知識圖譜與圖神經網路 GNN：讓 AI 理解「關係」

一、學習目標

完成本單元後，你將能夠：

說明知識圖譜的定義與三元組（Triple）結構
解釋圖神經網路（GNN）中訊息傳遞（Message Passing）的運作原理
比較 GCN、GraphSAGE、GAT 三種主要 GNN 架構的特色
說明為何傳統機器學習難以處理圖結構資料
列舉知識圖譜與 GNN 的主要應用場景

二、核心內容

1. 什麼是知識圖譜？

知識圖譜（Knowledge Graph）是一種以「實體（Entity）」為節點、以「關係（Relationship）」為邊的圖結構知識庫，用來儲存和表示現實世界中大量的結構化知識。

生活類比：知識圖譜就像一張超大型的心智圖（Mind Map）。在普通心智圖裡你可能寫「台積電 → 生產 → 晶片」；知識圖譜裡則有數十億個這樣的「誰 → 做了什麼 → 對誰」的連結，而且每個實體可以同時連結到數百個其他實體，形成一個龐大的知識網絡。

Google Knowledge Graph 的例子

當你在 Google 搜尋「愛因斯坦」，右側出現的「知識卡片」就來自 Google Knowledge Graph。它顯示：

愛因斯坦（實體）出生於 德國烏爾姆（實體）
愛因斯坦（實體）獲得諾貝爾物理學獎（實體）
愛因斯坦（實體）提出相對論（實體）
愛因斯坦（實體）任職於 普林斯頓高等研究院（實體）

這種結構讓搜尋引擎不只「找網頁」，而是真正「理解知識」。

2. 三元組結構：知識圖譜的基本單位

知識圖譜的最小單位是三元組（Triple），格式為：

（主體 Subject） → [謂語 Predicate] → （客體 Object）

主體（Subject）	謂語（Predicate）	客體（Object）
台積電	總部位於	新竹
黃仁勳	擔任 CEO 的公司	NVIDIA
阿斯匹靈	治療	頭痛
AlphaFold	由	DeepMind 開發

生活類比：三元組就像一句話的主謂賓結構。「主體做了什麼事（謂語）對誰（客體）」——這正是人類語言描述關係最自然的方式，也是知識的最小原子。

3. 如何建構知識圖譜？

建構知識圖譜涉及三個主要步驟：

步驟一：實體抽取（Entity Extraction / Named Entity Recognition）

從非結構化文本中辨識出實體，例如人名、地名、組織名稱、產品名稱等。

例：從「台積電在 2024 年啟用位於亞利桑那州的晶圓廠」中，抽取出「台積電」（組織）、「2024 年」（時間）、「亞利桑那州」（地點）、「晶圓廠」（設施）。

步驟二：關係抽取（Relation Extraction）

辨識實體之間的語義關係，建立三元組連結。

例：從上句中，建立「台積電 → 啟用 → 晶圓廠」、「晶圓廠 → 位於 → 亞利桑那州」兩個三元組。

步驟三：知識融合（Knowledge Fusion / Entity Alignment）

不同資料來源可能用不同方式描述同一個實體（例如「TSMC」與「台積電」、「台灣積體電路製造公司」指的是同一個公司），知識融合將這些重複實體合併，維護知識圖譜的一致性。

步驟	技術	目標
實體抽取	NER（命名實體辨識）	識別文本中的關鍵實體
關係抽取	Relation Extraction	找出實體間的語義關係
知識融合	Entity Alignment	跨來源合併相同實體

考試重點：知識圖譜的建構三步驟——實體抽取、關係抽取、知識融合——是考試高頻出題點。

4. 什麼是圖神經網路（GNN）？

圖神經網路（Graph Neural Network, GNN） 是一種專門處理「圖結構資料（Graph-Structured Data）」的深度學習架構。

為什麼需要 GNN？

傳統機器學習（如表格資料 + XGBoost）假設每個樣本是「獨立且同分布」的，但現實中大量資料有天然的圖結構，樣本之間的連結關係（Edges）本身就是重要資訊：

