FDE 企业 AI 落地与交付 · 企业知识治理 · 2026-07-23

读完蚂蚁大规模知识图谱构建及其应用后思考

蚂蚁知识图谱实践揭示:从数据到智能的跨越,关键在于语义+结构的双建模。 核心内容:

  1. 蚂蚁知识图谱的渐进式构建路径
  2. 实体对齐与分类等核心技术解析
  3. 知识图谱相比传统数据建模的突破性优势

💡

蚂蚁集团算法专家贾强槐的文章《蚂蚁大规模知识图谱构建及其应用》,让我看到了互联网大厂和传统企业在知识图谱应用上的巨大鸿沟。

一、蚂蚁做了什么

1.1 知识图谱不是"画关系图"

很多人对知识图谱的理解还停留在"把实体和关系画成图"的阶段。但这份蚂蚁的实践告诉我们:知识图谱是语义+结构的双建模。

什么叫双建模?

实体之间的关联关系(比如"用户A购买了产品B")

实体本身的属性和含义(比如"产品B是意外险,保障期限1年")只有结构,没有语义,那就是普通的关系数据库;只有语义,没有结构,那就是知识库。 两者结合,才是真正的知识图谱。

1.2 蚂蚁的5步构建路径

蚂蚁的图谱构建不是一蹴而就的,而是遵循一个渐进式融合的路径:

  1. 业务数据冷启动:用现有的业务数据(用户、商品、交易)作为初始种子
  2. 外部知识图谱融合:对接维基百科、DBpedia等公开知识图谱,做实体对齐
  3. 结构化领域知识库融合:接入行业知识库(比如医保目录、商品分类体系)
  4. 非结构化信息抽取:从文本、图片、日志中抽取实体和关系
  5. 领域概念体系和专家规则融入:让业务专家定义概念层级和推理规则

这个路径的精妙之处在于:先用数据冷启动,再逐步引入外部知识和专家经验。

不是"先建好完美图谱再上线",而是"边建边用,持续学习"。

1.3 核心技术:实体对齐和分类

蚂蚁在图谱构建中用了三个关键技术,我都觉得挺有意思:

技术1:融合专家知识的实体分类

技术2:注入领域词表的实体识别

技术3:少样本关系抽取

最让我印象深刻的是实体对齐技术:用BERT-INT算法,把不同来源的知识融合到同一个图谱里。

想象一下:支付宝有上亿用户,每个用户有几百个标签,怎么把这些信息融合成一个统一的用户画像?这就是实体对齐要解决的问题。

二、知识图谱为什么重要

2.1 传统数据建模的局限

我们做数据的,最熟悉的就是E-R模型(实体-关系模型)和维度建模(星型模型、雪花模型)。

这两种建模方法有什么问题?

问题1:只管结构,不管语义

E-R模型能表达"用户表"和"订单表"之间的外键关系,但它表达不了"订单是一种合同,合同具有法律效力"这种语义。

问题2:难以做推理

维度建模能支持OLAP分析(比如"按地区统计销售额"),但它做不了"买了A产品的用户,大概率也需要B服务"这种推理。

问题3:知识难以复用

每个系统的数据模型都是定制的,A系统的"客户"和B系统的"投保人"可能是同一个概念,但没有人知道,也没有工具能自动发现。

2.2 知识图谱的四大价值

蚂蚁在实践中总结了知识图谱的四大价值,我觉得总结得很好:

价值1:语义标准化

把不同系统、不同口径的数据,映射到统一的知识体系。

比如:"客户""投保人""被保险人"在保险行业是有区别的,但在很多系统里被混为一谈。知识图谱可以明确它们的定义和关系。

价值2:领域知识沉淀

把专家经验固化到图谱里,形成可复用的知识资产。

比如:核保规则("患有糖尿病的客户,不能投保重疾险")可以写成图谱中的推理规则,系统自动执行。

价值3:知识复用

一旦建成图谱,多个应用可以共享。

比如:同一个"产品知识图谱",可以支撑产品搜索、智能推荐、合规审查等多个场景。

价值4:知识推理和发现

这是知识图谱最核心的价值——发现隐含的知识。

比如:图谱可以发现"购买过癌症险的用户,60%会在6个月内购买住院医疗险",这种规律靠传统统计分析很难发现。

2.3 蚂蚁的4个应用场景

蚂蚁把知识图谱用在了4个场景,都是高频、高价值的:

  1. 结构化匹配召回(比如商品搜索,理解用户意图,精准匹配商品)
  2. 用户意图预测(比如根据用户历史行为,预测下一步可能的行为)
  3. 营销券推荐(比如预测用户对哪种优惠券感兴趣)
  4. 智能理赔推理(比如根据医疗知识图谱,自动审核理赔申请…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/knowledgegraph/2026072347260.html