知识图谱抽取教程（上）：文本怎样变成实体、关系与证据

【知识图谱】功能把上传的文本整理成一张有向图。图中的点是实体，边是关系。每条关系是一个三元组：主体、关系谓词、客体，并尽量附带一句原文证据。

这里的知识图谱不是百科式的权威知识库。它只记录当前这批文本被识别出的内容。实体名、谓词和证据都来自本次抽取，不来自外部资料。

这个功能可讲的内容较多，教程分上下两篇。上篇讲文本怎样变成三元组，以及报告中的基础区块怎样读。下篇讲网络结构指标、主题板块、自动生成的摘要、追问核对、手动合并和导出。

一次任务只产生一张图。上传的 1 至 5 个文件会按上传顺序拼接成一段全文，再进入同一轮抽取。多文件不会分别生成各自的图，报告也不提供按文件比较的区块。

图的基本单位有三种：

实体以名称为唯一标识。两处文本都写【生态环境部】，就是同一个节点。写法不同的同一对象会先成为两个节点，只有开启同义合并后才可能合成一个。

同名不同义的情况不会被区分。一篇材料里【苹果】既指水果又指公司，仍然只有一个节点。

当前工具页接受 TXT 文件。上传 DOC、DOCX、PDF、PPTX、XLSX、EPUB、RTF 等常见格式时，系统先把它们转写为 TXT 再使用。进入抽取的是转写得到的纯文本。

上传限制如下：

程序不做分句、分词、去停用词或任何清洗。拼接时会在每个文件正文前插入一行来源标记，格式是【来源文件：文件名】。这一行会和正文一起进入抽取。

【抽取框架】决定抽取时优先考虑哪些实体类目和关系谓词。当前提供 5 个预设框架和 1 个自定义框架。

框架是偏好，不是硬性过滤。抽取指令要求优先选择符合这些类目的实体、优先使用这组谓词，同时明确规定文本不支持时不得强套。因此报告里可以出现框架之外的谓词。

框架里的实体类目不会成为报告中的标签。抽取只返回实体名，不返回它属于哪个类目。报告中的【角色】另有来源，下文单独说明。

选择【自定义框架】后，可以各输入最多 20 个实体类目和关系谓词。页面提供 3 个预置模板作为起点，点击后填入，仍可增删：

自定义框架下留空类目时，程序沿用通用知识图谱的类目。

全文先按【分块大小】切成片段。分块大小可在 1,000 至 10,000 字符之间按 1,000 调节，默认 6,000。

每个片段再按句号、问号、感叹号、分号或换行切成批次，每批不超过 1,500 字符。抽取以批次为单位分两个阶段进行：

这个结构决定了三件事。

第一，关系抽取的窗口不超过 1,500 字符。分块大小设为 1,000 时窗口就是 1,000 字符；设为 2,000 以上时，窗口由批次上限决定。相隔更远的两个实体不会进入同一次关系抽取。