資料類型	節點（Node）	邊（Edge）	若忽略連結關係的損失
社群網路	使用者	好友關係	無法利用「共同朋友」等社群訊號
分子結構	原子	化學鍵	無法理解分子的空間結構與特性
知識圖譜	實體	語義關係	無法進行關係推理與知識補全
交通網路	路口 / 站點	道路	無法預測交通流量的連鎖效應
金融詐欺	帳戶	轉帳關係	無法識別詐欺環形網路

生活類比：把一個社群網路拆解成獨立的使用者清單，就像把一幅拼圖的碎片混進一個大袋子裡——每塊碎片的顏色和形狀你都看得到，但碎片之間的連接關係（哪塊碎片接哪塊）消失了，你永遠拼不回完整的圖。GNN 的價值就是同時利用節點本身的特徵（碎片的顏色）與節點之間的關係（碎片如何拼接）。

5. GNN 的核心：訊息傳遞機制（Message Passing）

GNN 的工作原理是訊息傳遞（Message Passing）：每個節點從它的鄰居（Neighbors）蒐集資訊，更新自己的表示（Embedding）。

一輪訊息傳遞的步驟：

1. 聚合（Aggregate）：每個節點收集所有鄰居節點的當前嵌入
2. 更新（Update）：  將自身嵌入與聚合的鄰居資訊合併，產生新的嵌入
3. 重複：           堆疊多層（L 層），讓每個節點接收到 L 跳（L-hop）以外的資訊

生活類比：訊息傳遞就像八卦在社群中傳播。第一輪，你只知道直接認識的朋友在做什麼（1-hop）；第二輪，你朋友告訴你他們的朋友的事（2-hop）；疊加多層之後，你就對整個社群網路有了全局認識。

重複 L 層訊息傳遞後，每個節點的嵌入就包含了以它為中心、半徑 L 的子圖結構資訊。

考試重點：GNN 的訊息傳遞機制是核心考點——「每個節點從鄰居聚合資訊並更新自身嵌入」，以及堆疊 L 層代表能捕捉 L 跳之內的圖結構資訊。

6. 三大 GNN 架構比較

GCN（Graph Convolutional Network）

GCN 是 2016 年由 Kipf & Welling 提出的最基礎 GNN 架構，將影像 CNN 的卷積概念推廣到圖上。每個節點的新嵌入等於自身與所有鄰居嵌入的加權平均（以節點度數做正規化）。

特點：簡單高效、需要整個圖同時在記憶體中（Transductive，歸納場景較差）

GraphSAGE（Graph Sample and AggreGatE）

GraphSAGE 改進 GCN 的兩個缺點：首先，它採用「採樣」策略——每次只聚合固定數量的鄰居，而非全部鄰居，使其能夠擴展到大型圖；其次，它支援 Inductive Learning（歸納學習），即訓練後能對沒見過的新節點進行預測。

生活類比：GCN 像是開全員大會（所有人都要到場），GraphSAGE 像是抽樣問卷（隨機訪問部分人），後者能在大公司（大型圖）中更有效率地蒐集意見。

GAT（Graph Attention Network）

GAT 在聚合鄰居資訊時引入注意力機制（Attention），讓模型自動學習「哪些鄰居更重要」，而非對所有鄰居一視同仁地平均。

生活類比：GAT 就像 GNN 版本的 Multi-Head Attention——開會時，你自然會更重視某些同事的意見（他們和你的任務更相關），而不是平均對待每個人說的話。

架構	聚合方式	能否處理新節點？	特點
GCN	固定加權平均（正規化）	否（Transductive）	簡單基準，適合小圖
GraphSAGE	採樣 + 可選聚合函數	是（Inductive）	適合大型圖、動態圖
GAT	注意力加權聚合	是	自動學習鄰居重要性

