基于Mistral 7B与Ollama的本地知识图谱构建全流程解析

1. 项目概述：从文本到知识图谱的本地化构建

最近在折腾一个挺有意思的项目，核心目标是把一堆零散的文本，比如一本书、一份报告或者一堆研究论文，转化成一个结构化的、可视化的知识图谱。这玩意儿本质上是一个语义网络，能把文本里提到的各种概念、实体以及它们之间的关系，用一种图结构给清晰地画出来。想象一下，你读完一本几百页的专业书，脑子里可能只有个模糊的印象，但如果能把它变成一个交互式的网络图，哪里是核心概念，哪些知识点之间联系紧密，一目了然。这对于快速梳理知识体系、发现隐藏关联，甚至是为后续的智能问答系统提供“知识骨架”，都特别有用。

这个项目的独特之处在于它的“全本地化”和“轻量化”思路。市面上很多方案严重依赖OpenAI的GPT-4等大型商用API，不仅成本高，还存在数据隐私和网络依赖的问题。我们这里反其道而行，完全在本地搞定。核心引擎用的是Mistral 7B这类优秀的开源大语言模型，通过Ollama这个神器在本地轻松部署和运行。数据处理和构图用Python生态里成熟的Pandas、NetworkX和Pyvis库。整套流程下来，从文本预处理、概念提取、关系挖掘到最终的可视化，全部在你自己的电脑上完成，数据不出本地，费用几乎为零（除了电费），特别适合个人研究者、小型团队或者对数据安全有要求的场景。

简单来说，这个项目就是教你如何用开源工具链，亲手搭建一个属于你自己的“知识炼金术”工作台，把非结构化的文本“炼化”成结构化的知识图谱。无论你是想深入分析某个领域的文献，还是想为自己的项目构建一个本地的知识库，这套方法都能提供一个扎实的起点。

2. 核心思路与架构设计

2.1 为什么是“概念”而非“实体”？

传统构建知识图谱的第一步，通常是命名实体识别（NER），目的是识别出文本中的人名、地名、组织名等具体“实体”。但在这个项目里，我们选择了一条略有不同的路：提取“概念”。

这两者有什么区别？举个例子，在一篇关于气候变化的文章中，“联合国政府间气候变化专门委员会（IPCC）”是一个实体，而“全球变暖对极地生态系统的威胁”则是一个更抽象的“概念”。实体是具体、离散的客观存在，而概念往往包含观点、状态、属性或复合语义。选择提取概念基于一个核心判断：在构建用于深度理解和推理的知识图谱时，概念之间的语义关系往往比实体间的简单关联（如“位于”、“属于”）更丰富、更有洞察力。概念能更好地捕捉文本的论述逻辑和观点脉络，从而形成的图谱在社区发现、中心性分析等图算法应用上，会揭示出更贴近原文语义的结构。

我的实践经验也证实了这一点。当使用LLM从文本块中提取概念时，模型更容易理解上下文并抽取出具有语义完整性的短语，这些短语作为图谱的节点，后续构建的关系边（如“导致”、“促进”、“对比”）也更具解释性。这为后续实现图检索增强生成（Graph Retrieval Augmented Generation, GRAG）打下了更好的基础，因为检索到的不再是孤立的实体，而是承载了具体语义和关系的知识单元。

2.2 整体流程拆解：从文本块到关系图

项目的核心流程可以概括为一个分步的数据转换管道，其设计充分考虑了可行性与效果之间的平衡。

第一步：文本分块与编号这是所有文本处理的基础。我们不能把一整本书扔给LLM，因为模型有上下文长度限制，且细粒度处理效果更好。这里使用滑动窗口或基于语义的分割算法（如semantic-text-splitter），将长篇文本切割成大小适中、有一定重叠的文本块。每个块被赋予一个唯一的chunk_id。重叠是为了防止概念恰好被切分在块边界而丢失关联。这一步的关键是块大小的选择，太小会割裂语义，太大则影响提取精度并增加LLM负担，通常根据模型上下文窗口（如4096 tokens）和文本特点，选择500-1000个字符为一个块是比较合适的起点。

第二步：基于LLM的概念与关系提取这是最核心、最耗时的环节。对于每个文本块，我们构造一个精心设计的系统提示词（System Prompt），指令LLM完成两项任务：