第二，实体跨批次按名称合并。同一个名称在第 1 批和第 7 批都被识别，最终只有一个节点，两批各自的关系都挂在它上面。图的连通主要靠这种同名合并形成。

第三，来源标记只出现在每个文件正文的开头。只有包含该标记的批次能读到文件名，其余批次抽出的关系可能没有来源文件。多文件任务中，【来源文件】徽章为空是正常现象。

个别批次的输出无法解析时，程序会跳过该批次的实体或关系，只保留能解析的部分。报告不单独提示哪些批次被跳过。

【聚类优化】开关默认开启。开启后，程序在全部批次抽取完成之后，分别对实体名和关系谓词做同义合并。

合并流程如下：

不在同一批的名称不会被比较。首字相差很远的两个写法，可能因为落在不同批次而没有被合并。

合并结果出现在两个地方。【聚类合并详情】表列出每组的代表实体和被合并的同义表达。【实体概览】表和节点详情中的【同簇实体】列出同组的其他写法，最多显示 8 个。

关闭聚类后，每种写法各成一个节点，关系分散在这些节点上。

报告中每个实体有一个【角色】，取值为核心实体、主体、客体、关联实体或独立实体。角色由该实体在三元组中的位置计算，不来自抽取框架。

计算只用两个数：该实体作为主体出现的次数，以及作为客体出现的次数。两者之和是连接度。

判定按表中顺序进行。一个实体先看是否孤立，再看是否达到核心门槛，然后才比较主客体方向。

角色只描述结构位置。【主体】不表示它在文本里是行动者，只表示它更多出现在三元组的左侧。同一实体在另一批材料里可以得到不同角色。

【实体概览】表允许直接修改某个实体的角色标签。修改只作用于当前页面显示，刷新后恢复，也不会写入导出文件。

【关系三元组】表的【置信度】按固定公式计算，不来自模型对自己输出的评估，也不等于证据条数。

置信度 = 0.5 + 0.25 × 谓词频次比 + 0.25 × 端点度数比

谓词频次比等于该谓词出现次数除以出现最多的谓词次数。端点度数比等于主体连接度与客体连接度之和，除以最高连接度的 2 倍。结果保留三位小数，页面显示为百分比。

按这个公式，置信度总在 50% 以上。最高频谓词连接两个最高连接度实体时得到 100%。

一个可复现的例子：某图最高频谓词出现 10 次，最高连接度为 20。一条只出现 1 次的谓词，连接两个连接度都为 1 的实体，其置信度为 0.5 + 0.025 + 0.0125，约 54%。

页面用三种徽章区分区间：80% 及以上、60% 至 80%、60% 以下。徽章只反映谓词是否常见和端点是否活跃。低置信度的关系可能恰好是文本中独特的细节。

每条关系在抽取时会带回一句原文引文，以及可能的来源文件名。相同文本和来源的证据去重后，每条关系最多保留 3 条。

【关系三元组】表显示第一条证据的前两行，以及来源文件徽章。证据是模型从批次文本中摘出的句子，用于定位原文，不用于证明关系成立。

核对时应回到原文检查三件事：引文是否确实出现在材料中；主体和客体是否就是引文所指的对象；谓词方向是否与原文一致。

统计概要

四个数字分别是实体数量、关系数量、关系谓词种类和聚类合并组数。关系数量按三元组计数，同一对实体之间的多条不同谓词分别计入。

下方【摘要】徽章列出合并组数、最多 5 组合并示例和最多 5 个高频谓词及其次数。

力导图

节点大小按连接度绘制，箭头由主体指向客体。没有主题板块时，颜色表示实体角色；有主题板块时颜色表示所属板块，下篇说明。

点击节点只显示它的直接关联，点击空白恢复全图。右侧节点详情列出该实体的同簇实体和全部相关关系。

实体不少于 10 个时出现筛选条。滑块标注为【前 N 个主题】，实际按连接度保留前 N 个实体及它们的直接关联。搜索框按实体名包含匹配。

实体概览

表格列出实体名称、角色、连接度和同簇实体。可以按角色筛选，按连接度、名称或角色排序，点击行打开节点详情。

关系三元组

表格列出主体、谓词、客体、置信度和证据回溯。可以按谓词筛选，也可以按实体名或谓词搜索。这是核对证据的主要入口。

关系谓词分布

表格列出每种谓词的出现次数和占比，占比的分母是关系数量。上方的说明按最高频谓词的占比给出一个集中程度标签：

说明还会给出前三类谓词的合计占比，以及只出现 1 次的谓词种数。高频谓词占比高时，应检查它是否过于笼统，例如【关联】或【包含】。

节点连接度排名

表格按连接度排序，占比等于该实体连接度除以关系数量。每条关系同时计入主体和客体，所以全部实体的占比之和是 200%。

上方说明给出最高连接度实体的占比、前 5 个实体覆盖的去重关系比例和孤立实体数。前 5 个实体覆盖的关系是去重计数，与逐个实体的占比相加不同。

关键词锚定

输入若干关键词后，页面按包含匹配列出命中的实体和关系。匹配范围包括实体名、角色名和同簇实体，关系按主体名、客体名和谓词匹配。页面同时提供核心实体、高频谓词和角色作为可点选的候选词。

下篇从这张图出发，说明网络结构指标、主题板块和自动生成的摘要各自能说明什么，以及怎样用追问和手动合并核对与修正结果。