KG与LLM双轮驱动智能平台助力知识图谱公司Ontotext市场营销

这是一份由知识图谱公司 Ontotext 在 2023 年知识图谱论坛上分享的内容的简化和更新版本，由解决方案架构师克拉西米拉·波赞诺娃（Krasimira Bozhanova）呈现。下面，我们将其核心逻辑重新梳理，用更贴近实战经验的口吻讲给你听。

摘要

Ontotext 利用知识图项目（OTKG）来提升内容发现和营销知识共享，并整合大型语言模型（LLMs）以改善洞察和用户互动。

- OTKG 将 Ontotext 的营销内容与工作流管理相结合，促进简易信息检索和知识驱动的洞察。

- 项目在不同层面集成了人工智能，提升内容的可发现性，实现定制导航和推荐，同时为洞察提供自然语言界面。

- ChatGPT 被整合用于提供自然语言查询，利用检索增强生成（RAG）模式提升用户互动体验和动态内容更新。

- 将 LLMs 与知识图相结合，解决了内容限制和解释性不足等挑战。

- 项目展示了 LLMs 和知识图如何协同作用，带来卓越的内容发现、理解和洞察。

什么是OTKG？

营销团队的目标是简化网站上的内容发现，于是我们发起了 Ontotext 知识图谱（OTKG）项目。多年的经验告诉我们，仅仅有一个基本的搜索界面远远不够——组织要想从内容中真正获益，必须把信息背后的关系也打通。

项目起步时，我们就看中了这个新兴方向的潜力：借助产品本身的力量，优化整个内容发布流程，让深入的知识发现成为可能。最终，这个项目演变成一个涵盖所有营销知识的广泛知识图谱，让整个组织都因此受益。

具体来说，OTKG 模型将 Ontotext 的信息与不同团队产生的内容相结合。我们从营销内容开始，很快又整合了数据和内容管理的工作流程。目标很明确：生成一个知识空间，让信息易于查找、复用，并为知识驱动的洞察提供支撑。

项目涉及多个部门，通过将营销团队的专业知识与我们自身的产品能力结合，我们成为了产品的早期采用者。这样做的价值在于：能立刻把新功能用在真实场景中，获得内部用户的直接反馈，从而快速迭代。跨职能协作让我们能够进行短周期的价值驱动循环，快速原型验证创新思路，然后把精力集中在最具影响力的功能上。

从知识图谱构建到价值

增强 Ontotext 信息的可发现性，本质上是解锁内容中隐藏的价值，让它们轻松可达。

我们在这类项目中的标准做法是：先定义能力问题——哪些问题能帮我们理解需要在图中建模什么内容？然后构建知识图谱，包括自定义本体（这里是 schema.org 的扩展）和自定义分类法。我们用 GraphDB 存储这些数据，并使用 Ontotext Refine 将结构化和半结构化内容转换为 RDF。

接着通过 Ontotext Metadata Studio（OMDS），基于营销词汇进行文本分析，完成语义内容增强。这样就能根据精细化模型和感兴趣的实体对内容进行分类。再借助 metaphacts 的知识图谱平台 metaphactory 的灵活语义分面搜索，将这些分类内容公开出来。

这些步骤为集成大型语言模型（LLMs）铺平了道路，从而提供最前沿的知识发现和探索能力。为了让系统真正有价值，它必须和最新内容保持同步——所以我们建立了工作流，让数据随时跟上网站发布的节奏。同时，我们在架构设计上注重可复用性，方便其他有同样内容管理需求的组织直接借鉴。

AI在这其中扮演什么角色？

现在来看看知识图谱是如何与大型语言模型在不同层面上整合的。

在知识图谱构建和语义增强阶段，我们的目标是提高内容的可发现性——无论对搜索引擎还是对我们自己的平台。实现方式是基于图形的实体链接，在内容发布过程中进行质量标记。这样，搜索引擎优化和语义驱动的内容发现都能获益。

为了高效进行知识发现，我们必须能精确确定信息来源，并为用户提供定制导航和相关推荐，帮助他们逐步建立知识体系。最后，到了问答和洞察环节，我们想要一个用户友好的自然语言界面，让人们能直接与知识图谱中的信息对话。而知识图谱自身也为趋势分析和知识驱动的洞察提供了基础。

幕后接口

来看看具体是怎么运作的。OMDS 展示了目前所有文件的集合——博客文章、活动、新闻文章等。营销团队在发布前就用它来给新内容添加语义元数据。

打开一篇关于“在亚马逊网络服务市场上提供 GraphDB”的文档。右侧是文档正文，左侧则是 OMDS 标注器自动发现的所有提及。

这是基于图谱的标注——提到的不只是关键词，而是我们建模的实体。图的连通性对内容分类至关重要。我们还看到了按相关性排序的结果：不出意外，亚马逊网络服务是最相关的概念，其次是 GraphDB。

