knowledge_graph 快速指南：用本地 LLM 把任意文本变成知识图谱的 3 步做法
knowledge_graph 快速指南用本地 LLM 把任意文本变成知识图谱的 3 步做法【免费下载链接】knowledge_graphConvert any text to a graph of knowledge. This can be used for Graph Augmented Generation or Knowledge Graph based QnA项目地址: https://gitcode.com/gh_mirrors/kn/knowledge_graph手里有一堆 PDF、论文或长文档却总想弄明白里面哪些概念反复出现、它们之间到底是什么关系开源 Python 项目 knowledge_graph 就是干这个的——它用本地大模型把文本转成「概念节点 关系边」的知识图谱全程本地运行不调用任何付费 API。整条流水线是切块 → 抽取概念 → 建图 → 交互可视化最终产出一个可以拖拽、放大的 HTML 页面。哪怕语料是几十页的医学文档也能看清哪些概念最核心、哪些主题聚成一簇。 为什么要把文本画成图给 RAG 做切块检索有个盲区检索只找回「和问句最像的那块文字」跨块的概念关系就被切断了。知识图谱换了一种表示每个概念是一个节点概念间的关系是边整篇文档变成一张网络这种节点-边的三元组表示也叫语义网络。好处很实际图建好后用图算法可以算节点中心度哪个概念在文档里最重要、算社区哪批概念属于同一主题还能拿图当检索器做 Graph RAGGRAG用图谱增强检索的 RAG 变体让回答带上概念间的上下文关联。⚙️ 从文本到知识图谱的 4 步流水线切块把全文切成约 1500 字的文本块每块分配一个 chunk_id。LLM 抽概念对每个块让本地大模型Mistral 7B抽出概念对及其语义关系记权重 W1。注意它抽的是「概念」而非 NER「实体」——Bangalore 是实体Bangalore 天气宜人 是概念作者认为概念构成的图更有意义。上下文邻近出现在同一文本块里的概念默认相关这条关系记权重 W2。合并建图相同节点对合并、权重求和、关系描述拼接用 NetworkX 建成图再计算每个节点的度决定节点大小和社区决定节点颜色最后由 Pyvis 输出交互式 HTML。 三步跑起来机器能跑 7B 模型即可内存够大的 Mac 也行。git clone https://gitcode.com/gh_mirrors/kn/knowledge_graph docker build -t knowledge-graph . docker run -p 8888:8888 knowledge-graph这三行依次是克隆仓库、构建 Docker 镜像、在 8888 端口启动 Jupyter 环境。然后先在本地装好 Ollama 并运行ollama run zephyr拉起本地模型服务把待分析的文本或 PDF 放进data_input/目录打开 extract_graph.ipynb 笔记本把regenerate置为 True 从头跑。中间结果会存成 CSV 到data_output/之后重跑无需再调 LLM交互式图谱输出在 docs/index.html。 适合谁用能拿来做什么医学与科研文档作者在医学 PDF 和印度医疗文档上跑过下图就是医疗语料生成的图谱主题结构一眼可见。个人知识管理把笔记、读书笔记丢进去看概念中心度和主题社区。Graph RAG把图当检索器搭一个比向量检索多一层关系上下文的问答系统。也要有心理预期项目仍是轻量实现概念去重比如 doctor 和 doctors与冗余概念过滤还列在作者的待办里同一个概念可能出现成多个节点更适合当起点去改和扩展而不是开箱即用的成品。如果你的文档在千页量级、又能跑本地 7B 模型这是目前看文本概念结构最省事、也最省钱的方式。【免费下载链接】knowledge_graphConvert any text to a graph of knowledge. This can be used for Graph Augmented Generation or Knowledge Graph based QnA项目地址: https://gitcode.com/gh_mirrors/kn/knowledge_graph创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
