关键字: [亚马逊云科技， Neptune， 图数据库引擎Neptune， 知识图谱构建， 实体关系抽取， 向量化知识表示， 大模型知识推理]

导读

在这场演讲中，演讲者介绍了亚马逊云科技的图数据库引擎Neptune，以及如何利用它来构建知识图谱。他解释了知识图谱相比传统信息检索的优势，如更高的准确性、更好的可解释性和推理能力。他还分享了如何使用LamArindEs和LanTran等库从非结构化文本中提取实体和关系，并将其存储在Neptune图数据库中。最后，他演示了如何将Neptune与大型语言模型集成，以支持基于知识图谱的问答和推理。总的来说，Neptune可以帮助构建知识图谱，从而实现更精确、更高级的信息处理和推理能力，适用于新闻撰写、学术研究等领域。

演讲精华

以下是小编为您整理的本次演讲的精华。

在亚马逊云科技中，图数据库引擎Neptune扮演着支持知识图谱的核心角色。之前推出的Neptune Analytics服务，允许存储和分析属性图数据。而现如今，Neptune不仅是一个serverless应用，还可以与亚马逊的BearRock服务无缝集成，用户可以一键创建和使用Neptune实例。

构建知识图谱的关键在于从非结构化数据中提取实体和关系。这可以利用亚马逊的自然语言处理工具Comprehend和开源库LamArindEs来实现。Comprehend可识别文本中的关键词和专有名词，而LamArindEs则将文本分段并转化为实体。例如，对于一篇关于“世博中心”的文章，Comprehend可以自动标注出“世博中心”、“上海”这些专有名词，而LamArindEs则会将“世博中心位于上海”这一句切分为“世博中心”、“上海”两个实体，并建立“位于”的关系连线。

一旦实体及其关系被提取出来，它们就会被存储到Neptune图数据库中。除了存储知识图谱，Neptune还支持图遍历搜索、向量搜索等算法，能够找到相关的知识节点。通过与大模型集成，前端可以提出自然语言问题，大模型会查询Neptune获取相关证据，并综合生成回答。

在一个具体案例中，某台湾数字媒体公司利用该技术辅助记者撰写评论类文章。他们希望通过知识图谱的支持，使记者能够产出更高水平的分析型政治评论文章，就像拥有专家知识的评论员或作家那样，撰写出具有深度见解和推理能力的社论作品。

整个流程包括四个步骤:1)文本生成和传统信息检索;2)通过大模型将文本转为实体和三元组关系，构建知识图谱并存入Neptune;3)大模型根据知识图谱的关系网络，自动生成查询语句并从Neptune获取相关证据;4)综合证据生成回复。这种流程简化了图数据库查询的复杂度，使用户无需直接编写专业的查询语句。

以处理维基百科上的“伊丽莎白一世”条目为例，该条目的文本内容会被分割成上万个小片段，每个片段对应一个关键词或实体，如“伊丽莎白一世”、“英国女王”等。然后，这些实体会被存储为节点，节点之间的关系(如“伊丽莎白一世是英国女王”)则被存储为连线。构建完这个关系网络后，当用户询问“为什么伊丽莎白一世被称为’处女女王’”时，大模型能够基于文中的线索(“她未婚”“出于政治原因”等)，结合知识图谱中的关系推理出合理的解释。

正是由于知识图谱存储了丰富的实体关系数据，大模型才能在此基础上进行更深入的推理，产生更精确的解释和分析，而不是仅给出简单的事实描述。这使得该系统非常适用于那些需要高质量分析和评论的专业领域，如医疗、新闻报道、学术论文等。

除了前端的自然语言交互，该系统的后端也有许多复杂的技术细节。例如，将文本转化为实体和三元组关系的过程，需要利用LamArindEs和LanTran这两个库。LamArindEs用于从文本中提取实体，而LanTran则将这些实体与预训练模型的知识进行融合，存储为属性图数据。通过这两个库的配合，文本数据最终会被转化为知识图谱和属性图数据，并存入Neptune数据库。

在存储数据的同时，该系统还利用SageMaker等工具对图数据进行处理，以支持高效的图遍历搜索。当前端发出查询时，BearRock会自动生成对应的Cypher查询语句，从而在Neptune中检索相关的事实证据。而这一过程对最终用户来说是透明的，他们无需直接编写复杂的图数据库查询语句。

该系统的一大优势在于，它简化了构建和使用知识图谱的流程。通过与BearRock的无缝集成，用户可以一键创建所需的Neptune实例、LamArindEs索引等组件，而不必手动配置每个环节。整个服务被称为“KnowledgeGraph”，已有客户在实践中加以应用和验证。例如，某台湾客户就利用该服务，辅助记者撰写高阶分析型评论文章。

总的来说，亚马逊云科技的图数据库引擎Neptune及其配套工具，为构建知识图谱提供了完整的解决方案。通过存储实体关系数据，它赋予了大模型更强的理解、推理和解释能力，使其可以像人类专家那样，为特定专业领域提供高质量的分析和评论服务，大大提升了信息交互的质量和深度。该技术已在实际案例中得到应用，助力记者等专业人士提升工作质量，产出更有价值的分析评论作品。

下面是一些演讲现场的精彩瞬间：

The speaker asks the audience if they have heard of the term “grf ig” and sees that many have raised their hands.

The speaker explains the two essential libraries， Lama Index and LanTran， used for indexing and interacting with knowledge bases in the context of natural language processing.

通过 Amazon SageMaker 和 Amazon Neptune 的结合，可以快速提取实体、构建知识图谱，并与大型语言模型交互，实现高效的问答系统。

总结

亚马逊云科技的图数据库引擎Neptune助力构建知识图谱，为自然语言处理任务提供强大支持。通过将非结构化文本转化为实体和关系，并存储在图数据库中，Neptune能够捕捉文本中的语义关联和隐含知识。借助大型语言模型与图数据库的交互，Neptune可以生成高质量的问答、推理和内容生成等应用。

这种基于知识图谱的方法，不仅提高了自然语言处理的准确性和可解释性，还为复杂领域的深度探讨提供了知识基础。在新闻撰写、学术研究等场景中，Neptune的知识图谱能够帮助语言模型进行推理和高阶分析，生成更精确、更专业的内容。通过Neptune与大型语言模型的无缝集成，亚马逊云科技为自然语言处理开辟了新的可能性，助力构建更智能、更可靠的人工智能系统。

Neptune的知识图谱架构为语言模型提供了丰富的语义知识，使其能够更好地理解和推理复杂的语义关系。这种创新方法将推动自然语言处理技术的发展，为各行业带来更智能、更高效的语言处理解决方案。

我们正处在Agentic AI爆发前夜。2025亚马逊云科技中国峰会提出，企业要从“成本优化”转向“创新驱动”，通过完善的数据战略和AI云服务，把握全球化机遇。亚马逊将投入1000亿美元在AI算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在AI时代突破。