再看知识图谱本体生成：RAG用于Mysql数据转换及非结构化文本生成思路
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
今天是2025年6月7日，星期六，北京，晴
今天来看知识图谱的问题，关于知识图谱本体。
我们介绍两个工作，一个是RAG用于Mysql数据生成知识图谱本体，另一个是基于非结构化知识库进行本体生成。
关系数据库在数据管理中很重要，但由于其结构化框架，难以进行语义查询和集成。将关系数据库转换为知识图谱（KG）可以促进数据共享和集成，并增强学习和推理能力，但是，现有工作主要集中在从关系数据库中提取本体，但大多依赖于数据库模式（如表和列名），缺乏外部知识，导致生成的本体质量不高。
实现流程如下：
（a）按照外键约束遍历表；（b）使用RAG从核心本体中检索相关概念；（c）使用RAG检索相关文本描述；（d）使用RAG从本体库中检索相关概念和属性；（e）构建提示；（f）使用Gen-LLM生成增量本体；（g）通过人类专家或Judge-LLM对增量本体进行细化；（h）将细化后的增量本体整合到核心本体中，以扩展其覆盖范围。
其中，用于本体生成的提示模板如下：
看一个转换结果：
这个工作的意义在于，加快将mysql数据库为知识图谱的转换速度。
本体对于构建知识库以增强由大模型生成问答有价值，尤其是对知识库的约束上，有组织总比没有好。
但是，传统的本体创建依赖于领域专家的手工努力，这一过程耗时耗力、易出错，所以自动化生成是常用的一个方案。
那么，是怎么做的呢？
主要流程如下，包括六个阶段：网络抓取、PDF解析、混合分块、信息提取、知识图谱构建和本体创建。
其中：
PDF解析阶段，采用Unstructured库，结合OCR、对象检测和数字解析技术，准确识别文档布局和元素位置。为了提高表格提取的准确性，使用PyMuPDF对表格区域进行隔离和处理。
混合分块阶段，结合了基于元素的和基于语义的分块方法，确保生成的块在上下文上连贯且适合LLM处理；
信息提取阶段，使用Gemini2. 5Flash进行文本清理、消歧、命名实体识别、原子事实提取等步骤，将文本转换为结构化的原子事实和关系；
知识图谱构建阶段，通过聚类关键元素形成本体类，并将关系投影到这些类上，形成知识图谱；
本体创建阶段，应用Leiden社区检测算法对知识图谱进行分区，提取类属性并合成类属性，最终形成层次化的本体结构。
那么，怎么验证其有效性，也可看看：
使用了一个包含约100万token的ABB继电器产品PDF文档数据集进行评测，结论是：OntoRAG通过将LLMs与基于图的方法结合，在全面性和多样性方面优于向量RAG和GraphRAG，可以实现88%和65%的胜率。
1、https ://arxiv. org/pdf/2506. 01232
2、https ://arxiv. org/pdf/2506. 00664
老刘，NLP开源爱好者与践行者，主页：https ://liuhuanyong. github.io。
对大模型&知识图谱&RAG&文档理解感兴趣，并对每日早报、老刘说NLP历史线上分享、心得交流等感兴趣的，欢迎加入社区，社区持续纳新。
加入社区方式：关注公众号，在后台菜单栏中点击会员社区加入。
