知识图谱
作者：Seme 研究团队 · 更新于 2026-05-22
定义
知识图谱是实体（人员、组织、地点）及其之间关系的网络表示，存储为节点和边的图。在身份调查中，知识图谱可视化研究过程中发现的连接，帮助分析师理解复杂的关联网络。每个节点代表一个具有属性（名称、类型、属性）的实体，每条边代表一种关系（就职于、认识、合著、位于）。知识图谱支持基于图的查询，如"找出同时在 A 公司和 B 公司工作过的所有人"或"识别人员 X 和人员 Y 之间的最短连接路径"。现代调查平台使用包含数千个节点的知识图谱来映射组织结构、影响网络和实体关系。
工作原理
身份调查中的知识图谱构建遵循四个步骤。步骤 1 — 实体提取：NLP 模型从收集的证据中识别实体（人员、组织、地点、日期）并分配唯一标识符。步骤 2 — 关系检测：系统根据上下文识别实体之间的关系（例如，来自就业记录的"就职于"，来自论文列表的"合著"）。步骤 3 — 图谱填充：实体成为节点，关系成为边，属性附加到两者上。步骤 4 — 图谱分析：应用社区检测（发现聚类）、中心性分析（识别关键影响者）和路径发现（发现连接路线）等算法。随着调查过程中收集到新证据，图谱会持续更新。
示例
为一家科技公司调查构建知识图谱揭示：节点"Alice"—就职于"TechCorp"—管理→"Bob"和"Charlie"。节点"Bob"—曾就职于"StartupX"—联合创始人→"Diana"。节点"Diana"—董事会成员"投资基金"—投资→"TechCorp"。图谱揭示 Diana 的投资基金资助了 TechCorp，而 Bob（她的联合创始人）现在在那里工作——这是一条先前未披露的关系，代表潜在的利益冲突。
应用场景
- •公司调查的组织结构映射
- •政治和商业背景下的影响网络分析
- •通过连接模式分析检测欺诈网络
- •学术合作网络可视化
关键数据
| 指标 | 数值 | 来源 |
|---|---|---|
| 每次调查平均节点数 | 50-200 | Seme platform data |
| 关系类型 | 15+ | Schema design |
| 使用的图算法 | 6 (centrality, community, path) | Technical architecture |
| 更新频率 | Real-time during investigation | Seme architecture |
相关术语
平台数据
15-20
来源/调查
78%
平均信任分
25+
术语定义
10-30 min
调查时间