这篇文档属于类型b——这是一篇发表在《Appl. Sci.》2025年第15卷上的综述论文，题为《Knowledge Graph Construction: Extraction, Learning, and Evaluation》，由韩国国立金乌技术大学（Kumoh National Institute of Technology）的Seungmin Choi和Yuchul Jung合作完成。

论文主题与背景

知识图谱（Knowledge Graph, KG）作为人工智能领域的重要知识表示方法，通过节点（实体）和边（关系）的结构化表达，广泛应用于自然语言处理（NLP）、推荐系统、知识搜索和医疗诊断等领域。近年来，随着大语言模型（Large Language Models, LLMs）的兴起，如何结合KG缓解LLM的“幻觉”（hallucination）问题成为研究热点。本文系统性梳理了2022-2024年间KG构建的三个核心维度——抽取（Extraction）、学习范式（Learning Paradigm）和评估方法（Evaluation Methodology），旨在为研究者提供最新的技术路线图。

主要观点与论据

1. KG抽取：从多模态数据到领域特定构建

KG构建的第一步是从非结构化数据中提取实体和关系。论文指出，传统方法如基于规则和机器学习的命名实体识别（NER）已逐渐被BERT等预训练模型取代，后者通过双向上下文理解显著提升了精度（如BiLSTM-CRF结合依赖树解析）。在关系抽取中，图神经网络（Graph Neural Networks, GNNs）和注意力机制（Attention Mechanisms）成为主流，例如：
- 多模态抽取：在电力系统（如GridOnto）和医疗领域（如PharmKE），结合文本、图像和传感器数据，构建领域专用KG。
- 对齐与纠错：针对LLM生成的“虚假关系”（如药物-疾病错误关联），研究者提出基于知识图谱一致性校验和多模态交叉验证的后处理策略。

2. KG学习：从传统嵌入到动态推理

KG学习的核心是将实体和关系映射到低维向量空间。论文对比了多种方法：
- 传统嵌入模型：如TransE通过向量平移（h + r ≈ t）建模简单关系，但难以处理一对多关系。改进方案包括结合强化学习（RL）动态补充缺失路径（如SSKGE框架）。
- 图神经网络：GNN通过消息传递（Message Passing）捕捉高阶结构，例如GAT（Graph Attention Network）利用注意力权重优化节点表示，在生物医学KG（如基因互作网络）中表现优异。
- 动态学习：针对时序知识图谱（Temporal KG, TKG），模型如T-GAE整合时空依赖，预测未来事件（如交通碰撞风险）。

3. KG评估：内在指标与外部应用验证

评估方法分为三类：
- 内在评估：衡量KG内部质量，包括准确性（Precision）、覆盖率（Coverage）和一致性（Consistency）。例如，在链接预测任务中，常用指标Hits@K和MRR（Mean Reciprocal Rank）评估排名性能。
- 外在评估：测试KG在下游任务（如问答系统、医疗诊断）中的实用性。例如，临床决策支持系统通过对比医学数据库验证KG推断的可信度。
- 定性分析：通过案例研究解释模型决策逻辑，如可视化注意力机制揭示实体关系提取的关键文本区域。

论文的价值与意义

1. 技术整合：首次系统化梳理了KG构建的全流程技术栈，涵盖从基础抽取到前沿的LLM融合方法。
   
2. 领域适配性：针对医疗、工业等垂直领域，总结了数据稀疏性和噪声处理的解决方案（如对比学习、少样本学习）。
   
3. 评估标准化：提出了兼顾理论严谨性和应用可行性的评估框架，为后续研究提供基准。
   

亮点与创新

• 跨模态技术：强调多模态数据（文本、图像、传感器）在KG构建中的融合潜力。
  
• 动态性：突出时序KG和在线学习对现实场景（如自动驾驶、疫情预测）的适配性。
  
• 纠错机制：针对LLM幻觉问题，提出基于逻辑规则和外部知识库的验证策略，提升KG可靠性。
  

这篇综述不仅为KG研究者提供了技术全景，也为工业界落地KG技术（如智能医疗、智慧城市）指明了实践路径。