图学习与知识图谱

最后更新：2026-09-26 ｜ 领域：AI·生成与多模态 ｜ 说明：信息来源为公开网络资料，详见文末参考来源

概述

图学习（Graph Learning）以图神经网络（GNN）与图 Transformer 为核心，处理节点、边与整图的表示学习；知识图谱（Knowledge Graph，KG）则以实体—关系—实体三元组刻画结构化知识。2025–2026 年最活跃的交汇点是 GraphRAG：用 LLM 从非结构化文本抽取实体与关系构建知识图谱，再以图结构增强检索与推理，缓解传统向量 RAG 的结构信息缺失与 token 低效问题。同时，图基础模型（Graph Foundation Model，GFM）成为研究热点，但其相对调优良好的 GNN 是否具备普遍优势仍存争议。代表性新方向包括以强化学习驱动 Agent 化的 GraphRAG（Graph-R1）、以 GNN 引导跨分块图增强（CrossAug），以及多模态知识图谱抽取（MegaRAG）（Graph-R1、CrossAug、MegaRAG）。

最新进展（2025–2026）

• GraphRAG 走向强化学习与 Agent 化：Graph-R1（ICML 2026）把 GraphRAG 重构为端到端强化学习框架，由「知识超图环境 + 多轮 think–query–retrieve–answer 智能体 + 结果导向奖励」构成（Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning）。
• GNN 回到 GraphRAG 管线核心：CrossAug 提出以 GNN 引导的跨分块图增强方法，用自监督图损坏模块定位分块局部抽取失败的位置，并据此补全关系结构（Beyond Chunk-Local Extraction: Cross-Chunk Graph Augmentation for GraphRAG）。剑桥的 GraphNeuralRAG 报告探讨把 GNN 置于 GraphRAG 管线核心的机遇与挑战，覆盖多跳问答与扰动建模（GraphNeuralRAG）。
• 可解释性：Ex-GraphRAG 用多变量图神经加性网络（M-GNAN）替换 GNN 编码器，对编码器输出做跨节点与特征组的精确分解，从而审计证据路由，并在 STaRK-Prime 上匹配黑盒性能（Ex-GraphRAG: Interpretable Evidence Routing for Graph-Augmented LLMs）。
• 多模态知识图谱：MegaRAG（ACL 2026）用多模态大模型（MLLM）对长文档逐页并行抽取实体关系，合并为多模态知识图谱（MMKG），并以子图引导的精修补全跨模态、跨页关系，配合双路径检索与两阶段答案生成，报告称显著优于 GraphRAG/LightRAG/VisRAG（Graph Learning（ACL 2026））。
• 多模态图基模型基准：有工作提出首个系统化形式化多模态图学习范式的基准，涵盖 19 个多模态数据集、7 个应用域、8 种模拟策略、6 类下游任务与 57 个实现于模块化 API 的 SOTA 方法（Toward Federated Multimodal Graph Foundation Models）。
• 图基础模型（GFM）：一项对 9 个近期 GFM 在节点属性预测任务上的公平复评发现，其中只有基于 Prior-data Fitted Networks 范式的最新模型能超过调优良好的 GNN 基线，但推理成本更高（A Fair Evaluation of Graph Foundation Models for Node Property Prediction）。此外出现面向图数据的「通用基础模型」尝试，并在生物网络（如 SagePPI、ogbn-proteins、StringGO、Fold-PPI）上评测（Toward a universal foundation model for graph-structured data）；Structure-Centric GFM（SCGFM）用几何基与 Gromov–Wasserstein 距离对齐异构图拓扑（Structure-Centric Graph Foundation Model via Geometric Bases）；RAG-GFM 则以检索增强缓解图基础模型的内存瓶颈，用双视角对齐与上下文增强在五个基准上优于 13 个基线（Overcoming In-Memory Bottlenecks in Graph Foundation Models via Retrieval-Augmented Generation）。

