新手学AI之33:100个关键词了解AI(26)
作者：微信文章我
思
@my thoughts
Celebrate your life
功不唐捐 玉汝于成
向内探索的力量超乎你的想象
通过100个核心关键词了解AI系列第26期来啦！
这期的内容聚焦【知识增强】。
01 知识图谱（Knowledge Graph）
定义：知识图谱是一种用 图结构（节点 + 边）表示知识的方式，节点表示实体（如人、公司、地点、产品），边表示实体之间的关系（如“属于”“合作”“位于”）。 知识图谱是 连接数据与语义的桥梁，广泛应用于搜索、推荐、问答、风控和医疗等领域。未来的发展方向是 与大语言模型结合，形成 “知识增强的智能体”，让AI既能记忆事实，又能进行逻辑推理.
知识图谱的核心组成：
实体 (Entity)
人物、地点、机构、产品等。示例：苹果公司、乔布斯、iPhone。
关系 (Relation)
实体之间的语义联系示例：乔布斯 → 创办 → 苹果公司
属性 (Attribute)
实体本身的特征
示例：iPhone → 发布年份 → 2007
知识图谱的关键技术
信息抽取：从文本、数据库、网页中提取实体和关系。实体消歧：解决同名不同义问题，比如“Apple”是水果还是公司。图数据库：Neo4j、JanusGraph、TigerGraph，用于高效存储和查询图结构数据。推理 (Reasoning)：利用已有知识推导新知识，例如：已知 “A是B的父亲”， “B是C的父亲”，可以推理出“A是C的祖父”。
知识图谱的应用
搜索引擎
Google Knowledge Graph：搜索“Leonardo DiCaprio”，直接显示他的电影、获奖信息，而不是单纯网页链接。
推荐系统
电商平台：通过知识图谱将“用户 → 购买 → 商品 → 品牌 → 类别”连接起来，提升推荐准确度。
智能问答
Siri、Alexa、ChatGPT 等利用知识图谱更好地理解复杂问题。
示例：问“乔布斯创办的公司CEO是谁”，模型可以沿着图谱推理。
金融风控
银行通过构建企业知识图谱发现隐形的股权关系，检测风险企业。
医疗健康
构建疾病-症状-药物知识图谱，辅助诊断与药物推荐。
知识图谱在 AI 中的作用
补充大模型的事实性：避免“幻觉”问题增强推理能力：将深度学习与符号推理结合（神经符号AI）可解释性：可视化知识路径，解释推荐或回答的依据
02嵌入（Embedding）
定义：嵌入是把 离散的对象（词语、句子、图像、用户、商品等）转换为连续的低维向量 的方法。
直观理解：它是“翻译器”，把无法直接计算的东西（如文字）变成计算机可以处理的 数字向量表示。
例如：
“猫” →
“狗” →
这两个向量会非常接近，反映出“猫”和“狗”在语义上的相似性。
为什么需要嵌入：
机器无法直接理解语言，只能处理数字。如果直接用“one-hot编码”，每个词一个维度，导致维度过高（百万级）且无法表达语义相似性。嵌入通过学习 语义空间，能让语义相似的对象在向量空间中靠近。
嵌入的类型
词嵌入（Word Embedding）
代表：Word2Vec、GloVe、FastText。特点：把词语映射到向量，捕捉语义关系。示例：vector("king") - vector("man") + vector("woman") ≈ vector("queen")。
句子/文档嵌入（Sentence/Document Embedding）
模型：Sentence-BERT, USE (Universal Sentence Encoder)用于相似句子检索、语义搜索。
多模态嵌入
图像、视频、音频也可以嵌入。示例：CLIP（OpenAI）：把图片和文字放在同一个向量空间。
用户 / 商品嵌入
推荐系统里，把用户和商品转为嵌入，计算相似度做推荐。
嵌入的计算方法
基于共现统计（早期）：Word2Vec、GloVe。基于深度学习模型：BERT、GPT、CLIP 直接输出嵌入向量。目标函数：通常是让“语义相关的对象”在向量空间中靠近，不相关的远离。
嵌入的应用
语义搜索
用户输入问题，系统将问题嵌入 → 与知识库嵌入比较 → 找到语义最接近的答案。
推荐系统
用户嵌入 vs 商品嵌入 → 最近邻推荐
聚类与分类
在嵌入空间中聚类，得到语义相似的组。
机器翻译 / 跨语言检索
多语言嵌入：把不同语言的句子映射到同一个向量空间
对齐与推理
结合知识图谱，用嵌入方法表示节点，增强推理。
与知识图谱的结合
知识图谱是 结构化知识，但规模庞大、不易计算。嵌入能把 节点和关系 转化为向量，用于相似度计算和推理。典型方法：TransE, RotatE, Graph Embedding。
03RAG（检索增强生成)
定义：RAG 是一种把 信息检索（Retrieval） 和 生成模型（Generation） 结合起来的方法。
目标：解决大语言模型（LLM）“知识有限、容易幻觉”的问题。核心思想：
先从外部知识库（数据库、文档库、向量库）里 检索 相关信息。再把检索到的资料 输入到生成模型，辅助它生成更准确的答案。
为什么需要 RAG
LLM 记忆有限：模型的训练数据有时间限制（知识可能过时）。避免幻觉：LLM 有时会“编造事实”。提升专业性：可以利用领域知识库（医学、法律、金融）。节省成本：不需要频繁对 LLM 进行昂贵的微调（Fine-tuning）。
RAG 的工作流程
用户问题 → 检索模块（向量数据库） → 找到相关文档 → 传给 LLM → LLM 结合文档生成答案
嵌入 (Embedding)：把文档和用户问题转换为向量表示。检索 (Retrieval)：在向量数据库里找到与问题最相关的文档。增强 (Augmentation)：把这些文档和用户问题一起输入到 LLM。生成 (Generation)：LLM 根据上下文生成答案
RAG vs. 微调（Fine-tuning）
RAG：外部检索 + 原始大模型，不改变模型参数。
优点：灵活、知识更新快、成本低。
Fine-tuning：修改模型参数，把知识“刻进”模型。
优点：适合固定任务、风格要求。
实际应用：
新知识 / 动态数据 → 用 RAG。固定领域 / 风格 → 用 Fine-tuning。两者可以结合。
END
如果喜欢，请点个关注吧~
页:
[1]