DeepSeek 实战：三步搞定知识图谱构建 - 单篇提取、多篇融合、主题生成-首席AI分享圈

问题： 知识图谱很重要，DeepSeek 语言模型很火，它能用来快速构建知识图谱吗？我想试试 DeepSeek 的真本事，看它在提取信息、整合知识、凭空创建图谱方面怎么样。

方法： 我做了三个实验来测试 DeepSeek 的知识图谱构建能力：

单篇文章建图谱： 给 DeepSeek 一篇文章，看它能不能准确抓取信息，建成图谱。
多篇文章融合图谱： 给 DeepSeek 多篇文章，看它能不能把新知识加到已有的图谱里。
主题生成图谱： 只告诉 DeepSeek 图谱的主题，不给文章，看它能不能自己搞出一个图谱。

结果： 实验证明，DeepSeek 构建和融合知识图谱效果不错，但还有提升空间。

下面是实验的具体过程和结果，我用更简单的话说清楚。

一、单篇文章提取知识建图谱

目的： 测试 DeepSeek 从一篇文章里提取知识，构建知识图谱的能力。

过程： 我找了一篇关于 NebulaGraph 图数据库的文章，让 DeepSeek 读文章，提取关键信息，然后生成 NebulaGraph 数据库代码（nGQL）来创建知识图谱。

指令： “你能帮我生成知识图谱吗？我给你文章，你提取关键信息，用 nGQL 代码构建知识图谱。”

操作： 直接复制粘贴文章内容给 DeepSeek。

DeepSeek 生成的 nGQL 代码：

# Schema 定义（TAG 类型）
CREATE TAG IF NOT EXISTS product (
name STRING,
description STRING
);
CREATE TAG IF NOT EXISTS company (
name STRING
);
CREATE TAG IF NOT EXISTS feature (
name STRING
);
CREATE TAG IF NOT EXISTS tool (
name STRING
);
CREATE TAG IF NOT EXISTS scenario (
name STRING
);
CREATE TAG IF NOT EXISTS language (
name STRING
);
CREATE TAG IF NOT EXISTS auth_service (
name STRING
);
CREATE TAG IF NOT EXISTS ecosystem (
name STRING
);
# Schema 定义（EDGE 类型）
CREATE EDGE IF NOT EXISTS has_feature ();
CREATE EDGE IF NOT EXISTS used_by ();
CREATE EDGE IF NOT EXISTS provides_tool ();
CREATE EDGE IF NOT EXISTS supports_language ();
CREATE EDGE IF NOT EXISTS applicable_scenario ();
CREATE EDGE IF NOT EXISTS compatible_with ();
CREATE EDGE IF NOT EXISTS supports_auth ();
CREATE EDGE IF NOT EXISTS integrates_with ();
# 数据插入 - 核心产品
INSERT VERTEX product(name, description) VALUES
"NebulaGraph": ("NebulaGraph", "开源的分布式图数据库，支持千亿点万亿边数据集");
# 数据插入 - 产品特性
INSERT VERTEX feature(name) VALUES
"high_performance": ("高性能"),
"open_source": ("开源"),
"scalability": ("易扩展"),
"flexible_modeling": ("灵活数据建模"),
"read_write_balance": ("读写平衡"),
"compatibility": ("查询语言兼容性");
/* ... 此处省略 n多数据 ... */

结果： DeepSeek 代码没啥问题，语法对，还把多条数据合成一条语句，效率高。代码放到 NebulaGraph 跑起来，图谱长这样：

图谱以 NebulaGraph 为中心，展示了相关信息。

二、多篇文章融合知识

目的： 测试 DeepSeek 融合多篇文章知识，扩展已有图谱的能力。

过程： 先用一篇文章建了图谱，再给 DeepSeek 更多关于 NebulaGraph 的文章（来自百度百科），让它把新知识合并到现有图谱里。

指令： “接下来，给你另一篇文章。尽量用现在的表结构融合图谱。要改表结构就用 ALTER 命令。”

操作： 分别把 NebulaGraph 和 360 百科词条的摘要给了 DeepSeek。

DeepSeek 生成的 nGQL 代码 (NebulaGraph 词条)：

# 结构变更 1：为 product 标签增加版本和时间属性
ALTER TAG product ADD (
license STRING,
current_version STRING,
release_date STRING,
last_updated STRING
);
# 结构变更 2：新增开发关系类型
CREATE EDGE IF NOT EXISTS developed_by();
# 数据更新 - 补充产品属性
INSERT VERTEX product(name, description, license, current_version, release_date, last_updated)
VALUES
"NebulaGraph": ("NebulaGraph", "分布式图数据库", "Apache 2.0", "v3.3.0", "2019-05-15", "2022-11-14");
# 新增开发公司（复用 company 标签）
INSERT VERTEX company(name)
VALUES
"Yueshu": ("杭州悦数科技有限公司");
# 新增特性（复用 feature 标签）
INSERT VERTEX feature(name)
VALUES
"acl_mechanism": ("ACL 机制"),
"linear_scaling": ("线性扩容"),
"data_recovery": ("数据恢复"),
"htap": ("HTAP 混合负载"),
"nGQL_language": ("nGQL 查询语言");
# 关系建立（复用已有关系类型）
INSERT EDGE has_feature()
VALUES
"NebulaGraph"->"acl_mechanism":(),
"NebulaGraph"->"linear_scaling":(),
"NebulaGraph"->"data_recovery":(),
"NebulaGraph"->"htap":(),
"NebulaGraph"->"nGQL_language":();
# 新增开发关系
INSERT EDGE developed_by()
VALUES
"NebulaGraph"->"Yueshu":();

