AutoSchemaKG

背景：从"知识孤岛"到"知识互联"

在企业文档、学术论文、新闻报道的海量文本中，隐藏着无数相互关联的知识实体——人物、事件、概念、关系。传统的知识图谱构建，需要领域专家手工定义 Schema（本体结构），再由工程师编写抽取规则，这套流程往往需要数月甚至数年。香港科技大学（HKUST）知识计算实验室推出的 AutoSchemaKG，正是为解决这一痛点而生：让大语言模型自己学会" schema 归纳"，无需人工预定义，即可从任意文本中自动构建高质量知识图谱。

该论文于 2025 年 5 月发表在 arXiv（arXiv:2505.23628），代码同步开源，由 Bai Jiaxin、Tsang Hong Ting、Huang Haoyu 等研究者开发维护。

核心原理：两阶段自动化知识图谱构建

AutoSchemaKG 的设计哲学是"让 AI 自己教自己建图谱"。整个框架分为两个核心阶段：

第一阶段：三元组抽取（Triple Extraction）

给定一段文本，系统调用 LLM（支持 OpenAI GPT、Azure OpenAI、Together AI、vLLM、SGLang、TensorRT-LLM 等多种后端），按照预设的 ATLAS_SCHEMA JSON Schema，以结构化方式输出文本中的实体和关系。三元组格式为「头实体 → 关系 → 尾实体」，覆盖实体（Entity）、事件（Event）、关系（Relation）三类节点类型。

技术细节上，atlas_rag/kg_construction/triple_extraction.py 实现了分片并行处理机制（Shard）：将大规模数据集切分为 N 个分片，每个分片独立处理后再合并结果，非常适合处理 Wikipedia、Common Crawl 等数十亿级语料。TextChunker 类负责将长文本切分为重叠的短块（默认 512 tokens，overlap 128），避免跨块信息丢失。DatasetProcessor 支持多语言内容过滤，当前支持英文。

第二阶段：Schema 归纳（Schema Induction）

这是 AutoSchemaKG 区别于传统知识图谱抽取方案的关键创新。抽取出的三元组节点（实体/事件/关系名称）往往是具体而碎片化的，例如"2024年苹果公司发布了iPhone 16"中的"iPhone 16"。Schema 归纳阶段使用 LLM 对这些具体节点进行"概念化"（Conceptualization），将"iPhone 16"归纳为"智能手机"，建立高层语义抽象。

具体实现见 atlas_rag/kg_construction/concept_generation.py：对于每个节点类型（Entity/Event/Relation），系统构造不同的 Prompt 模板（CONCEPT_INSTRUCTIONS），让 LLM 生成概念化描述，并将其存储为新节点与原节点的语义桥接边。这使得不同领域的数据可以在概念层实现跨域推理（Zero-shot Cross-domain Reasoning）。

技术架构：模块化 RAG + 知识图谱双引擎

AutoSchemaKG 的代码组织围绕 atlas_rag 核心包展开，采用清晰的模块化架构：

LLM 统一调用接口（llm_generator/llm_generator.py）是架构亮点：它将不同推理后端（OpenAI API、Transformers 本地推理、vLLM、SGLang、TensorRT-LLM）封装为统一接口，开发者只需切换 backend 参数即可切换推理方式。内置 retry_decorator（tenacity）支持最多 5 次自动重试，单次最长等待 2 分钟，保证大规模抽取的稳定性。

ToG 检索器（Thinking-on-Graph，retriever/tog.py）实现了知识图谱上的多跳推理：给定自然语言问题，首先用 NER 提取问题中的实体，在图谱中锚定这些实体节点，然后迭代执行"扩展→剪枝→推理"三步循环，直到 LLM 判断当前路径足以回答问题。最大推理深度由 Dmax 参数控制，默认 3 跳。

ATLAS 知识图谱：9亿节点的开源知识宝库

项目团队使用 AutoSchemaKG 框架，从不同数据源构建了三套 ATLAS 系列知识图谱：

• ATLAS-Wiki：来自 Wikipedia，规模最大
• ATLAS-Pes2o：来自学术论文（Semantic Scholar）
• ATLAS-CC：来自 Common Crawl 网页语料

三套图谱合计超过 9 亿个节点、59 亿条边，且已导出为 Neo4j 可直接导入的 CSV 格式（HuggingFace 下载）。这使得开发者无需从零构建，即可直接使用大规模预训练知识图谱进行 RAG 实验。

在多跳问答基准（Multi-hop QA）上，ATLAS 系列图谱联合 ToG 检索器取得了 SOTA（State-of-the-Art）性能，展示了"自动化 Schema + 知识图谱推理"路线的实际价值。

上手体验：从安装到 KG 构建

安装方式：pip install atlas-rag，依赖 Python >= 3.9，核心依赖包括 OpenAI SDK、Transformers、NetworkX、Neo4j、FastAPI。

构建自己的知识图谱：项目提供了三个完整 Notebook 示例：

• atlas_billion_kg_usage.ipynb：直接使用 ATLAS 预训练知识图谱
• atlas_full_pipeline.ipynb：从原始文本到最终知识图谱的全流程演示
• atlas_multihopqa.ipynb：多跳问答评测流程

对于生产环境，example/example_scripts/neo4j_kg/ 提供了 Neo4j 数据库的 API 托管脚本，可以将知识图谱发布为 FastAPI 服务供外部调用；parallel_generation/ 则展示了多进程并行抽取的生产级脚本。

上手门槛：由于涉及 LLM API 调用、Neo4j 数据库部署、以及可选的 GPU 资源调配，对 AI 开发者有一定技术要求，非技术人员建议优先使用项目提供的预训练 ATLAS 图谱进行下游任务。

局限与挑战

AutoSchemaKG 并非完美无缺。以下几点值得注意：

1. 依赖 LLM API 质量：三元组抽取和 Schema 归纳的效果直接受制于底层 LLM 的能力。GPT-4 级别模型效果显著优于 GPT-3.5，轻量模型（如 Llama-2-7B）则可能出现抽取不完整、Schema 归纳泛化差等问题。

2. 大规模部署成本：构建 billion 级别的知识图谱需要大量 LLM API 调用，Wikipedia 全量处理估算需要数千美元的 API 费用。团队提供的 ATLAS 图谱虽可免费使用，但针对特定垂直领域（如医疗、金融）重新构建需要额外投入。

3. Schema 归纳的幻觉风险：概念化过程中，LLM 可能将语义相近的实体错误归纳为不同概念，或将不同实体错误合并。目前项目通过随机采样邻居节点作为上下文（[CONTEXT] token）来缓解，但仍未根本解决。

4. 无原生 Web UI：项目以 Python 库和 Notebook 为主，没有开箱即用的 Web 界面，对于非编程用户不够友好。

行业意义与未来展望

AutoSchemaKG 代表了知识图谱领域的一个趋势转变：从"专家定义 Schema → 工程师写规则"到"AI 自动归纳 Schema → 任意文本即建图谱"。这一路线与 RAG（检索增强生成）深度结合——ToG 等检索器证明了知识图谱可以在多跳推理场景中显著提升 LLM 的问答准确性。

随着 LLM 能力的持续提升和推理成本下降，"任意领域文本 → 高质量知识图谱"的自动化构建将成为可能。AutoSchemaKG 开源了核心代码和 9 亿节点预训练图谱，为这一方向的研究和应用提供了重要的基础设施。

项目信息：MIT 许可证 · Python · 761 Stars · 104 Forks · 持续活跃更新（最近更新：2026-06-17）