Knowledge Graphs and LLMs in Action

文章摘要

2025年最新出版的《Knowledge Graphs and LLMs in Action》是一本全面的混合智能系统构建指南，深入探讨如何将知识图谱的结构化推理能力与大语言模型的自然语言理解能力相结合，为各个领域创建更强大、可靠且可解释的AI解决方案。

全文电子版可加入知识星球下载

https://t.zsxq.com/VOjt3

正文

混合智能系统：未来AI发展的必然选择

在人工智能快速发展的今天，单一技术已经难以满足复杂的现实需求。《Knowledge Graphs and LLMs in Action》这本在2025年10月出版的新书，为我们揭示了一个全新的技术发展方向——混合智能系统 。

这本书不仅仅是理论的堆砌，而是一本真正面向实战的综合指南。它展示了如何将知识图谱(Knowledge Graphs, KGs)的结构化推理能力与大语言模型(Large Language Models, LLMs)的自然语言理解能力有机结合，创建出比任何单一技术更强大的AI解决方案 。

目标读者群体：专业人士的必备参考

这本书专门为机器学习工程师、数据科学家、知识图谱专家和AI工程师而设计，特别适合那些希望利用知识图谱和大语言模型协同力量的专业人士 。无论您是在处理结构化企业数据、构建推荐系统、开发欺诈检测算法，还是创建问答应用程序，这本书都能为您提供超越单一技术的解决方案。

对于那些寻求通过结构化知识增强模型的数据科学家、希望减少LLM应用中幻觉问题的机器学习工程师，或者对构建可解释和可验证系统感兴趣的AI从业者，本书提供了所需的实用指导 。虽然对机器学习概念和图数据库的一定熟悉度有所帮助，但本书介绍了所有必要概念，并逐步构建复杂性。

书籍结构：从基础到高级的完整学习路径

全书共包含15章，分为5个部分，从基础概念逐步发展到高级实现 。

第一部分：混合智能系统的理论与实践基础

第1章 介绍了知识图谱和大语言模型的强大组合，通过具体示例和用例展示了它们的互补性质 。

第2章 探索了智能系统的基本概念，深入研究知识表示和推理策略，并说明了知识图谱和大语言模型在实践中的协作方式 。

第二部分：从结构化数据源构建知识图谱

第3章 通过医疗保健示例演示知识图谱构建，展示如何使用人类表型本体(Human Phenotype Ontology)帮助临床医生诊断罕见疾病 。

第4章 在这些基础上扩展高级分析方法，包括社区检测算法和生物医学应用中的多源集成 。

第三部分：从非结构化文本中提取知识

第5章 通过洛克菲勒档案中心的案例研究，展示了使用传统自然语言处理和现代基于LLM的方法将文本转换为知识图谱的基本流程 。

第6章 扩展了文档处理工作流程，从OCR扫描到用于识别研究网络和影响模式的复杂图分析 。

第7章 探索医疗法规中的命名实体消歧，展示如何将实体链接到结构化知识库，如统一医学语言系统(UMLS)和系统化医学术语(SNOMED) 。

第8章 引入了一种创新的消歧方法，将开放LLM与领域本体相结合以提高准确性 。

第四部分：知识图谱上的机器学习应用

第9章 介绍了在知识图谱上应用机器学习的基本概念，并建立了可学习表示的理论基础 。

第10章 通过欺诈检测和药物重新定位的实际例子说明了特征工程方法 。

第11章 进入图神经网络领域，展示这些架构如何从图结构中自动学习最优表示 。

第12章 通过反洗钱和电影推荐系统展示了现实世界的应用 。

第五部分：实用信息检索系统

第13章 探索通过检索增强生成将知识图谱与LLM集成，演示图RAG系统 。

第14章 展示如何通过执法示例构建模拟领域专家推理的复杂问答系统 。

第15章 使用LangGraph和Streamlit提供完整实现，演示如何构建生产就绪的系统 。

学习路径建议

本书设计为顺序阅读以获得全面理解，但有经验的从业者可以根据其直接需求专注于特定部分。初学者应从第1部分和第2部分开始，建立基础知识，然后再探索后续部分的专门应用 。

代码实现：理论到实践的桥梁

本书包含大量源代码示例，演示知识图谱和LLM集成的实际实现。代码以编号列表和解释文本的形式出现，使用固定宽度字体格式以区别于常规内容 。

所有源代码示例都可以从书籍的GitHub存储库下载：https://github.com/alenegro81/knowledge-graphs-and-llms-in-action。存储库包含每章示例的完整实现，以及设置说明和运行代码所需的数据文件。

技术要求与环境配置

示例需要Python 3.8或更高版本以及各种库，包括Neo4j、NetworkX、transformers、LangChain和Streamlit 。具体要求和安装说明在每章和存储库文档中提供。一些示例还需要访问OpenAI API或其他语言模型服务，并提供设置必要凭据的说明 。

在线资源与社区支持

购买《Knowledge Graphs and LLMs in Action》包括免费访问liveBook，Manning的在线阅读平台 。使用liveBook的独家讨论功能，您可以在全局或特定部分或段落上附加评论。您可以轻松为自己做笔记、提出和回答技术问题，并从作者和其他用户那里获得帮助。

可执行代码片段可从本书的liveBook（在线）版本获取：https://livebook.manning.com/book/knowledge-graphs-and-llms-in-action。本书中示例的完整代码也可从Manning网站下载：https://www.manning.com/books/knowledge-graphs-and-llms-in-action。