DeepSeek 生成的 nGQL 代码 (360 词条)：

# 结构变更 1：为 company 标签增加创始人、成立时间和收入属性
ALTER TAG company ADD (founder STRING, founded_date STRING, revenue DOUBLE);
# 结构变更 2：新增事件类型 TAG
CREATE TAG IF NOT EXISTS event (
type STRING,
date STRING,
amount DOUBLE,
details STRING
);
# 数据更新：补充 360 公司信息
INSERT VERTEX company(name, founder, founded_date, revenue)
VALUES
"360": ("奇虎360", "周鸿祎", "2005-09", 116.15);
# 数据插入：产品生态（复用 product 标签）
INSERT VERTEX product(name)
VALUES
"360_Security_Guard": ("360安全卫士"),
"360_Browser": ("360安全浏览器"),
"360_Cloud": ("360安全云");
# 数据插入：重大事件（使用新增 event 标签）
INSERT VERTEX event(type, date, amount, details)
VALUES
"acquisition_360.com": ("域名收购", "2015-02-04", 1700.0, "1.1亿人民币收购 360.com"),
"privatization": ("私有化", "2015-12", 9300.0, "93 亿美元私有化交易");
# 关系建立：复用 developed_by 边连接产品

结果： DeepSeek 能根据新文章，修改表结构（比如给 product 和 company 表加字段），也新增了关系类型。它按要求用 ALTER 命令改表结构。小问题是注释用了 --，nGQL 不认，手动改成 # 就行了。

代码放到数据库执行，融合后的图谱效果：

小结： DeepSeek 建图谱和融合知识不错。但服务器有时慢，NebulaGraph 改 schema 是异步的，要等一会儿生效。

三、主题生成：无中生有农业图谱

目的： 测试 DeepSeek 在没文章的情况下，根据主题生成知识图谱的能力。

过程： 新建对话，让 DeepSeek 按“农业”主题，直接生成图谱代码。没给文章，完全是“空手套白狼”。

指令： “我要建一个农业知识图谱。用 NebulaGraph 数据库，生成 nGQL 脚本。表名大驼峰，属性名小驼峰。Schema 名用 `` 包起来，避免冲突。至少生成 3000 个节点。”

DeepSeek 生成的 nGQL 代码 (部分)：

# ======================================= #
# 创建图空间
# ======================================= #
CREATE SPACE `Agriculture` (vid_type = FIXED_STRING(32));
USE `Agriculture`;
# ======================================= #
# 定义标签 Schema（大驼峰命名）
# ======================================= #
CREATE TAG IF NOT EXISTS `Crop` (
`cropId` int,
`cropName` string,
`growthPeriod` int,
`suitableTemp` string,
`yieldPerMu` float
);
# ======================================= #
# 此处省略好多脚本
# ======================================= #

问题和改进：

节点数限制： 开始要 3000 节点，DeepSeek 拒绝了，给了 Python 导入 CSV 代码。我不想用 Python，就减少了节点数。
注释问题又来： 代码注释又是 --，再次指出问题。

改进指令： “注释用 #，不用 Python 代码，3000 节点太多了。给我 50 个节点的 ngql 脚本就行。”

后续对话和指令： 为了完善图谱，我继续跟 DeepSeek 聊，让它补充数据，加强关联，按分类（界门纲目科属种）组织图谱，还让它生成作物轮种数据。

例如，我的指令：

“补充数据，让数据关联更强”
“把【界门纲目科属种】这些分类做成图谱”
“找出现有作物的轮种禁忌和增益作物”
“结合图谱作物组织数据，按之前的格式给 nGQL 脚本”

实验插曲： DeepSeek 有次 INSERT 语句用了 Cypher 语法，nGQL 不支持，指出来后它改过来了。

指令： “这个插入语句不是 nGQL 语法，改一下，DDL 放前面，DML 放后面”

最终数据量： 几轮对话后，数据量如图：

图谱效果： 随便展开几个节点看看：

轮种增产组合例子： 临期种植的增产组合效果：

四、总结

结论： DeepSeek 在知识图谱构建和融合上表现出色，实验证明了它的能力：

提取信息快又准： DeepSeek 能快速从文本提取关键信息，生成符合要求的 nGQL 脚本，语言理解能力强，能识别实体、关系和事件。
融合知识能力强： DeepSeek 融合多篇文章知识效果好，能根据新文章扩展和更新图谱，保证图谱完整性和准确性。
无中生有也能建图谱： 没文章也能按主题生成图谱。虽然生成过程有些语法小问题，但调整后能生成合格的脚本。
细节需要优化： DeepSeek 生成的脚本偶尔有语法问题，比如注释不对。生成大量节点时，服务器可能反应慢。实际用的时候需要注意这些问题。

DeepSeek 实战：三步搞定知识图谱构建 - 单篇提取、多篇融合、主题生成

一、单篇文章提取知识建图谱

二、多篇文章融合知识

三、主题生成：无中生有农业图谱

四、总结

相关文章

DeepSeek 多模态大模型 Janus-Pro 一键安装包，附使用教程

突破信息孤岛：Dify为本地化DeepSeek AI助手添加联网搜索

DeepSeek R1 671B 本地部署教程：基于 Ollama 和动态量化

告别编程门槛：Trae，真正零基础小白也能轻松驾驭的AI编程神器

在 Trae 编程时引用上下文的三种方式

相关推荐

找不到AI工具？在这试试！

FLUX.1图像生成器（支持中文输入）

最新发布

热门文章

热门标签

首席AI分享圈