第2章 知识图谱构建流程总览
很多人问我，药物知识图谱到底怎么搭？
我通常会说：别急着写代码。先理解全流程。这一章我就带你走一遍完整的构建流水线。一共七个环节，环环相扣。我把它们叫做“七步成图”。
2.1 核心环节一览
这七个环节说白了就是：先把数据搞进来，再想清楚怎么组织数据，然后从数据里挖出实体和关系，把挖出来的东西合并成一张大网，存起来，最后在上面做推理和应用。我当年第一次做药物KG时，就是在“信息抽取”那步栽了跟头——抽出来的实体太乱，导致后面融合、存储全得重来。
| 环节 | 核心输入 | 核心输出 | 我的踩坑提醒 |
|---|---|---|---|
| 数据采集 | PubMed、DrugBank、CTD、文献PDF | 结构化语料库、原始文档集 | 注意版权和格式规范，API限流得提前处理 |
| 本体设计 | 业务需求、领域标准 | 本体/模式层（类、属性、关系） | 自上而下与自下而上结合，别太抽象 |
| 信息抽取 | 文本语料、表格数据 | 实体、关系、属性三元组 | 实体别名和缩写很头疼，词典要提前建 |
| 知识融合 | 多源三元组 | 对齐后的统一实体关系 | 实体消歧是重灾区，相似度阈值要调好 |
| 知识存储 | 对齐后的三元组 | 图数据库（Neo4j/JanusGraph） | 索引设计影响查询性能，双向边要权衡 |
| 知识推理 | 图数据库、规则库 | 新推断出的关系或事实 | 基于规则的推理可控但稀疏，图模型反之 |
| 应用服务 | 推理后的图谱 | API、问答系统、推荐引擎 | 实时性与离线分析要分开设计 |
我曾经在做第一个药物图谱项目时，跳过“本体设计”直接开干。后果就是：同样一个“Aspirin”，在文献里叫“阿司匹林”，在临床记录里叫“乙酰水杨酸”。融合阶段差点心态崩了。后来被迫回头重新做本体，工期硬生生多了一倍。
2.2 流程全景图
为了让你有一个直观的印象，我画了一张流程图。你可以看到数据从左到右流动，每个环节都依赖前序环节的输出。这并不是说必须严格串行——在实践中很多环节是并行的。比如数据采集还没完全结束，本体设计就可以开始了。
重要提醒：这张图展示的是逻辑流程。在真实项目中，我一般会搭一个“数据湖”——所有原始数据先扔进去，然后逐步清洗、加工、入库。推理和应用往往是迭代的，不是一步到位的。
2.3 环节间的关键依赖
你想想看，如果本体设计没做好，信息抽取抽出来的东西往哪儿放？拿药物KG来说，你得先定义好“药物”“靶点”“疾病”这些类的属性，后面的NER模型才有目标可循。我见过一些团队，直接让算法工程师去抽实体，结果抽了几万个五花八门的实体类别——最后根本没法用。
反过来，数据采集的质量也直接决定本体设计的边界。如果你采集的数据里有很多罕见病术语，那本体就必须涵盖这些概念。这是一个很微妙的博弈。
我的习惯：先完成一个小范围的“快速原型”——采集100篇文献，做个最小规模的本体，抽取出实体，存进Neo4j。这个原型跑通后，再往里面灌全量数据。这样能尽早暴露流程中的问题，而不是等做完了才发现方向偏了。
2.4 衡量图谱质量的几个维度
你不能只追求数量。我见过有人堆出1亿个三元组，结果一问，重复率超过30%。真正好用的知识图谱，看的是下面几个指标：
- 完整性：覆盖了多大范围的药物领域？有没有关键实体缺失？
- 一致性：同一个概念在不同地方有没有冲突的定义？比如“IC50”的单位是否统一？
- 时效性：多久更新一次？最新的药物批准信息有没有进来？
- 准确性：实体识别和关系抽取的准确率有多高？这个可以在融合环节通过人工校验来评估。
你可以在每个环节结束时，都针对这些维度做一个快速检查。别等到最后才发现不对劲。我曾经在一次项目中，因为没在信息抽取环节设置质量门禁，导致融合阶段花了三周来清洗数据。真的很痛。
2.5 一个快速的命令行跑通流程
为了方便你理解，我贴一个我常用的MiniKG脚本的启动命令。这个脚本会在本地搭建一个小型数据采集->本体定义->导入流程。
# 1. 克隆MiniKG项目
git clone https://github.com/example/mini-drug-kg.git
cd mini-drug-kg
# 2. 配置数据源（修改config.yaml），指定PubMed API key
nano config.yaml
# 内容示例：
# data_sources:
# - type: pubmed
# query: "drug target interaction"
# max_results: 100
# - type: drugbank
# local_path: "./data/drugbank.xml"
# 3. 启动采集
python collect.py --config config.yaml
# 4. 运行本体生成（从采集结果中自动推断基础模式）
python ontology.py --input ./data/raw --output ./output/ontology.jsonld
# 5. 信息抽取+融合
python extract.py --ontology ./output/ontology.jsonld --input ./data/raw --output ./output/triples.nt
# 6. 导入Neo4j
cypher-shell -u neo4j -p your_password < ./load.cql
# 7. 验证
python check_quality.py --graph neo4j://localhost:7687 --output quality_report.html请注意：上面的命令只是演示流程，你不能直接复制粘贴去跑。实际项目中，每个环节都需要适配你的具体数据源和本体。尤其是加载CQL脚本，需要你根据Graph Schema去写对应的节点标签和关系类型。
好，这一章就到这里。流程总览已经给你画出来了，每个环节具体怎么实现，我们后面会展开细说。现在你心里先有个“作战地图”，后面才不会迷路。