2023年3月15日，ChatGPT4.0的横空出世，将人们对大语言模型的关注推到了风口浪尖。由于其在智能问答、翻译以及文本生成等工作任务上的卓越表现，业界一度出现了不再需要发展知识图谱相关技术的观点，知识图谱相关概念严重受挫。无可置疑的是，大语言模型的确在智能问答等功能上与知识图谱存在交集，并且表现令人惊讶。但由于大语言模型不可避免的“幻觉”问题，使其存在无法给出准确、全面回答的情况，故而无法适应用户全面的场景需求。而知识图谱存储着大量结构化的信息，可以表达复杂的知识关系，能够满足用户准确、有效的检索需求。由此看来，二者各有所长，不是简单的替代关系，更有甚者二者可以彼此促进。众所周知，知识图谱的构建过程是相当昂贵的，开发者需要从海量的文档中抽取、对齐各类知识，工作量巨大，准确度要求也高。由于大语言模型拥有很强的泛化能力，因此其能有效抽取、识别特定领域文档中的实体、属性以及关系知识，可大大降低知识图谱的构建成本。
下面我们将通过一个示例，介绍如何使用大语言模型在无代码的情况下，辅助构建知识图谱。
案例设计
在该案例中，我们使用如下内容进行知识提取。
刘彻之母王娡在怀孕时，汉景帝刘启尚为太子。王娡梦见太阳进入她的怀中，醒来告诉刘启后，刘启认为这是高贵的征兆。刘彻还未出生，他的祖父汉文帝刘恒就驾崩了。刘启继位，是为景帝，不久刘彻出生。刘彻是汉景帝第十子，亦是王娡唯一的儿子。 [3]
汉景帝前元四年（前153年）四月二十三日，汉景帝立栗姬所生的长子刘荣为皇太子，刘彻亦同时被封为胶东王。 [4]刘彻的姑母馆陶公主刘嫖向栗姬为其女陈氏提亲，被栗姬拒绝，而王娡却许诺让刘彻娶陈氏，因此刘嫖不断向景帝诋毁栗姬而赞誉王娡，栗姬亦曾出言不逊而触怒景帝，天平遂逐渐向王娡母子倾斜。前元六年（前151年）薄皇后被废黜后，王娡暗中指使大行令奏请立栗姬为皇后，使景帝对栗姬的不满达到极点，于是处死大行令、疏远栗姬，在前元七年（前150年）正月废刘荣为临江王。四月十七日，景帝立王娡为皇后；二十五日，立时年七岁的刘彻为皇太子。 [5-6]
刘彻成为储君后，景帝拜卫绾为太子太傅、王臧为太子少傅，让他们辅导刘彻。 [119-120]汉景帝后元三年（前141年）正月十七日，刘彻行冠礼。十天后，景帝驾崩，刘彻继位。 [7]
该信息取自百度百科关于汉武帝刘彻的一个片段。我们设计提取该段信息中的以下三类知识：
- 人物及头衔，获取文本中的人物信息作为知识的主体
- 人物关系，包括：源人物、关系、目的人物三部分信息
- 人物相关的事件，包括：人物、时间、事件描述三部分信息
提示工程准备
笔者选定阿里的通义千问模型作为我们的大语言模型，用它提供的Web对话界面来进行提示工程。Web对话界面给出的答案可能会与其API接口有所差异，但对提示工程的影响整体不大。提示工程的尝试过程笔者在此就不展示了。下面可以看一下大模型的知识抽取能力，很大程度上超出了笔者的预期。
人物及头衔抽取
| 提示 | 请帮我分析####后文字中的人物及头衔。并将结果输出为json格式 #### 文本片段 |
| 应答 | Json [ { "人物": "刘彻", "头衔": [ "汉景帝第十子", "胶东王", "皇太子", "皇帝" ] }, { "人物": "王娡", "头衔": [ "刘彻之母", "皇后" ] }, { "人物": "刘启（汉景帝）", "头衔": [ "太子", "皇帝" ] }, { "人物": "汉文帝刘恒", "头衔": [ "祖父（刘彻的祖父）", "皇帝" ] }, { "人物": "刘荣", "头衔": [ "皇太子", "临江王" ] }, { "人物": "馆陶公主刘嫖", "头衔": [ "刘彻的姑母", "公主" ] }, { "人物": "栗姬", "头衔": [ "刘荣之母" ] }, { "人物": "薄皇后", "头衔": [ "皇后" ] }, { "人物": "大行令", "头衔": [ "官员" ] }, { "人物": "卫绾", "头衔": [ "太子太傅" ] }, { "人物": "王臧", "头衔": [ "太子少傅" ] } ] |
| 解读 | 信息抽取的非常全面，数据组织的也很好。只是有些头衔抽取的不准确，比如“刘彻之母”等信息，这个信息理解为关系可能更好。存在一个人有多个头衔的情况，这个是合理的。因为人的头衔是随时间变化的，笔者在这里做实验构建的模型忽略了时间情况，把人物曾经有的头衔都汇聚来存储了。如果知识库这部分信息需要做的更准确，可以考虑将改信息与时间绑定并单独存储。 |
