---
title: "知識圖譜（Knowledge Graph）"
slug: knowledge-graph
language: zh-TW
source: https://aiterms.tw/terms/knowledge-graph
updated_at: 2026-07-30
tags: [知識圖譜, 自然語言處理, 大型語言模型, AI應用]
ipas_term: false
---

# 知識圖譜（Knowledge Graph）

知識圖譜（Knowledge Graph）是以圖結構儲存實體（Entity）及其關係（Relation）的語意知識庫，透過「主體-關係-客體」三元組表示現實世界的知識，廣泛應用於搜尋引擎增強、問答系統

## 完整說明

知識圖譜（Knowledge Graph）以有向圖的形式組織結構化知識，其基本單元是三元組（Triple）：（主體, 關係, 客體），如（台灣, 位於, 亞洲）或（GPT-4, 由, OpenAI 開發）。知識圖譜起源於語意網（Semantic Web）研究，由 Google 於 2012 年在搜尋引擎中大規模應用後廣為人知，常見代表包括 Wikidata、DBpedia 與企業自建的領域知識圖譜。與關聯式資料庫（RDBMS）相比，知識圖譜更適合表達多跳推理（Multi-Hop Reasoning）和異構關係；與一般圖資料庫相比，知識圖譜強調語意意義（Ontology）和外部知識連結。在生成式

## 常見問題

### 知識圖譜與向量資料庫在 RAG 架構中各自的優缺點是什麼？

兩者在 RAG 架構中解決不同類型的檢索需求。向量資料庫（Vector Store）以語意相似度為基礎，適合開放域問答、文件摘要等場景：問題「關於機器學習有哪些重要資源？」不需精確匹配，語意接近的文本都有參考價值；其缺點是無法處理精確的邏輯推理和多跳關係查詢。知識圖譜則適合需要精確事實和多跳推理的問題：如「A 公司的技術長是誰，他之前在哪裡工作？」需要沿關係鏈查詢兩跳；其缺點是建構和維護成本高，知識覆蓋面受限於已知事實。GraphRAG 架構嘗試結合兩者：先用知識圖譜識別相關實體和關係，再用向量搜尋找到相關文本片段，最後一起送給 LLM 生成回答，適合需要精確性和廣泛覆蓋的企業知識問答系統。

### 建構領域知識圖譜的主要步驟有哪些？常見的技術挑戰是什麼？

建構領域知識圖譜通常包含五個階段。第一，本體設計（Ontology Engineering）：定義領域的核心概念類別和關係類型，這是最需要領域專家介入的步驟，設計不良的本體會導致後續工作全部返工。第二，知識抽取（Knowledge Extraction）：從文字、資料庫、API 中自動或半自動抽取三元組，包括命名實體識別（NER）和關係抽取（Relation Extraction）。第三，知識融合（Entity Alignment）：合併來自不同來源的重複實體（如「人工智慧」和「AI」指同一概念）。第四，知識補全（Knowledge Graph Completion）：利用嵌入模型預測知識圖譜中缺失的關係。第五，知識更新與維護：建立自動化機制從新資料持續更新知識圖譜。主要挑戰包括：本體設計的領域知識門檻高、關係抽取的準確率難以超過 90%、跨來源實體對齊的歧義處理複雜。

### 知識圖譜在 iPAS AI 應用規劃師考試中的考察重點是什麼？

在 iPAS AI 應用規劃師中級考試中，知識圖譜的考察通常涵蓋：（1）基本定義與三元組（主體-關係-客體）結構，以及與關聯式資料庫的本質差異；（2）知識圖譜的典型應用場景：搜尋引擎語意增強（如 Google Knowledge Panel）、問答系統、推薦系統；（3）知識圖譜在生成式 AI 中的角色：作為 RAG 的結構化知識源，提供多跳推理能力，與純向量檢索的互補關係；（4）知識圖譜的建構流程：知識抽取、實體對齊、知識補全的基本步驟；（5）知識圖譜嵌入的基本概念：將實體和關係映射到向量空間以支援機器學習。考試中最常考「知識圖譜如何解決 LLM 幻覺問題」以及「知識圖譜與向量資料庫的使用場景差異」。

---

來源：https://aiterms.tw/terms/knowledge-graph
快查頁：https://aiterms.tw/terms/knowledge-graph
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-knowledge-graph