现在，假设营销团队的成员想知道为什么文件被这样分类。我们可以打开关于“云提供商”的注释，点击右上角的突出按钮，查看文本中导致分类的提示——也就是可解释性。比如对于“亚马逊网络服务”，高亮会告诉我们：原因是文本中提到“AWS”，而且图中存在“云提供商”和“AWS”之间的关系。这其实是 RDF 数据库中推理逻辑的直接应用，用来丰富这些提及。

终端用户界面

用户是如何探索这些内容的呢？

从上面的屏幕截图可以看到：内容位于中心，左侧有各种过滤器。标准过滤器包括文档类型、发布日期或作者，但还有基于自定义词汇和 OMDS 分类的附加语义过滤器。展开这些过滤器，能看到每个自定义词汇的完整树形结构。所有这些让用户能更精准地筛选、导航，找到感兴趣的内容。

举个例子：在“资源类型”中只筛选博客文章，在“能力”中选择“系统操作”，在“主题”中选择“云提供商”，再添加搜索词“云”，右侧就会显示相关匹配。第一个结果正是我们在 OMDS 界面中看到的那篇关于在云上使用 GraphDB 的博客文章，还有其他结果。

打开这篇文章，能看到通过 OMDS 分配的三个提及。我们还可以观察提及中的节点，点击不同主题来阅读它们在知识图谱中的定义。同时能看到与这些提及最相关的其他概念的趋势和分析数据。

借助这些提及，我们还能提供内容推荐。值得注意的是，这些都是基于图形的推荐，不单纯依赖内容相似性。

对话界面

分面搜索是经典的内容查询方式，但我们可以切换到更高级的玩法——自然语言查询界面，还能与筛选器结合使用。

实现方式是通过增强标准的检索增强生成（RAG）模式，将 ChatGPT 与知识图谱集成。具体来说，使用 GraphDB ChatGPT 检索插件连接器，把我们的知识图谱轻松转换成嵌入，并确定需要提供给 LLM 的信息来回答用户问题。

上图展示了如何通过产品实现聊天功能。从左到看：用户选择内容过滤器，把问题发送到系统。请求被 GraphDB 消费，GraphDB 存储了 OMDS 产生的所有内容增强元数据。然后用户的问题和过滤器被发送到一个简单的聊天应用程序中，它从向量数据库（这里用的是 Wea viate）检索最相关的基础上下文。

连接器实现了向量数据库与 GraphDB 中内容的动态同步——当新信息进入 GraphDB 时，向量数据库自动更新，新信息立即可用于回答问题。基础上下文和问题一起被发送给 LLM 进行回答。收到响应后，再使用语义元数据丰富它，并将响应与合适的跟进建议进行情境化处理后提供给用户。

提问样例

来看一个具体例子。我们可以按发布日期筛选内容，关注过去三年。然后提问：“在 AWS 上使用 GraphDB 的主要好处是什么？”聊天界面返回的答案除了标准信息外，还提供了诸如“简化采购”这样的见解。

这里的关键点在于：通过可靠的背景信息可以有效限制 LLM 的幻觉。答案中的链接指向生成答案的来源，用户可以追溯信息并进一步阅读。继续往下滚动，还能看到与回答相关的分类提及的树形结构，以及后续阅读材料。这样就把用户的兴趣置于知识图谱的上下文中，展示真正有价值的信息。

大语言模型和知识图谱

现在拉高视角，看看我们的产品如何从人工智能中受益，这种协同作用又怎么帮助我们实现目标。

• 对于质量标记：OMDS 能在所有内容上进行知识图谱感知的文本分析。

• 对于知识发现：GraphDB ChatGPT 检索插件连接器生成向量嵌入，高效识别信息来源。GraphDB 连接器与 FTS 和向量数据库的集成提供了基于图的推荐。

• 对于问答和洞察：使用 LLM，而图的连接性和推理帮助我们识别新知识、趋势、共现、用户需求等。

这个项目再次证明：LLM 和知识图谱天然地融合在一起，形成一个更优的整体。

在 OTKG 中，我们应用了一系列技术，解决了在生产系统中使用 LLM 面临的主要挑战：

• 利用自身结构化和非结构化信息增强 LLM，解决其仅限于公共知识的问题。

• 提供可靠的基础环境，应对错误生成和不可信问题。

• 显示生成答案的来源内联链接，解决缺乏可解释性和可追溯性的问题。

在实际系统中使用 LLM 并不像初看起来那么简单。但 LLM 和知识图谱结合，带来的价值远远超过各自的总和。它们相辅相成，催生出令人兴奋的新能力。说到底，知识图谱和语义元数据的组合，让 LLM 在内容发现、理解、问答和洞察等环节的表现都上了一个台阶。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：KG与LLM双轮驱动智能平台助力知识图谱公司Ontotext市场营销要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题