图构建管线：实体抽取、关系抽取与实体对齐
本文基于模型知识整理（生成时未联网核对），关键结论建议对照经典文献复核。
一句话定义
图构建管线把文档变成图：分块文本 → LLM/规则抽取实体与关系（按 schema 约束）→ 实体对齐消歧（同一实体多种写法归一）→ 入图（带出处与置信度）——抽取质量与实体对齐质量决定整张图的可用性。
为什么重要
图的质量上限由构建阶段决定：抽错了关系，后续一切查询都在传播错误；实体没对齐，"华为"与"华为技术"是两个节点，多跳链路直接断。GraphRAG 成本大头也在构建（LLM 抽取按 token 计费），管线的性价比设计直接决定项目生死。
前置知识
kp-004（分块是抽取单元）、kp-019（schema 约束抽取）。
核心概念
- 实体抽取（NER）：识别文本中实体及其类型。LLM 时代用结构化输出（JSON schema 约束）按本体抽取，few-shot 示例显著提升类型准确率。
- 关系抽取（RE）：识别实体对之间的关系及属性（时间、数量）。两种策略：同块内配对抽取（局部、准确）与跨块共现推理（覆盖广但易错）。
- 实体对齐/消歧（entity resolution）：把"华为""华为技术有限公司""HUAWEI"归一为一个节点；包括别名归并（同义表/规则）、歧义消解（"苹果"按上下文定型）。
- 出处与置信度（provenance）：每条三元组记录来自哪个文档哪个块 + 抽取置信分数——错误可追溯、可增量修正的前提。
- gleaning（多轮补充抽取）：GraphRAG 的做法——首轮抽取后让 LLM 再检查一遍文本补漏，换取更高召回（成本换质量）。
原理与机制
LLM 抽取的 prompt 设计要点：① 把 schema 塞进系统指令（实体类型与关系词汇白名单，超出即拒）；② 给 2–3 个标注示例（few-shot 对格式与粒度影响极大）；③ 要求输出 JSON 并配程序校验（类型合法、关系端点存在）；④ 温度调低。抽取失败重试与置信度记录都要管线化。
实体对齐的三层策略（成本递增）：① 规则层——规范化（去公司后缀"有限公司/股份"、大小写、全半角）+ 别名词典；② 相似层——名称/属性向量聚类，人工审核高疑似对；③ 上下文层——用 LLM 判断两个指称是否同实体（贵，只处理规则与相似度都拿不准的尾巴）。对齐错误是"多跳查询断链"的头号原因，投入值得。
规模化与增量：全量构建按文档批处理（可并行、可断点续跑）；增量更新时新文档抽取的实体要挂到既有节点（对齐问题再现），删除文档要清理其贡献的三元组（provenance 支持反向删除，kp-029）。
图示
文档 ─► 分块 ─► LLM抽取(schema约束+few-shot) ─► (实体,关系,属性)JSON
│ │
│ 实体对齐: 规范化→别名表→向量聚类→LLM仲裁
▼ ▼
provenance(块ID) ◄──────入图(节点/边+出处+置信度)实例或案例
- 1000 份研报构建行业图谱：schema 12 类型 20 关系；抽取用 8k 模型每块一次调用；对齐用公司名规范化表 + 向量聚类，LLM 仲裁仅处理 ~3% 存疑对；总成本约为"无 schema 自由抽取"的一半且质量更高。
- 客服文档图谱：产品型号抽取走正则（比 LLM 又快又准），故障-方案关系走 LLM——规则与 LLM 混用是成本控制的常识。
常见误区
- 误区一："让 LLM 自由抽取，图会很丰富"。无 schema 约束的抽取产出类型混乱、同名异义的毛线球；schema 先行（kp-019）。
- 误区二："实体对齐可以最后再说"。不对齐的图多跳必断；对齐必须在入图前完成，且是持续过程（新文档引入新写法）。
- 误区三："全用最强模型抽取"。抽取任务对模型要求低于生成；小模型 + 好 prompt + 规则混合的性价比远高于全量大模型，成本差可达数倍。
与其他知识点的关系
自测题
- LLM 抽取 prompt 的四个要点？
答：schema 白名单进指令、few-shot 示例、结构化 JSON 输出配程序校验、低温；外加失败重试与置信度记录。
- 实体对齐三层策略与分工？
答：规则层（规范化+别名表，处理大头）、相似层（向量聚类+人工审，处理变体）、上下文层（LLM 仲裁，处理存疑尾巴）——成本逐层递增，覆盖率逐层收窄。
- provenance（出处）为什么是必须的？
答：错误三元组可追溯到源文档修正、文档删除时可反向清理贡献边、答案可回溯引用——没有它图无法维护与审计。
延伸阅读
- Edge 等, Microsoft GraphRAG 论文（§ 索引管线与 gleaning）。
- Han 等, GraphRAG 综述（2024）§ 图构建。
- REBEL（关系抽取序列化建模）与 LightRAG 的轻量抽取实现。