1. 提取概念：列出文本块中出现的核心概念（通常是名词性短语）。
2. 提取关系：识别这些概念两两之间存在的语义关系，并用简洁的短语描述（如“A依赖于B”、“C是D的组成部分”）。

这里，我们为每一对被发现存在关系的概念创建一条“边”，并赋予其初始权重W1（例如，初始值设为1）。W1代表了在单个文本块内，由LLM明确判定的、具有语义描述的关系强度。同一个概念对可能在同一个块内被LLM识别出多种关系（例如，“咖啡因”和“警觉性”之间既有“提高”的关系，也可能有“过量导致焦虑”的关系），这些都会作为边的属性被记录下来。

第三步：基于共现的上下文关系增强除了LLM明确提取的关系，我们还利用一个简单的启发式规则：出现在同一个文本块中的概念，由于上下文接近，它们之间很可能存在某种隐含的相关性。因此，对于同一个chunk_id下的所有概念两两组合，我们都建立一条边，并赋予其另一个权重W2（例如，也设为1）。W2代表了基于空间共现的关联强度。这一步非常重要，它能捕获那些LLM可能没有明确表述，但通过上下文暗示的潜在联系，极大地丰富了图的连接性。

第四步：关系融合与权重聚合经过第二步和第三步，我们得到了一个原始的边列表，其中同一对概念（如“机器学习”和“深度学习”）可能因为出现在多个文本块中，或者在一个块内被LLM识别出多种关系，而对应多条记录。现在需要进行合并：

1. 节点合并：确保每个唯一概念只对应图中的一个节点。
2. 边合并：将属于同一对概念节点的所有边进行合并。合并后的“边”具有两个核心属性：
   • 总权重：将所有这些原始边的权重（W1和W2）相加。权重越高，说明这两个概念在原文中的关联越强、越频繁。
   • 关系描述集合：将所有LLM提取的语义关系描述短语收集起来，形成一个列表，作为这条边的“标签”。这保留了丰富的语义信息。

第五步：图构建、分析与可视化将处理好的节点和边数据，导入NetworkX库构建一个图数据结构。在此基础上，我们可以轻松计算各种图指标：

• 节点度：一个概念节点连接了多少条边。度数高的节点往往是文本中的核心或枢纽概念。
• 社区发现：使用如Louvain等算法，将图中连接紧密的节点聚合成社区，同一社区的概念通常属于同一个子主题。
• 中心性度量：如特征向量中心性，用于识别网络中最重要的节点。

最后，利用Pyvis库，将NetworkX图转换为一个交互式的网页可视化。我们可以用节点大小映射其度数，用节点颜色映射其所属社区，用边的粗细映射其权重，从而生成一幅直观、信息丰富的知识图谱。

注意：整个流程中，LLM的提示词设计至关重要。它需要明确指令模型输出结构化的JSON格式，以便于程序化解析。例如，提示词可能包含：“请从以下文本中提取关键概念及概念间关系。以JSON格式输出，包含concepts列表和relations列表，其中每个关系包含source,target,description字段。”

3. 技术栈深度解析与本地化部署

3.1 模型选型：为什么是Mistral 7B与Ollama组合？

在本地运行LLM，模型的选择需要在能力、速度和硬件需求之间取得平衡。Mistral AI发布的Mistral 7B模型是一个绝佳的起点。这个拥有70亿参数的模型，在多项基准测试中表现出了超越其参数规模的推理和理解能力，尤其擅长遵循指令。我们这里使用的是mistral-openorca这个变体，它经过了OpenOrca数据集的指令微调，在遵循复杂系统提示、进行结构化输出方面表现更为出色。对于从文本中提取概念和关系这种需要理解语义并遵从格式要求的任务，它完全能够胜任。

然而，直接在本地部署和运行一个7B参数的模型对新手来说颇具挑战。这就是Ollama的价值所在。Ollama是一个强大的工具，它将模型下载、环境配置、服务启动等复杂过程封装成极其简单的命令。它内置了对众多优秀开源模型（包括Mistral系列）的支持，提供了一种类似Docker的体验：一条命令就能拉取模型，再一条命令就能启动一个本地的API服务。这使得研究者可以完全摆脱对云端API的依赖，在个人电脑（甚至配置不错的笔记本电脑）上就能搭建起LLM应用的原型。

