Semantica · 第 3 章 ★ 语义抽取与图谱构建

Semantica · 第 3 章 ★ 语义抽取与图谱构建

章节摘要：本章一次装配两个高点段——第③段的抽取半段（semantic_extract）与第⑤段（kg 图谱构建）：从分好的文本块里抽出实体/关系/事件/三元组，消解共指与实体歧义，再由 GraphBuilder 组装成可查询、可推理的知识图谱。这是全书的“发动机”章，后续所有推理与决策都踩在它产出的图上。

装配坐标

学习目标

• 理解 semantic_extract 的四类抽取（NER/关系/事件/三元组）与共指消解各自解决什么问题
• 掌握 ML/pattern/LLM 三种抽取方法的切换方式与取舍：确定性、覆盖率、成本三角
• 读通 kg 模块（25 文件）的主线：GraphBuilder 如何把抽取结果装配成知识图谱
• 理解 EntityResolver 实体消解为何决定图谱质量：“苹果公司”与“Apple Inc.”必须合成一个节点
• 会用中心性/社区发现/链接预测对构建好的图做基础分析，验证图谱可用

子章节导航

01 semantic_extract：语义抽取

NER/关系/事件/三元组四类抽取 + 共指消解；ML/pattern/LLM 三种方法一行参数切换。

02 GraphBuilder 与 EntityResolver：图谱构建

kg 模块导读：从抽取结果到知识图谱；EntityResolver 把同义实体归并成唯一节点。

03 图分析：中心性/社区/链接预测

图谱建好能回答什么：关键节点排序、社群结构发现、潜在关系补全。

前置知识与后续延伸

前置：第 1、2 章（拿到干净分块）；无需机器学习背景，三种抽取方法可先用 pattern 起步。
后续：第 4 章处理多源冲突与去重；也可直接进第 5 章在图上做确定性推理。