测算法为节点添加颜色。社区是指彼此之间连接更紧密的节点组，而不是与图中其他部分的节点。概念的社区可以帮助我们大致了解文本中讨论的主题。

Girvan Newman算法在我们处理的评论文章中检测到了17个概念社区。以下是其中一个社区。

[
  '数字技术',
  'EVIN',
  '医疗设备',
  '在线培训管理信息系统',
  '可穿戴、可追踪技术'
]

这立即让我们对评论文章中讨论的健康技术这一广泛主题有了一个大致的了解，并使我们能够提出问题，然后使用我们的RAG流水线来回答这些问题。是不是很棒？

我们还可以计算图中每个概念的度数。节点的度数是其连接的边的总数。因此，在我们的例子中，概念的度数越高，它在文本主题中的中心性就越强。我们将在可视化中使用度数作为节点的大小。

图谱可视化

可视化是这个过程中最有趣的部分。它具有某种特质，能够带来艺术上的满足感。

我使用PiVis库来创建交互式图谱。Pyvis是一个用于可视化网络的Python库。以下是一篇展示该库易用性和强大功能的Medium文章。

Pyvis有一个内置的NetworkX助手，可以将我们的NetworkX图转换为PyVis对象。所以我们不需要再写代码了……太棒了！！

记住，我们已经计算了每条边的权重用于表示边的粗细，节点的社区用于表示它们的颜色，以及每个节点的度数作为它们的大小。

所以，带着这些花里胡哨的功能，以下是我们的图谱。

交互式图谱链接：https://rahulnyk.github.io/knowledge_graph/

我们可以随意放大缩小，移动节点和边。页面底部还有一个滑块面板可以改变图的物理特性。看看这个图谱如何帮助我们提出正确的问题，并更好地理解主题！

我们可以进一步讨论这个图谱如何帮助我们构建图增强检索，以及如何帮助我们构建更好的RAG流水线。但我认为最好留到下次再说。我们已经达成了本文的目标！

Github 仓库

我在代码演示中使用了以下文章。

Saxena S G, Godfrey T (2023年6月11日) 印度解决医疗保健人力资源挑战的机会。Cureus 15(6): e40274. DOI 10.7759/cureus.40274