部署实操步骤：

1. 安装Ollama：访问官网（https://ollama.ai）根据你的操作系统（Windows/macOS/Linux）下载安装包。安装过程通常是一键式的。
2. 拉取模型：打开终端（或命令行），执行ollama pull mistral-openorca。Ollama会自动从仓库下载该模型。首次下载需要一些时间，取决于你的网速。
3. 运行模型服务：下载完成后，执行ollama run mistral-openorca。这个命令会启动一个本地服务器，默认通常在http://localhost:11434提供API服务。现在，你的电脑就拥有了一个功能完整的本地LLM端点。

实操心得：在资源有限的机器上，可以尝试Ollama支持的更小模型，如phi或qwen:0.5b，虽然能力稍弱，但速度极快。对于Mistral 7B，确保你的电脑至少有16GB内存（RAM），使用CPU推理也可行，但速度较慢。如果有NVIDIA显卡（显存8GB以上），Ollama会自动利用GPU加速，体验会流畅很多。

3.2 数据处理与图论库：Pandas, NetworkX, Pyvis 的角色

Pandas在这个项目中扮演着“数据中转站”和“预处理车间”的角色。从文本块、LLM的原始输出，到最终用于构图的节点列表和边列表，所有中间数据都以DataFrame的形式进行存储、清洗、转换和聚合。例如，合并重复边、计算权重总和、连接关系描述等操作，用Pandas的groupby、merge、agg函数可以非常优雅高效地完成。它的表格型数据结构非常符合我们处理“关系对”这类数据的直觉。

NetworkX是Python图论分析的事实标准库。它的API设计非常人性化。我们只需要将Pandas DataFrame中的节点和边数据，通过add_nodes_from和add_edges_from函数导入，瞬间就获得了一个功能强大的图对象G。之后，所有复杂的图算法都变成了简单的函数调用：

• nx.degree(G)：计算每个节点的度。
• nx.community.louvain_communities(G)：进行社区检测。
• nx.eigenvector_centrality(G)：计算特征向量中心性。 这些计算结果可以很容易地作为属性添加回节点或边，为可视化提供数据支撑。

Pyvis是最终的“画师”。NetworkX本身的可视化功能比较基础，而Pyvis则能生成基于HTML/JavaScript的交互式网络图。它允许用户拖动节点、缩放视图、点击查看节点/边的详细信息。我们将NetworkX图对象传入Pyvis的Network类，然后通过设置节点size（映射到度）、color（映射到社区ID）、边的width（映射到权重）等属性，就能生成一幅美观且信息密度高的可视化图谱。最终输出是一个独立的HTML文件，可以在任何浏览器中打开和分享。

技术栈协同工作流：

1. 数据流：原始文本 -> 分块 -> LLM提取 (JSON) -> Pandas解析清洗 -> 生成节点/边DataFrame -> NetworkX构建图 -> 计算图指标 -> 结果回填至Pandas DataFrame -> Pyvis读取DataFrame生成可视化。
2. 控制流：整个流程可以用一个Python脚本或Jupyter Notebook串联起来，实现从输入文本到输出交互式图谱的全自动化。

4. 分步实操：构建你的第一个知识图谱

假设我们想分析一篇关于“可再生能源”的综述文章。下面我们走一遍完整的操作流程。

4.1 环境准备与依赖安装

首先，确保你的Python环境（建议3.8以上）已经就绪，然后安装必要的库。

# 安装核心数据处理与图形库 pip install pandas networkx pyvis # 安装文本处理相关的辅助库，例如用于分句或分块 pip install nltk sentence-transformers # 安装用于调用本地Ollama API的库，requests是必须的 pip install requests

接下来，按照上一章所述，在你的电脑上安装并运行Ollama，确保mistral-openorca模型已拉取且服务运行在http://localhost:11434。