核心技术与关键概念

• GraphRAG：Microsoft Research 于 2024 年提出，用 LLM 从非结构化文本抽取实体、关系与事件构建知识图谱，并利用社区聚类生成多层知识摘要来增强 LLM（GraphRAG 实践）。
• 知识图谱 + 多跳推理：GraphRAG 直接遍历图的节点和边，为查询汇集事实及其关系网络，实现结构化的多跳推理，提供经过整理的事实而非简单文档堆叠（Knowledge Graphs Meet LLMs: The Enterprise Reasoning Stack）。
• 本体工程：企业级图落地通常遵循五层架构——数据摄取与质量保证、领域本体工程、知识图谱构建与填充、GraphRAG 增强、下游应用使能（A Five-Layer Reference Architecture for First-Party Enterprise Knowledge Graphs）。
• 图基与拓扑对齐：面向 GFM 的工作用几何基、Gromov–Wasserstein 距离与结构感知特征重编码来统一异构拓扑与不兼容特征维度（SCGFM）。
• 应用：药物与生物：GNN 在计算药物发现中被用于分子生成、分子性质预测与药物—药物相互作用预测，以分子结构图建模与靶点结合（Recent Developments in GNNs for Drug Discovery）。有综述指出 GNN 已在分子性质预测、药物重定位、毒性评估与相互作用分析上取得突破，并以生成式 GNN 增强虚拟筛选与新分子设计（Graph neural networks driven acceleration in drug discovery）。
• 基于结构的推理：借助 AlphaFold 预测结构，GNN 可进行结构导向的机器学习；例如有工作以 AlphaFold 预测结构为输入、用 GNN 处理结构信息来预测 PROTAC 介导的蛋白降解性（Structure-Aware Prediction of PROTAC-Mediated Protein Degradability）。

代表性项目 / 公司 / 产品（附官方链接）

• Microsoft Research：GraphRAG 方法。
• 学术前沿：Graph-R1（ICML 2026）、CrossAug、Ex-GraphRAG、MegaRAG（ACL 2026）、GraphNeuralRAG 等（见参考来源）。
• 企业实践：面向制造、临床与客户体验等领域的第一方企业知识图谱参考架构（A Five-Layer Reference Architecture）。
• 生物医药：GNN 在分子性质预测、分子生成、药物重定位与相互作用分析上形成应用集群（Graph neural networks driven acceleration in drug discovery）。

关键数据与评测结果（附来源）

• 有厂商博客称 GraphRAG 在企业领域达 80% 准确率、而传统向量 RAG 为 51%，并称在企业基准上有 3.4 倍提升（Knowledge Graphs for Enterprise AI — Replacing RAG with Structured Reasoning）——该数据来自商业博客，仅作转述。
• GFM 复评：9 个 GFM 中仅 PFN 范式的最新模型在节点属性预测上优于调优 GNN，但推理成本更高（A Fair Evaluation of Graph Foundation Models）。
• RAG-GFM：在五个基准图数据集的跨域节点与图分类上优于 13 个 SOTA 基线（RAG-GFM）。
• 在生物医药方向，GNN 已被广泛用于分子性质预测、分子生成与药物—药物相互作用预测（Recent Developments in GNNs for Drug Discovery），并借助 AlphaFold 预测结构实现规模化结构导向的机器学习（Structure-Aware Prediction of PROTAC-Mediated Protein Degradability via Graph Neural Networks）。

趋势与争议

• GraphRAG vs 向量 RAG：图结构增强在可解释性与多跳推理上具备优势，但也带来图谱构建成本与本体维护负担；部分「高提升」数据来自厂商自述，需谨慎对待（Knowledge Graphs for Enterprise AI）。
• GFM 是否必要：公平复评显示，多数图基础模型未必优于调优良好的领域 GNN，且推理开销更大，说明「基础模型化」在图领域尚无定论（A Fair Evaluation of Graph Foundation Models）。
• 分块抽取的固有缺陷：GraphRAG 的实体关系抽取常在分块边界处失败，GNN 引导的跨分块增强是对此的直接回应（Cross-Chunk Graph Augmentation for GraphRAG）。
• 可解释性与审计：随着 GraphRAG 用于企业关键场景，证据路由的可审计性成为新焦点（Ex-GraphRAG）。

参考来源

• Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning（ICML 2026）
• Beyond Chunk-Local Extraction: Cross-Chunk Graph Augmentation for GraphRAG
• Ex-GraphRAG: Interpretable Evidence Routing for Graph-Augmented LLMs
• GraphNeuralRAG: On the Opportunities and Challenges of GNNs for GraphRAG
• Graph Learning（ACL 2026，MegaRAG）
• A Fair Evaluation of Graph Foundation Models for Node Property Prediction
• Toward a universal foundation model for graph-structured data
• Toward Federated Multimodal Graph Foundation Models
• Structure-Centric Graph Foundation Model via Geometric Bases
• Overcoming In-Memory Bottlenecks in Graph Foundation Models via Retrieval-Augmented Generation
• GraphRAG 实践：企业知识库从文本检索到知识图谱推理的架构升级路径
• Knowledge Graphs Meet LLMs: The Enterprise Reasoning Stack
• A Five-Layer Reference Architecture for First-Party Enterprise Knowledge Graphs
• Knowledge Graphs for Enterprise AI — Replacing RAG with Structured Reasoning
• Recent Developments in GNNs for Drug Discovery
• Graph neural networks driven acceleration in drug discovery
• Structure-Aware Prediction of PROTAC-Mediated Protein Degradability via Graph Neural Networks