今天是2025年12月12日，星期五，北京，雪
北京下雪了，2025年冬天的第一场雪了。
看两个问题，一个是关于动态本体的一些新思考。另一个是多模态知识图谱构建思路VisKnow，重温下多模态知识图谱构建流程，包括本体定义，以及视觉信息与文本信息对齐。
多总结，多归纳，多从底层实现分析逻辑，会有收获。
一、关于动态本体的一些新思考
分享下最近的思考，对于动态本体。
我之前的认知是，动态本体=本体可以自动生成+动态更新扩充->始终落盘。最近有个新的思考，即变成了：动态本体=本体可以自动生成+动态更新扩充+临时组合做虚拟本体，且本体动，未必一定要激活底层数据也跟着动【因此是轻量化的，敏捷的】。
更像是一种组合运作，虚拟团队，完成一个目标。就是说，schema这个东西，其实不一定是要形式化的。他可以是一个temp中间状态。不一定一定要存在某个地方，也就是落盘，可以去临时起意。
对于这个问题，可以用临时用这种语义体系，对于那个问题，又可以用那种语义体系。
举个例子，查ChatBI的时候，针对一个复杂query，因为最终会涉及到底层多个表的查询处理，那么，不同的query用到的不一样，这个时候，将不同的表之间的组合关系动态的抽象成一个组合。
但是，这个想法很好，虚拟本体就是一个 逻辑本体，场景化的，但是 难在 【自动】二字，构建本体就是构建业务，搞语义就是搞业务。
二、多模态知识图谱构建思路VisKnow
之前的视觉数据要么只给类别标签，要么知识不成体系，想让模型真正理解物体（比如知道动物的部件、属性、习性）不够用。所有，可以想想，使用知识图谱能干啥，做多模态知识图谱如何实现？
如果要实现，放到多模态场景，则核心是是“结构化知识+多模态对齐”，既要文本层面的“属性-关系”逻辑（解决“为什么”），也要视觉层面的“实体-区域”标注（解决“是什么”），
但构建不太好做，可以用迭代扩展的思路。例如，工作《VisKnow: Constructing Visual Knowledge Base for Object Understanding》(https://arxiv.org/pdf/2512.08221)，搞了个VisKnow框架，用于构建整合文本与视觉信息的多模态视觉知识图谱，最终形成涵盖406个动物类别的AnimalKB，包含22K文本知识三元组、42万张图像及48万份区域标注。可以看到，这个是领域图谱，选了一个动物场景。
从整体方案上看，VisKnow框架通过四个步骤构建多模态知识图谱，核心是“专家定规、众包打底、模型扩量、校验对齐”。
1、知识Schema设计（专家主导）
schema的事儿，其实就是知识图谱的“骨架”，明确知识组织规则，为后续数据标注和提取提供统一标准。分开看。
输入：领域需求（如动物领域的深度理解需求）、初步分类体系（如动物超类划分）。
输出：知识分类体系：划分视觉关系（如Have、Color）和非视觉关系（如BelongTo、Eat），共60类关系；
其中，
实体层级以目标类别（如动物）为根节点，定义超类通用部件（如哺乳动物的“头、躯干”）和专属部件扩展，层级如下：
2、种子内容标注（众包执行）
拿到schema后，获取小规模、高质量的种子数据，作为模型扩量的训练样本和质量参照，同时优化Schema设计。
输入：Schema、标注指南、原始数据（动物百科文本、精选图像）。
众包通过从百科文本中提取三元组，系统提供语义分析辅助和一致性约束，然后众包按部件层级，对种子图像标注部件位置，最后，抽样校验（比例≥20%），剔除错误标注，迭代优化标注指南。
输出：文本种子数据，约2000条高质量知识三元组（覆盖406种动物核心知识）；视觉种子数据：约1000张图像的部件标注（含boundingbox），以及优化后的Schema，根据众包反馈调整关系类型和标注规则。
3、知识规模扩展（模型主导）
这一步，主要利用大模型和视觉检测，批量提取知识、扩充数据规模，进行知识图谱的规模化增长。
输入：种子数据、原始文本（拆分后的百科段落）、批量动物图像、预定义关系集。
实现上，步骤如下：
首先，文本扩展，LLM基于少样本提示，从文本段落中批量提取三元组并分类（视觉/非视觉），专家迭代调整提示词和关系集2-3轮；
接着，视觉扩展，先用开放词汇检测模型（GLIP、GroundingDINO）0-shot定位部件，再用种子数据微调模型，通过GPT-4omini做VQA校验，最后用SAM生成分割掩码；
最后，实体补充，提取文本中的新实体（如动物专属部件），补充到视觉实体目标集。
输出：规模化文本知识：22,449条知识三元组（视觉12,453条、非视觉9,996条）；规模化视觉知识：421,959张图像及48万+部件区域标注（含分割掩码）；初步对齐的多模态数据：文本三元组与图像标注的实体关联。
4、多模态对齐与迭代验证（专家+模型协同）
这一步的目的将文本与视觉知识对齐，补全缺失知识，修正错误，形成最终图谱。
输入：规模化文本知识、视觉知识、实体层级框架、BERT语义相似度模型。
实现步骤如下：
首先，进行多模态对齐，通过类别名称匹配文本节点与视觉区域，继承超类trivial部件三元组（如<老虎,Have,脚趾>），用BERT合并同义实体；
然后，进行质量验证专家抽样校验（比例≥5%），核查文本与视觉一致性、三元组准确性、部件标注精度；
迭代几次。最终输出：最终多模态知识图谱：文本三元组与图像/区域标注深度对齐，含406种动物、22K三元组、42万张图像；
形成的图谱如下：
至此，图谱构建完成，最后看应用方式，怎么用起来？
例如，将动物的属性、部件等知识（如“老虎有条纹”“蜜蜂有触角”）转化为自然语言描述，输入CLIP等模型，让模型从“仅匹配类别名”升级为“多概念整合匹配”，提升对未见过动物的识别精度。
又如，细粒度VQA（视觉问答）任务上，给GPT-4o、InternVL等多模态模型提供图谱中的知识（含干扰项，模拟真实检索场景），帮助模型回答专业问题（如“这种动物的毛发颜色是什么？”“它以什么为食？”）。