4.2 文本预处理与分块

我们从一个名为renewable_energy.txt的文本文件开始。

import re from typing import List def read_and_chunk(file_path: str, chunk_size: int = 500, overlap: int = 50) -> List[str]: """ 读取文本文件并按固定大小分块，允许块间重叠。 """ with open(file_path, 'r', encoding='utf-8') as f: text = f.read() # 简单的按句子分割，更复杂的方法可以使用nltk或基于语义的分割器 sentences = re.split(r'(?<=[.!?])\s+', text) chunks = [] current_chunk = [] current_len = 0 for sent in sentences: sent_len = len(sent) if current_len + sent_len > chunk_size and current_chunk: # 保存当前块 chunks.append(' '.join(current_chunk)) # 保留重叠部分，构建新块 overlap_words = ' '.join(current_chunk).split()[-overlap:] if overlap else [] current_chunk = overlap_words + [sent] if overlap else [sent] current_len = len(' '.join(current_chunk)) else: current_chunk.append(sent) current_len += sent_len if current_chunk: chunks.append(' '.join(current_chunk)) return chunks # 使用函数 text_chunks = read_and_chunk("renewable_energy.txt", chunk_size=600, overlap=75) print(f"总共有 {len(text_chunks)} 个文本块。") print("第一个块预览：", text_chunks[0][:200])

4.3 构造提示词与调用本地LLM

这是最关键的一步，我们需要设计一个能让LLM稳定输出结构化数据的提示词。

import requests import json import time OLLAMA_API_URL = "http://localhost:11434/api/generate" def extract_concepts_and_relations(chunk_text: str, chunk_id: int) -> dict: """ 调用本地Ollama服务的Mistral模型，从文本块中提取概念和关系。 """ system_prompt = """你是一个知识提取专家。你的任务是从给定的文本中提取关键概念（名词性短语）以及这些概念之间的语义关系。 请严格按照以下JSON格式输出，不要有任何额外的解释或文本。 { "concepts": ["概念1", "概念2", ...], "relations": [ {"source": "概念A", "target": "概念B", "description": "A与B之间的关系描述，如‘推动’、‘抑制’、‘是...的一部分’"}, ... ] } 确保关系描述简洁、准确。只提取文本中明确提及或强烈暗示的关系。""" user_prompt = f"文本内容：{chunk_text}" payload = { "model": "mistral-openorca", "prompt": f"{system_prompt}\n\n{user_prompt}", "stream": False, "format": "json", # 要求Ollama返回JSON格式 "options": { "temperature": 0.1, # 低温度保证输出稳定性 "num_predict": 500 # 最大生成token数 } } try: response = requests.post(OLLAMA_API_URL, json=payload, timeout=120) response.raise_for_status() result = response.json() # Ollama的响应中，实际内容在‘response’字段 extracted_data = json.loads(result['response']) # 添加块ID以便追踪 extracted_data['chunk_id'] = chunk_id return extracted_data except (requests.exceptions.RequestException, json.JSONDecodeError, KeyError) as e: print(f"处理块 {chunk_id} 时出错: {e}") # 返回一个空结构，避免中断流程 return {"concepts": [], "relations": [], "chunk_id": chunk_id} # 遍历所有文本块进行提取（注意：这是一个耗时操作，建议分批进行或添加延迟） all_extractions = [] for idx, chunk in enumerate(text_chunks[:10]): # 先测试前10个块 print(f"正在处理块 {idx}...") result = extract_concepts_and_relations(chunk, idx) all_extractions.append(result) time.sleep(1) # 避免请求过快，给Ollama喘息之机 print("概念提取完成。")

4.4 数据清洗、融合与构图

现在，我们将LLM返回的杂乱数据整理成清晰的节点和边列表。

import pandas as pd import itertools # 1. 将提取结果转换为DataFrame records = [] for extr in all_extractions: chunk_id = extr['chunk_id'] for rel in extr['relations']: records.append({ 'chunk_id': chunk_id, 'source': rel['source'], 'target': rel['target'], 'relation_desc': rel['description'], 'weight_w1': 1.0 # LLM明确关系的权重 }) # 同时，为同一块内的所有概念两两组合创建“共现边” concepts_in_chunk = extr['concepts'] for (c1, c2) in itertools.combinations(set(concepts_in_chunk), 2): # 确保顺序一致，避免重复（如A-B和B-A） pair = tuple(sorted([c1, c2])) records.append({ 'chunk_id': chunk_id, 'source': pair[0], 'target': pair[1], 'relation_desc': 'co-occurrence_in_same_chunk', 'weight_w2': 0.5 # 共现关系的权重，可以比W1稍低 }) df_edges_raw = pd.DataFrame(records) # 2. 合并相同节点对之间的边，聚合权重和关系描述 def aggregate_relations(series): # 过滤掉共现关系的描述，只保留语义关系描述 semantic_rels = series[series != 'co-occurrence_in_same_chunk'].unique().tolist() return ', '.join(semantic_rels) if semantic_rels else 'contextual_co-occurrence' df_edges_merged = df_edges_raw.groupby(['source', 'target']).agg({ 'weight_w1': 'sum', 'weight_w2': 'sum', 'relation_desc': aggregate_relations }).reset_index() # 计算综合权重（例如，简单相加） df_edges_merged['total_weight'] = df_edges_merged['weight_w1'] + df_edges_merged['weight_w2'] # 3. 创建节点列表（所有唯一的概念） all_concepts = set(df_edges_merged['source']).union(set(df_edges_merged['target'])) df_nodes = pd.DataFrame({'concept': list(all_concepts)}) df_nodes['node_id'] = df_nodes.index # 为每个节点分配一个数字ID print(f"共提取出 {len(df_nodes)} 个唯一概念。") print(f"共形成 {len(df_edges_merged)} 条关系边。") print(df_edges_merged.head())