完整章节目录概览

前言部分

第一部分：混合智能系统基础

第二部分：从结构化数据源构建知识图谱
3. 从本体创建您的第一个知识图谱
4. 从简单网络到多源集成 

第三部分：从文本构建知识图谱
5. 从非结构化数据中提取领域特定知识
6. 使用大语言模型构建知识图谱
7. 命名实体消歧
8. 使用开放LLMs和领域本体的NED 

第四部分：知识图谱上的机器学习
9. 知识图谱上的机器学习：入门方法
10. 图特征工程：手动和半自动化方法
11. 图表示学习和图神经网络
12. 使用GNNs进行节点分类和链接预测 

第五部分：知识图谱和LLMs的信息检索
13. 知识图谱驱动的检索增强生成
14. 用自然语言向知识图谱提问
15. 使用LangGraph构建问答代理 

附录

产业影响与投资价值

从投资和产业发展角度来看，这本书所涉及的技术组合代表了AI领域的一个重要发展趋势。知识图谱与大语言模型的结合，不仅能够解决当前LLM存在的幻觉问题，还能提供更可靠、可解释的AI解决方案 。

对于企业和科研机构而言，这种混合智能系统在以下领域具有巨大的应用潜力：

技术发展趋势与未来展望

GraphRAG（图检索增强生成）作为本书重点介绍的技术之一，正在成为下一代AI系统的核心技术 。这种技术能够有效结合结构化知识和生成式AI的优势，为构建更智能、更可靠的AI系统提供了新的路径。

对于投资人而言，关注这一技术领域的发展趋势和相关企业，可能会发现新的投资机会。特别是在企业级AI应用、垂直领域智能系统、知识管理平台等方向，混合智能系统技术正在创造新的商业价值 。

行业前景与投资机会

市场规模与增长潜力

知识图谱市场预计将在未来几年内实现快速增长，特别是在与大语言模型结合的应用领域。企业对可解释AI的需求不断增加，为这一技术组合创造了巨大的商业价值 。

投资热点领域

1. 企业知识管理

   ：帮助企业整合和利用内部知识资产

2. 智能决策支持

   ：为复杂决策提供数据驱动的支持

3. 合规与风控

   ：在金融、医疗等高度监管行业的应用

4. 科研创新

   ：加速科学发现和技术创新 

技术挑战与解决方案

主要技术挑战

1. 知识图谱构建成本

   ：如何降低高质量知识图谱的构建成本

2. 实时性要求

   ：如何在保证准确性的同时满足实时响应需求

3. 多模态融合

   ：如何有效处理文本、图像、音频等多种数据类型

4. 可扩展性

   ：如何支持大规模数据和高并发访问 

解决方案框架

本书提供了系统性的解决方案：

• 自动化知识抽取和图谱构建

• 增量更新和版本控制机制

• 分布式架构设计

• 质量评估和持续优化流程  

学习路径与技能要求

目标读者群体

本书主要面向机器学习和AI工程师、数据科学家以及数据工程师，需要具备一定的Python编程基础和机器学习背景 。

核心技能要求

1. 图论基础

   ：理解图结构和图算法

2. 自然语言处理

   ：掌握文本处理和语言模型

3. 数据建模

   ：具备数据结构设计能力

4. 系统架构

   ：了解分布式系统设计原则 

作者团队与权威性

主要作者介绍

• Alessandro Negro

  ：GraphAware首席科学家，《Graph-Powered Machine Learning》作者，在图机器学习领域具有深厚造诣 

• Vlastimil Kůs、Giuseppe Futia、Fabio Montagna

  ：在知识图谱、大语言模型和图神经网络领域的资深专家 

业界认可度

本书获得了Maxime Labonne、Khalifeh AlJadda等知名专家的推荐，体现了其在学术和工业界的认可度 。

市场反响与用户评价

用户反馈亮点

根据已有的用户评价，本书具有以下特点：

• "全面、实用、权威" 

• "在理论和实践层面都建立了深入的理解" 

• "构建KG和LLM驱动应用的优秀入门指南" 

• "全面且深思熟虑！作者再次命中目标" 

整体评分

用户总体评分为4分（满分5分），71%的购买客户给出4-5星评价，显示了较高的满意度 。

结语：技术融合的未来展望

知识图谱与大语言模型的结合代表了人工智能发展的重要方向。这不仅仅是技术的简单叠加，而是两种互补技术的深度融合，为构建更加智能、可靠、可解释的AI系统开辟了新的可能性。

对于企事业单位和科研院所而言，掌握这一技术组合将成为在AI时代保持竞争优势的关键因素。无论是提升内部知识管理效率，还是开发面向客户的智能服务，知识图谱增强的大语言模型都将发挥重要作用。

投资者也应该关注这一技术趋势，特别是在垂直领域应用、企业级解决方案和平台化服务等方面的投资机会。随着技术的不断成熟和应用场景的扩展，相关企业和项目将迎来快速发展期。

《Knowledge Graphs and LLMs in Action》为我们提供了深入理解和实践这一前沿技术的宝贵资源，值得每一位关注AI发展的专业人士深入学习和应用。

---

标签

#知识图谱 #KnowledgeGraphs #LLM #大语言模型 #GraphRAG #人工智能

欢迎加入「知识图谱增强大模型产学研」知识星球，获取最新产学研相关"知识图谱+大模型"相关论文、政府企业落地案例、避坑指南、电子书、文章等，行业重点是医疗护理、医药大健康、工业能源制造领域，也会跟踪AI4S科学研究相关内容，以及Palantir、OpenAI、微软、Writer、Glean、OpenEvidence等相关公司进展。