7. 應用場景

社群網路分析（Social Network Analysis）

社群偵測（Community Detection）：找出關係緊密的使用者群體
連結預測（Link Prediction）：預測「你可能認識」的朋友推薦
影響力分析（Influence Analysis）：找出社群中的意見領袖

蛋白質結構預測（Protein Structure Prediction）

DeepMind 的 AlphaFold 2 將蛋白質中的胺基酸序列視為圖（節點為胺基酸，邊為鍵結關係），使用基於注意力機制（Evoformer，類 Transformer）的圖推理技術，成功在極高精度下預測蛋白質的三維空間結構，被視為生物資訊學的革命性突破。

生活類比：蛋白質就像一條長鏈，鏈上每顆珠子（胺基酸）互相影響彼此的空間位置。傳統方法要 X 光晶體學實驗做數年；AlphaFold 用圖推理在幾分鐘內預測完成。

金融詐欺偵測（Fraud Detection）

把帳戶當節點、轉帳行為當邊，GNN 可以識別傳統機器學習無法察覺的「詐欺環（Fraud Ring）」——即多個帳戶互相轉帳形成的循環洗錢結構。

藥物探索（Drug Discovery）

將分子表示為圖（原子為節點，化學鍵為邊），GNN 可以預測分子的化學性質、藥物與靶點的結合親和力（Binding Affinity），大幅加速新藥開發。

供應鏈與推薦系統

供應鏈風險：以供應商為節點、採購關係為邊，預測供應中斷的連鎖效應
推薦系統：以用戶和商品為二部圖節點，邊為互動行為，圖協同過濾（Graph Collaborative Filtering）比矩陣分解更能利用用戶社群結構

8. 傳統 ML vs GNN：能力對比

比較維度	傳統機器學習（如 XGBoost）	圖神經網路（GNN）
資料假設	樣本獨立同分布（i.i.d.）	節點之間有顯式連結關係
特徵輸入	結構化表格特徵	節點特徵 + 圖的拓樸結構
關係建模	需手工設計關係特徵	自動從圖結構中學習
擴展性	適合大規模表格資料	適合大型稀疏圖（GraphSAGE）
可解釋性	較高（如特徵重要性）	較低（注意力權重可部分解釋）
典型場景	金融風控（用戶層面）、廣告預測	詐欺環偵測、蛋白質預測、知識圖譜推理

三、關鍵名詞中英對照

中文	英文	說明
知識圖譜	Knowledge Graph	以實體為節點、關係為邊的結構化知識庫
三元組	Triple	知識圖譜的基本單位：主體—謂語—客體
實體	Entity	知識圖譜中的節點，代表現實世界的人事物
關係	Relation / Predicate	連接兩個實體的語義關係
實體抽取	Named Entity Recognition (NER)	從文本中辨識實體的技術
關係抽取	Relation Extraction	識別實體間語義關係的技術
知識融合	Knowledge Fusion / Entity Alignment	合併不同來源中描述相同實體的技術
圖神經網路	Graph Neural Network (GNN)	專門處理圖結構資料的深度學習架構
訊息傳遞	Message Passing	GNN 中節點從鄰居收集資訊並更新嵌入的機制
圖卷積網路	Graph Convolutional Network (GCN)	最基礎的 GNN 架構，基於正規化鄰居平均
圖注意力網路	Graph Attention Network (GAT)	引入注意力機制為不同鄰居賦予不同權重
歸納學習	Inductive Learning	訓練後能對未見節點進行預測的學習方式
直推學習	Transductive Learning	需要在訓練時看到所有節點的學習方式
節點嵌入	Node Embedding	將節點的結構與特徵壓縮成固定長度向量的表示
連結預測	Link Prediction	預測圖中兩個節點之間是否存在邊