4.5 图计算与可视化

使用NetworkX计算图属性，并用Pyvis生成交互式可视化。

import networkx as nx from pyvis.network import Network # 1. 创建NetworkX图 G = nx.Graph() # 添加节点 for _, row in df_nodes.iterrows(): G.add_node(row['concept']) # 添加边，并以total_weight作为边属性 for _, row in df_edges_merged.iterrows(): G.add_edge(row['source'], row['target'], weight=row['total_weight'], title=row['relation_desc']) # 2. 计算图指标并添加到节点属性中 # 节点度 degree_dict = dict(G.degree()) nx.set_node_attributes(G, degree_dict, 'degree') # 社区检测（使用Louvain算法） try: from community import community_louvain partition = community_louvain.best_partition(G) nx.set_node_attributes(G, partition, 'community') except ImportError: print("未安装‘python-louvain’库，社区检测跳过。") # 如果没有安装，可以赋予所有节点同一个社区ID nx.set_node_attributes(G, {node: 0 for node in G.nodes()}, 'community') # 3. 使用Pyvis进行可视化 net = Network(height="750px", width="100%", bgcolor="#222222", font_color="white") # 从NetworkX图导入数据 net.from_nx(G) # 设置节点可视化属性 for node in net.nodes: # 节点大小与度数成正比 node['size'] = 10 + G.nodes[node['id']].get('degree', 1) * 2 # 节点颜色根据社区分配 community_id = G.nodes[node['id']].get('community', 0) # 使用一个简单的颜色映射 colors = ['#FF6B6B', '#4ECDC4', '#FFD166', '#06D6A0', '#118AB2', '#EF476F'] node['color'] = colors[community_id % len(colors)] # 悬停显示度数和社区 node['title'] = f"概念: {node['id']}<br>度: {G.nodes[node['id']].get('degree', 'N/A')}<br>社区: {community_id}" # 设置边可视化属性 for edge in net.edges: # 边粗细与权重成正比 edge_weight = G[edge['from']][edge['to']].get('weight', 1) edge['width'] = 0.5 + edge_weight * 0.5 # 悬停显示关系描述 edge['title'] = G[edge['from']][edge['to']].get('title', 'No description') # 生成交互式网页 net.show("knowledge_graph.html", notebook=False) print("知识图谱已生成，请打开 ‘knowledge_graph.html’ 文件查看交互式图表。")

打开生成的knowledge_graph.html，你将看到一个可拖拽、缩放、点击查看详情的知识网络图。核心概念（连接数多）的节点会更大，同一社区的概念颜色相同，关系紧密的边会更粗。

