From Symbolic to Natural-Language Relations: Rethinking Knowledge Graph Construction in the Era of Large Language Models
本立场论文认为，大语言模型的兴起使得知识图谱构建必须发生范式转变，即从僵化的、预定义的符号关系模式，转向由平衡结构完整性与语义细微差别的混合设计原则所支持的、灵活且富含上下文的自然语言关系描述。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
以下是使用简单语言和日常类比对该论文进行的解释。
核心理念：从“便利贴”到“讲故事”
想象一下，你正试图整理一个关于世界的庞大信息图书馆。长期以来，图书管理员（计算机科学家）一直使用一种非常严格的系统：知识图谱（Knowledge Graphs）。
在旧系统中，每一条信息都是一个像数学方程一样的“三元组”：
[人物 A] — [标签] — [人物 B]
例如：[埃隆·马斯克] — [就职于] — [特斯拉]。
论文指出，这种旧系统就像是用微小且僵硬的便利贴来描述复杂的人类关系。它对于需要简单、干净数据的计算机运行良好，但它丢弃了现实生活中所有的细微差别、语境和“韵味”。
现在，我们有了大语言模型（LLMs）（比如你正在与之交谈的 AI）。这些 AI 非常擅长阅读和理解自然语言中的长篇、详细的故事。论文提出：既然我们的新 AI 工具已经能够阅读整部小说了，为什么我们还要强迫将知识塞进那些微小、僵硬的便利贴里呢？
问题所在：“一刀切”的标签
作者指出了旧有“便利贴”方法的三个主要问题：
- 过于僵硬： 现实生活是混乱的。两个人之间的关系是“朋友”？“同事”？“对手”？还是“导师与学生”？旧系统强迫你只能选择一个标签（比如“朋友”）。如果关系很复杂，这个标签就会撒谎。
- 丢失语境： 如果你写下
[约翰] — [居住在] — [巴黎]，你就丢失了故事。他是为了爱情搬去的吗？是为了工作？他是去旅游一周，还是永久定居？便利贴无法承载那个故事。 - 对新 AI 不友好： 新的 AI 模型擅长通过文本进行推理。当被迫观察由不连贯符号组成的图谱时，它们会感到困难。相比于看到类似
居住在这样的代码，它们更喜欢阅读像 “约翰去年为了担任厨师的工作搬到了巴黎” 这样的句子。
解决方案：自然语言关系
论文提出了一个转变。我们不应该只使用像“就职于”这样的标签，而应该使用自然语言描述来进行连接。
- 旧方法：
[苹果公司] — [由...创立] — [史蒂夫·乔布斯] - 新方法：
[苹果公司] — [于 1976 年由史蒂夫·乔布斯在车库中创立] — [史蒂夫·乔布斯]
这就像是用一个微型故事取代了一张小小的便利贴。
混合方法：“骨架与血肉”
你可能会问：“如果我们使用长篇故事，计算机会不会迷失方向？会不会因为太混乱而难以搜索？”
作者说是的，这是一种风险。如果你只是倾倒一百万个毫无组织的段落，你就无法找到任何东西。因此，他们提出了一个混合设计：
把知识图谱想象成一个人体：
- 骨架（符号化关系）： 保留一些简单的、宽泛的标签（如“就职于”或“位于”）来维持结构。这有助于计算机快速找到图书馆的正确区域。
- 血肉（自然语言）： 将详细的、丰富的自然语言故事附着在这些骨架之上。这为 AI 提供了理解“为什么”和“如何”所需的语境。
这样，计算机仍然可以进行快速搜索（利用骨架），但当它需要深入思考时，它可以阅读丰富的叙述（血肉）。
未来需要做些什么？
论文概述了未来的一些挑战，作者称之为“研究方向”：
- 处理冲突： 如果一个来源说“约翰是朋友”，而另一个来源说“约翰是对手”，该怎么办？新系统需要找到方法，在不强行将两者合并为一个错误的标签的情况下，保留这两个故事。
- 更新骨架： 如果 AI 阅读了足够多的故事并意识到“朋友”这个标签过于模糊，我们需要一种方法来自动更新“骨架”，使其变得更具体。
- 更好的搜索： 我们需要新的方法来搜索这些充满故事的图谱。AI 不应仅仅匹配关键词，而应该能够通过阅读故事来“行走”于图谱之中，从而找到正确的路径。
- 新的测试： 我们不能再仅仅检查计算机是否得到了“正确的”标签。我们需要新的方法来测试 AI 是否正确理解了整个“故事”。
总结
这篇论文是一份行动倡议：停止将世界强行塞进僵硬的框框里。
由于我们的 AI 工具已经进化到可以理解自然语言，我们存储知识的方式也应该随之进化。我们应该从离散标签（类似于电子表格）转向语境丰富的描述（类似于故事图书馆），同时保留足够的结构来保持有序。
注：局限性——作者承认这是一篇“立场论文（position paper）”，这意味着它是一个基于逻辑和现有研究的提议，而不是一份关于他们已经构建并测试完成的产品报告。他们还提到，他们的研究仅限于文本，未涉及图像或音频。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。