ARTICLE · 1378286
PDF 里的知识,和「本体」到底是什么关系
PDF 里的知识,和「本体」到底是什么关系
这份材料想澄清一个反复出现的误会:把一堆 PDF 抽成「实体—关系」,是不是就等于建成了本体?答案通常是否定的。两者的差别不在技术难度,而在「抽出来的东西属于哪一层」。下面用尽量少的术语,把这条链路讲清楚。 知识图谱的典型形态是三元组:「甲—属于—乙」。它强调把文本里的实体和它们之间的关系捞出来,schema 很弱,同一个实体可以有不同的叫法,关系也可以临时起意。本体则相反,它先规定这个世界上有哪几类东西、每类有哪些属性、哪两类之间允许有哪种关系,然后才谈具体实例。用一句行业内的话说:知识图谱更关心「抽出了什么」,本体更关心「允许说什么」。 这个区别在工业界的本体平台里有明确定义。Palantir 的 Foundry 文档把本体拆成四件东西:对象类型(object type,定义一类实体或事件)、属性(property)、链接类型(link type,定义两个对象类型之间的关系)、动作类型(action type,定义这类对象可以被怎么改)。其中链接被定义为「两个具体对象之间的一次关系实例」——注意是「具体对象之间」,也就是先得有两个带 ID 的实例,才谈得上一条链接。Palantir Foundry: Core concepts 语义网领域有一对更本质的概念。TBox 是「模式层」,装的是类、属性、关系约束,比如「气举阀 是一种 井下装置」「文献 的 作者 是 人」。ABox 是「实例层」,装的是具体个体,比如「编号 V-001 的这个阀,公称外径 38.1 毫米,装在 3 号井」。文献里说得很直接:本体本身并不包含经验数据,经验数据要以「基于实例的 ABox 语义图」的形式另外记录。Ontologies, TBox and ABox(J Biomed Semantics, 2021) 这个区分解释了工程上最常见的落差:从文本里,模式层是能学出来的——术语、概念、上下位关系、甚至一部分关系类型;但实例层很难,因为它需要「谁是谁」的确定身份。文本里写的是「某种装备采用了某种技术」,而不是「装备编号 A-17 采用了技术编号 T-3」。后者需要台账。 一份技术文档或论文,能提供的是:正文文字、章节结构、图表、术语与缩写、结论与建议、参考文献、作者与单位。这些都是真实存在的、可抽取的信号。 它不提供的是:主键、外键、枚举字典、业务状态、时间序列。换句话说,PDF 里没有「数据库」。而链接实例恰恰是靠外键和主键对齐产生的——这也是为什么大量把关系数据库转成 OWL 本体的研究,核心动作都是「主键当 URI、外键当链接」。从关系数据库生成 OWL 本体的 ABox 处理(KCI) 军事领域有个很好的对照:北约的 JC3IEDM 是作战指挥的数据模型,转成 OWL 之后,装备、能力、位置这些实例之所以齐全,靠的是 OBJECT-ITEM-CAPABILITY、OBJECT-ITEM-LOCATION 这类结构化字段,而不是靠读文档。JC3IEDM 与 OWL 的映射 
把抽取任务分开看,可靠性差别很大。 可靠:术语与概念(尤其是带编号、带英文对照的术语表)、作者与单位、参考文献条目、章节标题、表格里的数值与单位、明确的定义句。这些有稳定的语言标记,抽错的代价也低。 不可靠:跨句的隐含关系(「因为 A,所以建议 B」)、代词与省略(「该阀」指的是哪一个)、N 对 N 的关联(一项技术支撑多个能力,一种能力又需要多项技术)、以及带条件的结论(「在某某工况下才成立」)。 信息抽取领域的综述把任务拆成命名实体识别、实体链接、术语抽取、关系抽取几类,并指出它们的输出是「提及(mention)」或三元组,离「对齐到本体的类与实例」还有一段距离。Information Extraction meets the Semantic Web: A Survey 因为链接实例要求两端都已经存在,而且身份确定。文本里经常出现这样的情况:句子说「该装备采用了 X 技术」,但装备在文中有三种叫法,X 技术在全文出现二十次指代不同型号。要把这句话变成一条链接,需要先解决实体同指、再解决技术去重、最后还要决定这条关系是一对一还是一对多。 这也是为什么在工程上,链接实例通常有两条来源:一条是业务系统里的结构化数据(可靠但覆盖有限),另一条是文本抽取加人工确认(覆盖大但成本高)。指望纯文本自动产出高密度、高准确率的链接实例,目前还不现实。 既然模式可以学、实例要靠数据,那顺序就应该是「先定模式,再让数据往里填」,而不是「先把文档全部抽一遍,再看能凑出什么」。这个顺序在方法论上有成熟依据:本体工程里常用的斯坦福七步法,第一步不是列术语,而是确定领域与范围,并写下「这个本体要能回答哪些问题」(competency questions)。Ontology Development 101 的七步法 国内面向装备领域的实践也走这条路。有研究把七步法与 DoDAF 体系结构框架结合,先给出面向作战指挥的装备本体流程框架,再用 Protégé 落地;文章同时指出,已有研究多面向维修管理和体系建设,面向作战指挥的本体构建相对缺乏。面向作战指挥的武器装备知识图谱本体构建(《火力与指挥控制》2024)另一类工作则是在领域本体确定之后,再训练实体关系抽取模型去填充文本侧的知识。