四、考試重點提示

考試重點：以下是 iPAS 人工智慧考試中與知識圖譜和 GNN 相關的高頻考點：

知識圖譜的三元組格式：（主體 Subject）→ [謂語 Predicate] →（客體 Object），是知識表示的基本單位
建構知識圖譜的三步驟：實體抽取（NER）→ 關係抽取（Relation Extraction）→ 知識融合（Entity Alignment）
GNN 的訊息傳遞機制：每個節點從鄰居聚合資訊並更新自身嵌入；堆疊 L 層 = 捕捉 L 跳範圍的圖結構
GCN vs GAT 的差異：GCN 對所有鄰居平均聚合；GAT 透過注意力機制自動學習鄰居的重要性權重
GraphSAGE 的優勢：支援 Inductive Learning，可對未見過的新節點預測；採樣機制適合大型圖
AlphaFold 2 與圖結構：蛋白質預測是 GNN 的標誌性應用，胺基酸序列視為圖，注意力機制推理三維結構
GNN vs 傳統 ML：傳統 ML 假設樣本獨立，無法直接利用連結關係；GNN 的核心優勢是從圖拓樸結構中自動學習關係特徵

隨堂小測驗

Q1. 知識圖譜中的「三元組（Triple）」結構，其標準格式為下列哪一種？

A. 節點 → 邊 → 子圖
B. 主體（Subject）→ 謂語（Predicate）→ 客體（Object）
C. 特徵 → 標籤 → 模型
D. 輸入 → 隱藏層 → 輸出

Q2. 在建構知識圖譜的流程中，「知識融合（Knowledge Fusion）」的主要目的是？

A. 從文本中抽取人名、地名等實體
B. 建立實體之間的語義關係
C. 將不同來源中描述同一實體的多種表達合併為單一節點
D. 將知識圖譜轉換為向量嵌入

Q3. 圖神經網路（GNN）的「訊息傳遞機制（Message Passing）」中，堆疊 3 層 GNN 意味著每個節點能接收到來自幾跳（hop）以內鄰居的資訊？

A. 1 跳
B. 2 跳
C. 3 跳
D. 無限跳

Q4. 下列哪一個 GNN 架構透過注意力機制，讓模型自動學習「哪些鄰居更重要」，而非對所有鄰居一視同仁地加權？

A. GCN（Graph Convolutional Network）
B. GraphSAGE
C. GAT（Graph Attention Network）
D. Word2Vec

Q5. 下列關於 GNN 與傳統機器學習的比較，何者最正確？

A. 傳統機器學習能自動利用節點間的連結關係，GNN 則不能
B. GNN 假設每個樣本獨立同分布，傳統機器學習則不做此假設
C. 傳統機器學習適合處理有明顯圖結構的詐欺環偵測問題，GNN 則適合表格資料
D. 傳統機器學習假設樣本獨立，難以直接利用連結關係；GNN 從圖的拓樸結構中自動學習關係特徵

解答與解析

題號	答案	解析
Q1	B	知識圖譜的基本單位是三元組，格式為「主體 → 謂語 → 客體」，例如「愛因斯坦 → 獲得 → 諾貝爾物理學獎」。這是知識表示的標準 RDF（Resource Description Framework）格式。
Q2	C	知識融合（又稱 Entity Alignment）的目標是識別並合併不同來源中指向同一現實實體的多種表達，例如「TSMC」、「台積電」、「台灣積體電路製造公司」應合併為同一節點。
Q3	C	每堆疊一層 GNN，每個節點的感受野（Receptive Field）就向外擴展一跳。堆疊 3 層代表每個節點能接收到 3 跳以內所有鄰居的資訊。
Q4	C	GAT（Graph Attention Network）在聚合鄰居資訊時引入注意力機制，為不同鄰居計算注意力係數（Attention Coefficient），讓模型自動學習鄰居的相對重要性，而非如 GCN 般固定平均。
Q5	D	傳統機器學習（如決策樹、XGBoost）預設樣本獨立同分布，需要手工設計關係特徵。GNN 的核心優勢是直接從圖的拓樸結構（節點連結方式）中自動學習特徵，能捕捉傳統方法難以表達的關係資訊。