---
categories:
  - "[[LLM Wiki]]"
tags:
  - wiki
  - concept
  - knowledge-graph
  - knowledge-representation
  - ai-education
created: 2026-04-20
source: "[[教学大模型发展状况深度研究报告-20260415]]"
type: concept
aliases:
  - 知识图谱
  - Knowledge Graph
  - KG
---

# 知识图谱

知识图谱（Knowledge Graph）是一种用图结构表示知识的技术，通过节点（实体）和边（关系）构建语义网络。在教育AI中，知识图谱是构建智能辅导系统、实现个性化学习的基础设施。

## 定义

知识图谱是一种有向图结构，其中：
- **节点（Node）**：表示实体（如知识点、概念、人物）
- **边（Edge）**：表示实体之间的关系（如"是前置条件"、"属于"、"相关联"）
- **属性（Property）**：节点的附加信息（如难度、学时、标签）

## 核心概念

### 三元组结构

知识图谱的基本单元是三元组（主语，谓语，宾语）：

```
示例：

(一次函数, 是, 函数)
(函数, 是, 数学概念)
(函数, 属于, 代数)
(代数, 前置条件, 算术)
(一次函数, 难度, 中等)
```

### 知识图谱示例

```
一次函数 ──是──► 函数
   │               │
   │属於          │是
   ▼               ▼
代数        数学概念
   │               │
   │前置           │包含
   ▼               ▼
算术         微积分
```

## 教育知识图谱的特点

### 1. 层次结构

```
数学
├── 代数
│   ├── 一次函数
│   ├── 二次函数
│   └── 不等式
├── 几何
│   ├── 三角形
│   ├── 圆
│   └── 多边形
└── 统计
    ├── 平均数
    ├── 中位数
    └── 方差
```

### 2. 依赖关系

```
微积分
├── 前置：函数
│   ├── 前置：一次函数
│   └── 前置：三角函数
└── 前置：极限
```

### 3. 关联关系

```
一次函数
├── 相关：二次函数（对比学习）
├── 应用：实际问题建模
└── 考点：期中考试重点
```

## 教育知识图谱的作用

### 1. 个性化学习路径

根据知识图谱规划最优学习路径：

```
学生已掌握：{算术, 代数基础}
学生未掌握：{一次函数, 二次函数, 微积分}

最优路径：
  算术 → 代数基础 → 一次函数 → 二次函数 → 微积分
```

### 2. 知识点推荐

识别薄弱环节并推荐相关内容：

```
学生答错一次函数题

图谱分析：
  一次函数依赖：{代数基础, 方程}
  
推荐：
  1. 回顾代数基础
  2. 练习方程求解
  3. 重新学习一次函数
```

### 3. 错因分析

通过知识追踪 + 知识图谱分析错误原因：

```
学生答题错误

错误分析：
  1. 前置知识缺失？（代数基础）
  2. 本概念理解偏差？（一次函数定义）
  3. 计算失误？（代入求值）
  4. 解题习惯问题？（步骤跳过）
```

## 技术实现

| 技术 | 作用 | 代表产品 |
|------|------|----------|
| **知识抽取** | 从教材、题库中提取知识点和关系 | 小猿AI |
| **图数据库** | 存储和查询知识图谱 | Neo4j, JanusGraph |
| **图算法** | 最短路径、关联推荐、社区发现 | 知识空间理论 |
| **LLM增强** | 用LLM自动构建和更新知识图谱 | Khanmigo |

## 核心优势

1. **结构化知识**：将分散的知识点组织成系统化网络
2. **支持推理**：可以基于图结构进行逻辑推理
3. **可视化展示**：直观展示知识结构和学习路径
4. **动态更新**：可以随着学习进展实时更新知识状态

## 实践应用

| 产品 | 知识图谱应用 |
|------|--------------|
| **小猿AI** | 五重错因分析（知识漏洞检测、概念关联分析） |
| **讯飞星火** | 知识图谱 + 代码大模型 |
| **作业帮** | AI解析 + 智能推荐 |
| **Khanmigo** | 知识追踪 + 苏格拉底式引导 |

## 关键挑战

1. **构建成本高**：需要大量专家和人工投入
2. **维护复杂**：知识点更新、关系调整需要持续维护
3. **领域差异大**：不同学科的知识图谱结构差异大
4. **质量验证难**：图谱的准确性和完整性验证困难

## LLM时代的新发展

随着大语言模型的发展，知识图谱正在与LLM结合：

- **LLM自动构建知识图谱**：从文本中提取实体和关系
- **RAG（检索增强生成）**：用知识图谱约束LLM的幻觉问题
- **动态知识更新**：LLM根据对话实时更新知识图谱
- **多模态知识融合**：结合文本、图像、视频等多模态信息

## 相关概念

- [[知识空间理论]] — 知识结构的另一种形式化表示
- [[知识追踪]] — 结合知识图谱动态更新知识状态
- [[教学大模型]] — LLM + 知识图谱的融合应用
- [[RAG]] — 检索增强生成技术
- [[小猿AI]] — 知识图谱实践案例

## 来源

- [[教学大模型发展状况深度研究报告-20260415]] — 知识图谱应用、小猿AI实践