电子产品世界

1   前言

在建构KG（知识图）的初期，通常会先从有关的数据集中，撷取候选实体（Entity），并由LLM 萃取语意关系并建构初步三元组（Triple）图谱，大幅提升初建KG的在地性与语义密度。然后，进行与有关的专家智慧进行融合，确认核心的节点，以及核心节点之间的重要连结，又称为：边（Edge）。例如，在上一期里所提到的基因医学KG：

图1

一旦确认核心实体（即节点）了，就需要思考如何建构这些节点之间的重要连结（即边）。一般而言，其中的可能连结是很多样化的，所以常常需要依据应用情境和目标来挑选，并建立于KG里，成为KG的重要边（Edge）。

本文就已大家比较熟悉的餐酒搭配（food-wine pairing）为例，其典型的KG 架构如下：

图2

兹以葡萄酒为例，葡萄酒与食物（餐）的搭配方法是很多样化的，其中最典型的是：协调搭配（Congruent pairing）。在协调搭配中，所选食物和葡萄酒会有多种相同的化合物或风味。例如，甜酒搭配甜食，带有黄油余味的红葡萄酒搭配黄油意面。在打造协调搭配时，重要的一点是确保葡萄酒的风味不会被食物的风味所掩盖。

协调搭配的好处在于，葡萄酒和食物能够相互增强，并互相补充。想要打造协调搭配，红酒是理想之选。红酒的香气和风味从樱桃味到烟熏味，种类繁多，易于与类似的食物搭配。喝一杯酒体饱满的西拉葡萄酒，它会具有与您最喜欢的一些烤肉相似的风味，使其成为绝佳的搭配。

于是，就来说明如何把这种协调搭配关联，纳入KG里，建构成为KG的核心边。

2   以餐酒搭配（food-wine pairing）为例

一般而言，浓郁的食物搭配浓郁的酒，清淡的食物搭配清淡的酒。高酸度的食物搭配高酸度的酒，例如搭配色拉、醋渍料理等。甜味食物搭配甜度至少和其相同的酒，例如搭配甜点或甜酒。避免单宁较重的红酒搭配油脂较多的鱼类，可以选择白酒或气泡酒。适量盐分有助于软化红酒的单宁，使口感更佳。高酸度的白酒可以搭配油炸食物或咸味料理。如下列的基本原则：

●   葡萄酒的酸度（Acidity）与油腻和甜食完美搭配。

●   苦味（Bitter）葡萄酒可以与甜食平衡。

●   甜味（Sweet）葡萄酒或食物需要少量酸度。

●   酒精可以用来中和油腻食物或平衡甜食。

收集数据

于是，就从https://github.com/Rashik333网页下载两个CSV数据档案：food_data.csv和wine_data.csv。其中，food_data.csv 的内涵是5 种食物的风味特征。如下：

而wine_data.csv的内容则是19种酒品的风味特征：

有了这两个数据表格，就能找出食物与酒之关联，来建立KG（图2）的节点重要边了。

计算相似度：建立food-wine 节点间的边由于协调搭配（Congruent pairing）是指所选食物和葡萄酒会有多种相同的化合物或风味。亦即，食物和葡萄酒在某些关键风味特性（如甜、酸、咸、油脂、苦味等）上有明显的相似性。于是，就使用Python 撰写简单的程序，来计算出食物与酒之间的余旋相似度（Cosine Similarity）矩阵。余弦相似度是基于两个向量的夹角来度量的。其计算两个向量之间夹角的余弦值，来衡量它们之间的相似度。然后，从这个相似度矩阵，Python 程序就能找出食物与酒之间的最相似的配对，并输出如下：

这是从food和wine的风味（酸、甜、苦、咸）来找出相似性最高的配对。例如，第2 和第3 项食物的风味都与第0项酒品的风味是很相近（似）的。基于这样的配对关系（关联），就能建立KG里的食物（food）与酒（wine）节点间的连接边了。

纳入客人口味偏好：建立user-wine节点间的边

接着，就来把人的食物气味偏好纳入KG 里。例如，有一位客人，名叫：”Mike”。在这5 项食物之中，他最喜欢的是：柠檬（Lemon）和鲑鱼（Salmon）。就可以从这两种食物的气味值，来计算出平均值，如下：

计算相似度：建立user-wine节点间的边

剛才已經計算出客人對食物氣味的偏好度了。于是，就使用Python 撰写简单的程序，来计算出Mike 偏好食物与酒之间的余旋相似度（Cosine Similarity）矩阵。然后，从这个相似度矩阵，Python 程序就能找出與Mike 偏好食物風味相似度最高的前3 項（Top-3）酒品，并输出如下：

基于这样的配对关系（关联），就能建立KG 里的客人（user）与酒（wine）节点间的连接边了。于是，为KG增添建构了重要的边，如下图：

图3

这个KG含有4种节点型态：food、wine、flavor 和user节点型态。它也含有3 种边型态：< 偏好>、< 协调搭配> 和< 协调偏好>。

3   结语

依循本文所示范的方法和技巧，可以继续增添各种有意义的边。例如，上述的餐酒KG 含有的节点型态（Node type） 有四：food、wine、flavor 和user。目前所含有的基本气味有四：酸（Acidity）、甜（Sweet）、苦（Bitter）、咸（Salty）。于是，上图里的KG 就可以增添< 具有风味> 新边来表达这项< 含有> 关联，通常这是有意义的边。

此外，这KG 里还可以增添< 对比偏好> 新边。其让这KG 的user-wine 间具有两种边：

●   <协调（congruent） 偏好> 边。例如，Mike显然喜欢酸味的食物，就配对出较具酸味的葡萄酒。

●   <对比（contrasting）偏好>边。例如，Mike显然喜欢酸味的食物，就配对出较< 不具> 酸味的葡萄酒。

于是，这KG 就日渐成长壮大了。如下图-4：

图3

以上说明了，KG会持续更新、日益茁壮。当我们进一步拿KG 来训练GNN模型时，GNN也能探索出反事实连结（Counterfactual Link），来日渐充实、优化KG，让KG 生生不息、无尽繁荣。

（本文来源于《EEPW》202508）

关键词： 202508 KG节点