大模型赋能的知识图谱构建综述

大模型进入知识图谱构建之后，到底改变了什么？这份综述给出的回答是一次范式转移：知识图谱的构建正从基于规则与统计的流水线，转向语言驱动、生成式的框架。它值得现在翻看，是因为这种转移已经不止于"用模型替换某个环节"——按作者的描述，知识获取、组织与推理正在变成同一个生成式、自我修正的生态里相互依赖的过程，原来的工序边界本身在被重新划分。

覆盖范围以经典的三层流水线为骨架：本体工程、知识抽取、知识融合。作者先回到 LLM 之前的方法建立概念基础，再逐层梳理 LLM 驱动的新进展，组织上采用两个互补视角——schema-based 强调结构、规范化与一致性，schema-free 强调灵活性、适应性与开放发现。方法上这是一次文献综述：在每个阶段综合代表性框架、分析其技术机制、指出其局限，最后给出趋势判断，没有引入新的实验或数据集。

对传统范式的诊断集中在三点。其一是可扩展性与数据稀疏，基于规则与监督的系统往往难以跨领域泛化；其二是专家依赖与刚性，schema 与本体设计需要大量人工介入且缺乏适应性；其三是流水线割裂，各构建阶段分开处理，误差会逐级累积。作者认为正是这些限制阻碍了自演化、大规模、动态的知识图谱。与之对应，LLM 通过大规模预训练与涌现的泛化能力提供了三种机制：从非结构化文本直接合成结构化表示的生成式知识建模，以自然语言为落点整合异构来源的语义统一，以及用 prompt 交互协调复杂构建流程的指令驱动编排。换句话说，这里的判断不是"某一层被自动化了"，而是三层之间重新获得了贯通的可能。

分阶段的结论各有其分类维度。本体构建被拆成自上而下（LLM 充当本体助手）与自下而上（知识图谱服务于 LLM）两条路径；知识抽取围绕 schema-based 与 schema-free 两类方法展开比较；知识融合则按 schema 层、实例层与混合框架来讨论。为说明起点，作者回顾了前 LLM 时代本体主要靠领域专家手工构造，工具如 Protégé，方法如 METHONTOLOGY、On-To-Knowledge，此后的半自动"本体学习"仍难以应对本体演化、模块复用与动态适应，NeOn 即被举为例证。展望部分列出三个方向：面向 LLM 的知识图谱推理、面向 agentic 系统的动态知识记忆、多模态知识图谱构建。

由此可以读出几层实践含义。既然 LLM 被定位为衔接自然语言与结构化知识的"认知引擎"，那么评价一套构建方案时，按本体、抽取、融合分段考察会比只看端到端产出更有信息量，因为各段的失败模式并不相同。schema-based 与 schema-free 的选择也从一个实现细节上升为前置设计决策，取决于项目更看重一致性还是开放发现。至于流水线割裂造成的累积误差是否真被缓解，按这份综述的框架，要看融合层的具体设计，而不能默认生成式方法天然免疫。这些是我的解读，综述本身提供的是分类与机制层面的论证。

做知识图谱工程、信息抽取，或用大模型沉淀结构化知识的同行，可以从中拿到一张按三层流水线组织的领域地图，以及一组可直接用来对照自身方案的分类维度，比如本体构建的上下行方向、抽取的 schema 依赖程度、融合的作用层级。需要留意边界：这是综述而非实证研究，材料中没有基准对比或量化结果，结论以框架梳理和机制分析为主；公开版本可免费获取 PDF，也便于与课程讲义对照阅读。此外，这里呈现的主要是问题设定、组织框架与阶段结论，具体框架清单与逐项比较仍需回到原文对应章节查证。

Published as a conference paper at ICAIS 2025 LLM-EMPOWERED KNOWLEDGE GRAPH CONSTRUC- TION: ASURVEY Haonan Bian Xidian University Xi’an China [email protected] ABSTRACT Knowledge Graphs (KGs) have long served as a fundamental infrastructure for structured knowledge representation and reasoning. With the advent of Large Language Models (LLMs), the construction of KGs has entered a new paradigm—shifting from rule-based and statistical pipelines to language-driven and generative frameworks. This survey provides a comprehensive overview of recent progress inLLM-empowered knowledge graph construction, systemati- cally analyzing how LLMs reshape the classical three-layered pipeline of ontology engineering, knowledge extraction, and knowledge fusion. We first revisit traditional KG methodologies to establish conceptual foundations,