基于自然语言处理的装备知识图谱自主构建方法(2025) 到了问答这一层,schema 的作用同样明显:面向技术文档的 GraphRAG 研究专门比较了不同知识图谱模式对检索与问答效果的影响,结论是模式设计直接决定下游质量。GraphRAG on Technical Documents: Impact of Knowledge Graph Schema 不是所有文档项目都需要本体。可以拿四个问题自检: 一是要不要跨来源对齐。如果问题只需要「在这份文档里找一段话」,检索增强生成就够了;只有当答案是「把 A 文档里的装备、B 文档里的指标、C 系统的台账对上」时,才需要对象与链接。 二是要不要执行动作。本体平台除了描述,还能定义动作:改状态、下工单、发起审批。一旦需要「查完还能改」,就必须有带 ID 的实例。 三是要不要治理。权限、密级、审计、版本,这些要求落在对象与链接上;纯向量检索没有这些抓手。 四是有没有结构化数据源。如果只有一堆 PDF,没有业务库,那本体的实例层会非常稀疏,做出来的东西更像知识图谱而不是本体——这不是失败,而是选型问题。
第一个误区是把「抽得多」当成「建得好」。三元组数量很容易堆上去,但如果不区分对象类型,最后会得到一张无法回答业务问题的网。 第二个误区是认为大模型可以替代 schema。模型能帮你提出候选类与属性,但「哪些类是这个业务真正关心的」「一条关系允不允许出现」,这是领域决策,模型给不了责任主体。 第三个误区是忽略出处。无论哪种做法,最终一定要能回答「这条结论来自哪份文档的哪一页」。没有出处的知识,在严肃场景里无法被采用。 一句话概括:PDF 提供的是「文本与证据」,本体提供的是「结构与身份」,两者之间要靠 schema 和实例化这一步接起来。文本抽取能把模式层做得不错,实例层则必须有数据来源,并且留出人工校正的通道。把这一步讲清楚,比争论「能不能自动抽」更有价值。 1. Palantir Foundry 文档,Ontology 核心概念:https://www.palantir.com/docs/foundry/ontology/core-concepts/ 2. Information Extraction meets the Semantic Web: A Survey:https://www.semantic-web-journal.org/system/files/swj1744.pdf 3. TBox 与 ABox 的区分(J Biomed Semantics, 2021):https://jbiomedsem.biomedcentral.com/counter/pdf/10.1186/s13326-021-00254-0.pdf 4. 从关系数据库生成 OWL 本体的 ABox 处理:https://www.kci.go.kr/kciportal/landing/article.kci?arti_id=ART001975979 5. JC3IEDM 与 OWL 的映射(Springer):https://link.springer.com/chapter/10.1007/978-3-642-22056-2_53 6. 面向作战指挥的武器装备知识图谱本体构建,《火力与指挥控制》2024(5):https://coaa.istic.ac.cn/openJournal/periodicalArticle/0120240700335890 7. 基于自然语言处理的装备知识图谱自主构建方法(2025):https://d.wanfangdata.com.cn/thesis/D04036465 8. GraphRAG on Technical Documents: Impact of Knowledge Graph Schema:https://drops.dagstuhl.de/entities/document/10.4230/TGDK.3.2.3 9. 斯坦福七步法 Ontology Development 101:https://wiki.lyrasis.org/pages/viewpage.action?pageId=34658039

1 先分两个词:知识图谱与本体
2 关键区分:TBox 与 ABox
3 PDF 里有什么、没有什么

4 从 PDF 能可靠抽出什么
5 为什么「链接实例」最难
6 工业界的通行做法:schema 先行
7 什么时候该建本体,什么时候检索就够
8 一张对照表
维度 | 知识图谱(文本抽取) | 本体(对象与链接) |
|---|---|---|
schema | 弱,边抽边定 | 强,先定后填 |
实例来源 | 文本抽取为主 | 业务库、台账、接口为主 |
链接密度 | 稀疏、以一对一为主 | 密集、支持一对多与多对多 |
能否执行动作 | 不能 | 能 |
典型用途 | 检索、问答、找相似 | 跨源分析、决策支持、流程编排 |
主要风险 | 看起来很多,实际不可用 | 没有数据,空有骨架 |















































































