mirror of
https://github.com/trustgraph-ai/trustgraph.git
synced 2026-07-10 22:02:12 +02:00
205 lines
6.9 KiB
Markdown
205 lines
6.9 KiB
Markdown
# 提取来源：子图模型
|
||
|
||
## 问题
|
||
|
||
提取时 provenance 目前为每个提取的三元组生成完整的重构：一个唯一的 ⟦CODE_0⟧、⟦CODE_1⟧，以及与每个知识事实相关的 PROV-O 元数据。处理一个块
|
||
提取时 provenance 目前为每个提取的三元组生成完整的重构：一个唯一的 `stmt_uri`、`activity_uri`，以及与每个知识事实相关的 PROV-O 元数据。处理一个块
|
||
提取时 provenance 目前为每个提取的三元组生成完整的重构：一个唯一的 ⟦CODE_0⟧、⟦CODE_1⟧，以及与每个知识事实相关的 PROV-O 元数据。处理一个块
|
||
这会产生 20 个关系，并在其基础上产生约 220 个溯源三元组，而知识三元组约为 20 个，这导致了大约 10:1 的开销。
|
||
|
||
|
||
这既成本高昂（存储、索引、传输），又在语义上
|
||
不准确。每个片段都由单个 LLM 调用处理，该调用在一个事务中生成
|
||
所有其三元组。当前的每个三元组模型
|
||
通过制造 20 个独立提取
|
||
事件的假象来掩盖这一点。
|
||
|
||
此外，四个提取处理器中的两个（kg-extract-ontology、
|
||
kg-extract-agent）完全没有来源信息，这在审计
|
||
跟踪中留下了空白。
|
||
|
||
## 解决方案
|
||
|
||
将每个三元组的显式化替换为**子图模型**：每个数据块提取一个溯源记录，该记录在从该数据块生成的所有三元组中共享。
|
||
|
||
|
||
|
||
### 术语变更
|
||
|
||
| 旧术语 | 新术语 |
|
||
|-----|-----|
|
||
| `stmt_uri` (`https://trustgraph.ai/stmt/{uuid}`) | `subgraph_uri` (`https://trustgraph.ai/subgraph/{uuid}`) |
|
||
| `statement_uri()` | `subgraph_uri()` |
|
||
| `tg:reifies` (1:1, 相同) | `tg:contains` (1:多, 包含) |
|
||
|
||
### 目标结构
|
||
|
||
所有溯源三元组都放入名为 `urn:graph:source` 的命名图中。
|
||
|
||
```
|
||
# Subgraph contains each extracted triple (RDF-star quoted triples)
|
||
<subgraph> tg:contains <<s1 p1 o1>> .
|
||
<subgraph> tg:contains <<s2 p2 o2>> .
|
||
<subgraph> tg:contains <<s3 p3 o3>> .
|
||
|
||
# Derivation from source chunk
|
||
<subgraph> prov:wasDerivedFrom <chunk_uri> .
|
||
<subgraph> prov:wasGeneratedBy <activity> .
|
||
|
||
# Activity: one per chunk extraction
|
||
<activity> rdf:type prov:Activity .
|
||
<activity> rdfs:label "{component_name} extraction" .
|
||
<activity> prov:used <chunk_uri> .
|
||
<activity> prov:wasAssociatedWith <agent> .
|
||
<activity> prov:startedAtTime "2026-03-13T10:00:00Z" .
|
||
<activity> tg:componentVersion "0.25.0" .
|
||
<activity> tg:llmModel "gpt-4" . # if available
|
||
<activity> tg:ontology <ontology_uri> . # if available
|
||
|
||
# Agent: stable per component
|
||
<agent> rdf:type prov:Agent .
|
||
<agent> rdfs:label "{component_name}" .
