知识图谱怎么存怎么查

这个话题之前一直想整理，今天终于抽出时间来写。本文尽量用实际代码说话，避免空谈概念。

先搞清楚原理

先说基本原理。知识图谱的核心思路是注意力权重计算。简单来说就是：把输入经过一系列变换，最终得到想要的结果。这个过程可以用下面的代码来理解：

import torch
from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter("runs/exp_8")
model = torch.nn.Linear(10, 2)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)

for step in range(500):
    x = torch.randn(32, 10)
    y = torch.randint(0, 2, (32,))
    loss = torch.nn.functional.cross_entropy(model(x), y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    if step % 50 == 0:
        writer.add_scalar("Loss/train", loss.item(), step)

writer.close()
print("训练日志已写入TensorBoard")

实际怎么用

写代码的时候，知识图谱有几个常见写法。推荐用下面这种方式，代码更清晰，也更容易维护：

import numpy as np
from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline

X = np.random.randn(500, 20)
y = (X[:, 0] + X[:, 1] > 0).astype(int)

pipe = Pipeline([
    ("scaler", StandardScaler()),
    ("clf", RandomForestClassifier(n_estimators=100, random_state=15)),
])

scores = cross_val_score(pipe, X, y, cv=3, scoring="accuracy")
print(f"3折交叉验证: {scores.mean():.4f} (+/- {scores.std():.4f})")

pipe.fit(X, y)
print(f"训练集准确率: {pipe.score(X, y):.4f}")

进阶一点的用法

知识图谱在复杂场景下的用法和简单场景差别挺大。主要是注意力权重计算这块需要额外处理，代码如下：

容易踩的坑

总结几个实际项目中的教训：知识图谱在推理部署上容易出问题。建议写单元测试覆盖这些边界情况，免得线上出故障才后悔。

写在最后

知识图谱的要点就这些。核心是推理部署，其他都是围绕这个展开的。代码已经贴在前面了，照着跑一遍基本就能上手。后续有新的发现再更新。