从符号关系到自然语言关系：大语言模型时代知识图构建的重新思考
计算与语言
2026-01-15 v1 人工智能
摘要
知识图谱 (KGs) 通常使用预定义的符号关系模式构建，这些模式通常实现为类别化关系标签。这种设计存在显著不足：现实中的关系往往是情境化的、细微的，有时甚至是不确定的，将其压缩为离散关系标签会抽象掉关键语义细节。尽管如此，符号关系 KGs 仍广泛使用，因为它们在操作上有效，并且与 LLM 之前的下游模型和算法广泛兼容，在这些模型和算法中，KG 知识可以被检索或编码为规模化的量化特征和嵌入。大语言模型的出现重新塑造了知识的创建和消费方式。LLM 支持直接以简洁自然语言合成领域事实，提示式推理更倾向于使用富含语境的自由形式文本，而非量化表示。这份意见稿认为，这些变化要求我们重新思考关系本身的表示方式，而不仅仅是使用 LLM 更高效地填充常规模式。我们因此倡导从符号关系描述转向自然语言关系描述，并提出一种混合设计原则，既保留最小结构骨架，又实现更灵活和情境敏感的关系表示。
引用
@article{arxiv.2601.09069,
title = {From Symbolic to Natural-Language Relations: Rethinking Knowledge Graph Construction in the Era of Large Language Models},
author = {Kanyao Han and Yushang Lai},
journal= {arXiv preprint arXiv:2601.09069},
year = {2026}
}