|
||
```
|
||
|
||
### 比较数据量
|
||
|
||
对于一个产生 N 个提取三元组的模块：
|
||
|
||
| | 旧方式（每个三元组） | 新方式（子图） |
|
||
|---|---|---|
|
||
| `tg:contains` / `tg:reifies` | N | N |
|
||
| 活动三元组 | ~9 x N | ~9 |
|
||
| 代理三元组 | 2 x N | 2 |
|
||
| 语句/子图元数据 | 2 x N | 2 |
|
||
| **总的溯源三元组** | **~13N** | **N + 13** |
|
||
| **示例（N=20）** | **~260** | **33** |
|
||
|
||
## 范围
|
||
|
||
### 需要更新的处理器（现有溯源，每个三元组）
|
||
|
||
**kg-extract-definitions**
|
||
(`trustgraph-flow/trustgraph/extract/kg/definitions/extract.py`)
|
||
|
||
目前，它在每个定义的循环内部调用 `statement_uri()` + `triple_provenance_triples()`。
|
||
|
||
|
||
更改：
|
||
将 `subgraph_uri()` 和 `activity_uri()` 的创建移到循环之前。
|
||
在循环内部收集 `tg:contains` 三元组。
|
||
循环结束后，一次性输出共享的活动/主体/推导块。
|
||
|
||
**kg-extract-relationships**
|
||
(`trustgraph-flow/trustgraph/extract/kg/relationships/extract.py`)
|
||
|
||
模式与定义相同。 更改也相同。
|
||
|
||
### 需要添加的处理器，用于添加来源信息（目前缺失）
|
||
|
||
**kg-extract-ontology**
|
||
(`trustgraph-flow/trustgraph/extract/kg/ontology/extract.py`)
|
||
|
||
目前会生成不带来源信息的三元组。添加子图来源信息。
|
||
使用相同的模式：每个块一个子图，对于每个提取的三元组使用 `tg:contains`。
|
||
|
||
|
||
**kg-extract-agent**
|
||
(`trustgraph-flow/trustgraph/extract/kg/agent/extract.py`)
|
||
|
||
目前会生成不带来源信息的三元组。添加子图来源信息。
|
||
使用相同的模式。
|
||
|
||
### 共享来源库的更改
|
||
|
||
**`trustgraph-base/trustgraph/provenance/triples.py`**
|
||
|
||
将 `triple_provenance_triples()` 替换为 `subgraph_provenance_triples()`
|
||
新函数接受一个提取的三元组列表，而不是单个三元组。
|
||
为每个三元组生成一个 `tg:contains`，共享活动/代理块。
|
||
移除旧的 `triple_provenance_triples()`
|
||
|
||
**`trustgraph-base/trustgraph/provenance/uris.py`**
|
||
|
||
将 `statement_uri()` 替换为 `subgraph_uri()`
|
||
|
||
**`trustgraph-base/trustgraph/provenance/namespaces.py`**
|
||
|
||
将 `TG_REIFIES` 替换为 `TG_CONTAINS`
|
||
|
||
### 不在范围之内
|
||
|
||
**kg-extract-topics**: 较旧的处理器，目前未在标准流程中使用。
|
||
**kg-extract-rows**: 生成的是行，而不是三元组，具有不同的数据来源模型。
|
||
**查询时的数据来源** (⟦CODE_0⟧): 独立的关注点。
|
||
模型
|
||
**查询时的数据来源信息** (`urn:graph:retrieval`)：独立的关注点，
|
||
已经使用了不同的模式（提问/探索/聚焦/综合）。
|
||
**文档/页面/块的来源**（PDF解码器，分块器）：已经使用了。
|
||
`derived_entity_triples()`，这对于每个实体而言，而不是每个三元组而言，因此没有
|
||
重复的问题。
|
||
|
||
## 实现说明
|
||
|
||
### 处理器循环重构
|
||
|
||
之前（每个三元组，在关系中）：
|
||
```python
|
||
for rel in rels:
|
||
# ... build relationship_triple ...
|
||
stmt_uri = statement_uri()
|
||
prov_triples = triple_provenance_triples(
|
||
stmt_uri=stmt_uri,
|
||
extracted_triple=relationship_triple,
|
||
...
|
||
)
|
||
triples.extend(set_graph(prov_triples, GRAPH_SOURCE))
|
||
```
|
||
|
||
在 (子图) 之后：
|
||
```python
|
||
sg_uri = subgraph_uri()
|
||
|
||
for rel in rels:
|
||
# ... build relationship_triple ...
|
||
extracted_triples.append(relationship_triple)
|
||
|
||
prov_triples = subgraph_provenance_triples(
|
||
subgraph_uri=sg_uri,
|
||
extracted_triples=extracted_triples,
|
||
chunk_uri=chunk_uri,
|
||
component_name=default_ident,
|
||
component_version=COMPONENT_VERSION,
|
||
llm_model=llm_model,
|
||
ontology_uri=ontology_uri,
|
||
)
|
||
triples.extend(set_graph(prov_triples, GRAPH_SOURCE))
|
||
```
|
||
|
||
### 新的辅助签名
|
||
|
||
```python
|
||
def subgraph_provenance_triples(
|
||
subgraph_uri: str,
|
||
extracted_triples: List[Triple],
|
||
chunk_uri: str,
|
||
component_name: str,
|
||
component_version: str,
|
||
llm_model: Optional[str] = None,
|
||
ontology_uri: Optional[str] = None,
|
||
timestamp: Optional[str] = None,
|
||
) -> List[Triple]:
|
||
"""
|
||
Build provenance triples for a subgraph of extracted knowledge.
|
||
|
||
Creates:
|
||
- tg:contains link for each extracted triple (RDF-star quoted)
|
||
- One prov:wasDerivedFrom link to source chunk
|
||
- One activity with agent metadata
|
||
"""
|
||
```
|
||
|
||
### 破坏性变更
|
||
|
||
这是一个对溯源模型的重大更改。
|
||
溯源功能尚未发布，因此无需迁移。旧的 `tg:reifies` / `tg:reifies` 代码可以直接删除。
|
||
`statement_uri` 代码可以直接删除。
|