人物关系抽取
| 提示 | 请帮我分析####后文字中的人物关系，并按照关系方向输出数据，如：父子关系时，父亲在前，儿子在后。以json格式输出，格式如下：{"src":"源名称","relation":"关系","dst":"目的名称"} #### 文本片段 |
| 应答 | Json [ {"src": "王娡", "relation": "母亲", "dst": "刘彻"}, {"src": "刘启（汉景帝）", "relation": "父亲", "dst": "刘彻"}, {"src": "刘恒（汉文帝）", "relation": "祖父", "dst": "刘彻"}, {"src": "栗姬", "relation": "原太子生母", "dst": "刘荣"}, {"src": "刘嫖（馆陶公主）", "relation": "姑母", "dst": "刘彻"}, {"src": "陈氏", "relation": "未婚妻（后成为皇后）", "dst": "刘彻"}, {"src": "薄皇后", "relation": "前皇后", "dst": "汉景帝"}, {"src": "卫绾", "relation": "太子太傅", "dst": "刘彻"}, {"src": "王臧", "relation": "太子少傅", "dst": "刘彻"} ] |
| 解读 | 信息抽取的很好，关系方向也是笔者所期望的。看到这里，笔者都没啥意愿去核查抽取的是否准确了。其中的关系信息可以根据需要再进一步转换，统一表达。 |
人物相关事件抽取
| 提示 | 请帮我分析####后文字中的事件及事件相关的人物和时间，并将结果输出为json格式 #### 文本片段 |
| 应答 | Json [ { "事件": "王娡怀孕并梦见太阳进入怀中", "时间": "(未明确)", "人物": ["王娡", "刘启（汉景帝）"] }, { "事件": "汉文帝刘恒驾崩", "时间": "(刘彻出生前)", "人物": ["汉文帝刘恒"] }, { "事件": "刘启继位为景帝", "时间": "(刘彻出生前)", "人物": ["刘启（汉景帝）"] }, { "事件": "刘彻出生", "时间": "(刘启继位后不久)", "人物": ["刘彻", "王娡"] }, { "事件": "刘荣被立为皇太子，刘彻被封为胶东王", "时间": "前153年四月二十三日", "人物": ["刘荣", "刘彻", "汉景帝刘启"] }, { "事件": "馆陶公主刘嫖向栗姬提亲遭拒及王娡许诺刘彻娶陈氏", "时间": "(在刘荣被立为太子之后)", "人物": ["馆陶公主刘嫖", "栗姬", "王娡", "刘彻", "陈氏"] }, { "事件": "薄皇后被废黜", "时间": "前151年", "人物": ["薄皇后", "汉景帝刘启"] }, { "事件": "大行令受王娡指使奏请立栗姬为皇后，后被处死", "时间": "前150年前期", "人物": ["大行令", "王娡", "栗姬", "汉景帝刘启"] }, { "事件": "刘荣被废为临江王", "时间": "前150年正月", "人物": ["刘荣", "汉景帝刘启"] }, { "事件": "王娡被立为皇后", "时间": "前150年四月十七日", "人物": ["王娡", "汉景帝刘启"] }, { "事件": "刘彻被立为皇太子", "时间": "前150年四月二十五日", "人物": ["刘彻", "汉景帝刘启"] }, { "事件": "卫绾、王臧分别被任命为太子太傅和太子少傅", "时间": "(刘彻成为储君后，具体时间未给出)", "人物": ["刘彻", "卫绾", "王臧", "汉景帝刘启"] }, { "事件": "刘彻行冠礼", "时间": "前141年正月十七日", "人物": ["刘彻"] }, { "事件": "汉景帝刘启驾崩，刘彻继位", "时间": "前141年正月二十七日后十天", "人物": ["汉景帝刘启", "刘彻"] } ] |
| 解读 | 信息抽取的相当全面了。如果以他的输出作为标准答案的话，估计想很多人在回答这个问题时，分数超不过50分。其中的时间信息并非我们标准意义上的时间格式，需要进行二次的处理转换才能实现时间格式的标准化。这个有一定的难度，本次实验我们就不演示如何转换了。事件相关人物 |
, 安装react,jsx文件,类组件和函数组件,css样式)
