企业级知识图谱的实体架构治理实践
企业级知识图谱,最难的不是抽取
很多人以为知识图谱的核心,是让 AI 多识别几个实体、多连几条边。但真正做进电信业务之后会发现,这根本不是瓶颈。
图谱真正难的,是抽出来的东西能不能被治理。
今天叫正式名,明天叫营销名,客服口语里又叫另一个名字;同一个活动,不同系统里上了两版文档;同一条办理规则,新政策和旧政策还可能打架。
这篇只说一件事:知识进入图谱之前,企业系统一定要经历以下几关
企业知识图谱治理五大关卡全景流程图
· · · · · · · · ·
一、切片不是切文档,是守住入关口
文档进来,第一件事不是马上让 AI 抽实体,而是先启动我们的“格式校验与物理切片”机制。
这一步听起来很技术,但它作为知识的入关口,直接决定后面所有环节的质量上限。
切得太大:整篇营销政策变成一个知识块,AI 抽取时定位不到具体规则,问答证据链也只能粗糙地写“见某某文档”。
切得太碎:上下文断裂,AI 失去语义理解,抽出来的实体关系就会变成一盘散沙。
为了破解“到底怎么切”这个问题,我们没有搞一刀切,而是在底层做了一套更细的治理逻辑:
标准模板指引 + 格式适配性评分
格式适配:先知道什么文档好切
在开发前期,我们对企业常见文档格式做了多轮适用性分析,用“文档打标与切片效果”作为硬性评分标准。
评测下来,目前依托 mineru 引擎,系统对 HTML、DOCX、TXT、XLSX 这四种格式的切片和语义解析效果最好,其他格式表现相对一般。
标准模板:从源头把关键字段要回来
基于这个评估,我们制定了每类文档的标准模板,并给出推荐上传格式。
模板里强制规范了一些核心必填字段:
文档生效时间
是否关联产销品
产销品类型
双通道:既要严谨,也要给一线留活口
标准通道:按标准模板上传。切片更稳定,打标和关联产销品准确率更高。
直接通道:允许上传零散文档。效果会打折,但 AI 会尽量兼容和补丁处理,保证业务不因为“格式不完美”就卡死。
切片和准入不是单纯的技术动作。它是在回答一个关键业务问题:企业知识的最小可复用单元是什么?
· · · · · · · · ·
二、打标不是分类,是给知识定坐标
切完之后,系统不要求人工盲目穷举细粒度实体,而是基于“Schema-First(架构先行)”理念,在系统后台维护一套高弹性的标签框架:每一个知识块都要被打上标签。
我们系统里有三类标签:业务标签、属性标签、区域标签。
业务标签:这段知识…