5. 常见问题、优化策略与避坑指南

在实际操作中，你肯定会遇到各种问题。下面是我在多次实践中总结的一些典型问题和解决方案。

5.1 LLM提取效果不稳定或格式错误

问题表现：LLM返回的内容不是合法的JSON，或者提取的概念/关系质量很差（过多、过少、不相关）。

排查与解决：

1. 优化提示词：这是最关键的一步。确保系统提示词明确、无歧义。可以加入“只输出JSON”、“不要有任何额外文本”、“关系描述必须基于文本事实”等强约束。尝试不同的指令表述，例如“请以列表形式列出核心概念”和“请提取最重要的3-5个概念及其关系”，效果可能不同。
2. 调整模型参数：降低temperature（如0.1）可以减少随机性，使输出更稳定。增加num_predict确保有足够tokens生成完整JSON。
3. 后处理与清洗：在代码中增加健壮性检查。使用try-except包裹JSON解析，如果解析失败，可以尝试用正则表达式从错误响应中“抢救”出JSON部分，或者直接丢弃该块数据并记录日志。
4. 分块策略调整：如果文本块太大或太小，都会影响提取效果。块太大，LLM可能无法处理所有信息；块太小，缺乏足够上下文。尝试调整chunk_size和overlap参数。更高级的做法是使用基于嵌入向量的语义分割，确保每个块在语义上是完整的。
5. 模型升级：如果效果始终不理想，可以考虑在Ollama中尝试更强大的模型，如llama2:13b或mixtral:8x7b（需要更强的硬件），或者使用专门微调过的信息提取模型。

5.2 图谱过于稠密或稀疏

问题表现：生成的图要么所有节点都连在一起，一团乱麻；要么都是孤立的节点，没有形成有意义的网络。

原因与优化：

• 过于稠密：通常是因为“共现关系”（W2）权重过高，或者LLM提取的关系过于宽泛（如把所有概念都关联上“涉及”）。解决方案：降低共现权重W2（例如从0.5降到0.1或0.2）。在合并边时，可以设置一个权重阈值，只保留total_weight大于某个值的边（例如df_edges_merged = df_edges_merged[df_edges_merged[‘total_weight’] > 1.5]）。还可以在可视化时，通过Pyvis的physics配置调整斥力，让图更舒展。
• 过于稀疏：可能是文本本身概念关联性弱，或者LLM提取的关系太少。解决方案：检查提示词是否鼓励提取足够的关系。可以增加overlap值，让概念有更多机会在不同块中共现。也可以考虑在构建边时，不仅限于同一块内的概念共现，而是引入基于嵌入向量相似度的关联：计算所有概念的向量，为相似度超过阈值（但未在LLM关系中体现）的概念对添加一条“语义相似”边，并赋予较低的权重。

5.3 性能与效率问题

问题表现：处理长文档时速度极慢，尤其是LLM调用环节。

优化策略：

1. 批量处理：Ollama的API通常不支持批量请求，但你可以使用异步编程（如asyncio和aiohttp）来并发发送多个请求，显著提升速度。注意控制并发数，避免压垮本地模型服务。
2. 缓存机制：对于已经处理过的文本块，将其chunk_id和提取结果保存到本地文件（如JSONL）或小型数据库中。下次处理相同文档时，可以先检查缓存，避免重复调用LLM。
3. 轻量级预处理：在调用LLM前，可以先使用简单的规则或小模型（如spaCy的NER）进行初步过滤，只将包含潜在重要概念的文本块送给LLM深度处理。
4. 硬件利用：确保Ollama在使用GPU推理（通过ollama run时查看日志）。如果CPU占用率很高但GPU很低，可能需要检查Ollama的GPU驱动配置。

5.4 可视化效果调整

问题表现：Pyvis生成的图布局混乱，节点重叠，看不清结构。

调试技巧：

• 布局算法：Pyvis默认使用力导向布局。你可以在Network初始化时或生成HTML前调整物理参数。

  net = Network(..., layout=True) # 启用布局 net.force_atlas_2based(gravity=-50, central_gravity=0.01, spring_length=100)

  调整gravity（重力，负值代表斥力）、central_gravity（中心引力）和spring_length（弹簧长度）可以极大改变图的紧凑程度。
• 选择性显示：对于大型图谱，一次性显示所有节点和边会导致视觉灾难。可以在可视化前进行过滤，例如只显示度数最高的前50个节点及其关联边，或者只显示权重最高的前100条边。
• 交互选项：在net.show之前，可以禁用一些物理效果以稳定布局：net.set_options(‘{“physics”: {“stabilization”: false}}’)。生成后，在浏览器中也可以手动拖动节点到合适位置，然后使用Pyvis的“稳定”按钮固定布局。

构建本地知识图谱是一个迭代和调优的过程。第一次生成的结果可能不完美，但通过分析问题、调整参数（分块大小、权重、提示词、可视化参数），你会逐渐得到一幅能真实反映文本知识结构的清晰图谱。这个从无结构文本到结构化网络的转化过程本身，就是一次对内容的深度理解和梳理。