本体、脏数据与可解释性：知识图谱构建的边界与代价

0923，南京。一场内部评审。投影仪上，实体对齐结果把“南京大学”和“南京大学鼓楼校区”合并成同一个节点。会议室安静了几秒。这个错误不是抽取准确率能解释的。它把校区吞进了学校，也把“位置”与“机构”两种语义压成一个标识符。知识图谱构建的第一道裂缝，往往不在模型，而在认识论承诺。

图谱不是数据库表的延伸。它承诺把世界切成类型、关系、约束，并允许查询沿着语义走。三元组只是表面。真正决定图谱能否长大的，是本体契约、来源记录和冲突处理。少了这些，图谱会退化成带标签的边表。多了这些，维护成本又会迅速上升。这个矛盾贯穿整个工程周期。

本体是契约，不是装饰

很多团队把本体当成建模阶段的文档附件。画几张类图，写几个属性，然后交给抽取流水线。问题在于，本体一旦进入图谱，就不再是文档。它是约束：什么算实体，什么关系可连接哪些类型，哪些属性允许缺失。它也是政治：谁来定义“客户”，谁有权合并“供应商”和“厂商”。

图谱的质量上限由本体契约决定，而不是由抽取模型决定。 这句话听起来刺耳，但在跨源融合时很实用。没有本体，同名关系会以几十种标签出现，查询端只能写大量手工映射。过度本体又会僵化。一个金融风控项目曾把“地址”拆成省、市、区、街道、门牌五级，结果海外数据无法落入任何分支，最后只能加一个“其他地址”字段。契约变成了补丁。

更合理的做法是按查询价值定粒度。领域稳定、查询可枚举时，本体可以细。开放域、演化快时，轻本体加版本化更稳妥。条件写清楚：如果图谱主要服务多跳关系查询，类型和关系的约束要严；如果主要服务语义检索，实体消歧和文本证据链的权重应更高。反例也存在。某些知识图谱构建项目在早期追求完整本体，评审通过，落地时却发现业务方只查三个关系。过度设计没有带来收益，只带来维护债务。

脏数据不会在清洗后消失

清洗是必要动作，但它不是终点。实体识别会漏，关系抽取会错，对齐会合并错，时间会让旧事实过期。脏数据不是一批可以删除的坏行，而是语义系统里的持续噪声。今天清洗掉的同名异指，明天会以新别名回来。异名同指也一样。来源冲突更麻烦：工商登记、官网、新闻稿对同一公司的成立时间给出三个版本，图谱该信谁？

这里需要的是可追溯，不是一次性正确。知识图谱构建的难点不是把文本变成三元组，而是让三元组在冲突中保持可追溯。 来源、时间戳、置信度、抽取方法、审核记录，这些字段看起来笨重，却决定了图谱能否被审计。实体对齐尤其需要保守策略。子公司与母公司、校区与学校、产品与产品线，这些关系在文本里经常被简写。自动合并的收益很高，错误传播的代价也高。一个错误合并会让多跳查询沿着错误路径扩散，且很难在结果层发现。

抽取架构上，规则与模型各有边界。规则可审计但召回有限；大语言模型召回高，却会生成不存在的关系。混合流水线更现实：模型负责候选，规则负责约束，人工负责高风险合并。加粗的不是“智能”，而是“可回滚”。每一条合并、每一次关系更新，都应能回到证据文本和决策记录。否则图谱越建越像黑箱，查询结果只能靠信仰。

推理的收益与幻觉的成本

推理常被当作知识图谱构建的增值项。规则推理可以补全传递关系，本体约束可以检查类型冲突，嵌入模型可以做链接预测。收益确实存在：风控路径、供应链追溯、多跳问答，都依赖关系网络而非单表字段。但推理也会放大错误。一条错误关系进入规则引擎，可能推出数十条冗余边。存储膨胀只是表面，查询排序和人工审核会被拖垮。

大语言模型加入后，问题更复杂。模型可以抽取关系，也可以生成解释。解释读起来顺畅，却未必对应图谱中的证据。把生成文本当作推理结果，会形成闭环自证：模型抽取，模型解释，模型评估。看起来完整，实际上缺少外部约束。可解释性不是推理的赠品，它是需要单独设计的产品属性。链路级评估、任务级评估、人工抽检、漂移监测，这些环节缺一个，图谱的可靠性就会打折。

评估指标也要改。实体级精确率和召回率不足以描述多跳查询的失败。一个图谱可能在单跳关系上表现稳定，却在三跳路径上大量断链。更实际的做法是抽取业务查询集，记录每次查询的证据链、响应时间和人工修正。条件允许时，保留反事实样本：删掉某条边，查询结果是否变化。若不变，这条边可能没有业务价值；若变化剧烈，则要检查它是否被过度依赖。

哪些场景不值得建图谱

知识图谱构建有适用边界。单表统计、实时简单查询、需求尚未稳定的探索期，建图谱往往不划算。数据治理基础薄弱时，图谱会把源系统的冲突原样放大。没有明确的数据 owner，合并策略就无人拍板，最后变成技术团队的独角戏。反过来，多跳关系密集、跨源融合频繁、语义检索要求高的场景，图谱的收益更明显。判断标准不是技术热度，而是查询价值密度。

趋势上，图谱正在变得更模块化。领域子图、事件图谱、可观测性指标，逐步替代一张大而全的图。大语言模型更适合做抽取候选和自然语言入口，但需要审计层。隐私、版权、偏见和供应链风险不会因为图结构而消失。它们会沿着实体和关系传播，甚至更难定位。一个负责任的系统，应能回答：这条边从哪来，谁改过，何时失效，影响哪些查询。

回到0923南京那场评审。团队后来把合并错误拆成三列：命名空间、时间、来源。重新评审时，争论少了很多。图谱没有变得完美，但变得可讨论。这大概就是知识图谱构建的现实位置——它不是一次建模胜利，而是一套持续协商的语义基础设施。问题仍然开放：当证据冲突时，系统该沉默，还是给出带置信度的答案？这个选择，比任何抽取模型都更接近产品的价值观。