知识图谱把冲突事实压成单一“当前值”,会让图看起来整洁,却抹去争议来自哪里、何时出现、谁作了判断。更稳健的模式是把“主张”“来源”“产生主张的活动”和“支持或反驳证据”分层保留;置信度则记录为带有方法、范围与校准说明的评估,而不是万能真值分数。W3C PROV-O 能描述实体、活动、责任者与派生关系,但不判定哪个主张真实,也不定义概率尺度。本文用产品安全规格冲突的例子,给出一种能保留多方陈述、同时让应用按用途决策的证据账本。适用边界也要说在前面:普通事务表的唯一权威字段、版本化审计日志或内容寻址存储,可能比把每项溯源关系都转成 RDF 更合适。值得引入主张级图模型的前提通常是需要跨来源查询、显式比较证据、解释推断或长期审计;若只是单一来源、低风险字段,完整知识图谱可能带来不必要的建模、授权和保留成本。

先分清事实、主张与证据
假设供应商的技术手册写着“额定压力为 12 bar”,现场验收报告记录“在 10 bar 下出现泄漏”,维护工程师则在工单中写“可能是阀体腐蚀”。它们不是一条字段上互相覆盖的三个值:第一个是对产品额定规格的主张,第二个是一次测试行为与观测结果,第三个是初步解释。若图谱只保存 pump:pressureRating = 12 bar,测试冲突和故障假设就会从系统中消失;若直接把 10 当成额定值,则又把运行观测误作规格事实。
建模时可把核心单元拆成四类:
- 主张(claim/assertion):某个主体或系统提出的可评价命题,如“型号 X 的允许压力是 12 bar”。它可以是真、假、过期、适用于特定版本,或只是暂时未知。
- 来源实体(source entity):产生或承载信息的文件、数据库记录、网页、样品或传感器批次,最好能定位到版本、页码、记录 ID 或内容摘要。
- 生成活动(activity):从文件抽取主张、人工审核、实体对齐、单位换算、模型融合等过程,带上时间、软件/算法版本和执行者。
- 证据(evidence):支持、反驳或限定某项主张的材料。它可能是直接测量、实验报告、原始文件,也可能是另一个来源转引;不同证据的力度并不相同。
“有来源”并不等于“有证据支持”。比如一个聚合网站和十篇复制该网站文字的博客,形式上有十一个 URL,信息来源却可能只有一个。还要区分证据本身和对证据的解释:验收报告是证据实体,“报告支持压力低于规格”的关系可能是人工判断或算法结论。把判断也作为有来源、可版本化的实体,才能追踪争议是发生在原始数据、抽取、对齐还是推断阶段。
一个可用的主张记录通常包含命题表达、作用范围、提出者、来源定位、陈述时间、有效时间、抽取方法、复核状态与语言/单位。若不能形成完整逻辑公式,也至少需要主体-谓词-客体、上下文、断言者与出处。比如“额定压力 12 bar”要连到对应产品型号、手册版本和生效范围;“在 10 bar 下出现泄漏”则应连到具备测量条件的验收活动,不能被写成新的额定值。重要的是不要把“来源记录的文本内容”与“图谱对文本内容的解释”合为一个不可分割的三元组。
这种区分也有时间意义:供应商手册 2024 版曾声明 12 bar,2026 版修订为 10 bar,并非同一时点的两个无条件真值。保留版本、有效时间和陈述时间,可以把“版本更新”与“同一时点意见冲突”分开。小结:冲突首先是多条带上下文的主张,不是数据库唯一键设计失败。
用 PROV-O 记录生成链,但不要让它冒充裁判
W3C PROV-O提供了描述来源与生成链的核心概念:prov:Entity 表示具有固定方面的东西;prov:Activity 表示一段发生并使用/生成实体的过程;prov:Agent 表示对活动、实体或活动结果负有责任的主体。prov:wasDerivedFrom 表示实体间的派生,prov:wasAttributedTo 记录实体归属的责任者,prov:wasAssociatedWith 把活动与参与的 Agent 关联起来。需要更细的角色、计划或时间时,可以用 qualified relation。
例如,从 supplier-manual-v4.pdf 的第 38 页抽出主张,需要留存文档实体、抽取活动、使用的模型/规则、运行版本、输出主张、审核人和时间。若之后人工将 12 bar 标准化为 1.2 MPa,那是新活动生成的新表示,应保留与原表示的派生关系,而不是覆盖原始文本。若一个检索增强系统只返回了归一化后的关系而不保留定位信息,用户无法复核单位换算是否正确。
graph LR
Extract[抽取活动] -->|prov:used| Doc[供应商手册 v4]
Extract -->|prov:wasAssociatedWith| Model[抽取模型/规则]
Extract -->|prov:generated| ClaimA[主张:额定压力 12 bar]
Review[人工评估活动] -->|prov:used| Test[验收报告]
Review -->|prov:wasAssociatedWith| Engineer[工程师]
Review -->|prov:generated| ClaimB[主张:10 bar 发生泄漏]
ClaimA -->|应用定义的 supports 关系| Evidence[证据评估记录]
ClaimB -->|应用定义的 supports 关系| Evidence
prov:Bundle 可以将一组来源描述作为整体标识和引用,且 bundle 自身也是可描述的实体;这适用于区分不同组织提交的 provenance 记录。PROV 还允许用 prov:wasRevisionOf、prov:wasQuotedFrom 等更具体的派生关系,也能描述一个实体的多个版本或描述。它的功能是让来源陈述机器可读、可交换,不是维护“全网只有一个事实”的真值数据库。
因此,多来源冲突可把主张 A、主张 B 分别建模为不同实体,再用应用定义的关系连接,例如 supports、contradicts、qualifies、supersedes。这些并不是 PROV-O 自带的裁判语义,团队应给关系定义清晰规则。只有确认是同一来源文档的修订时,才适合用版本/派生关系;“不同主体作出相反陈述”不应伪装成一个实体的版本演进。
PROV-O 也不承诺所记 provenance 为真。一个系统可以错误地断言某人生成了某文件,格式仍然符合词汇;来源标记需要授权、签名、日志保护和审计链支持。来源记录写得很细,仍不能证明原始测量没有偏差。小结:PROV-O 负责记录谁在何时经由何种活动产生了什么描述,不负责证据评价与真伪裁决。
置信度不是一个数:区分主体、步骤与主张
工程系统常给每个抽取三元组写 confidence = 0.91,看似可排序,却不清楚这个数字到底代表什么。它可能是分类器对“关系标签”的 softmax 分数、NER 对实体边界的概率、某来源的历史可信度、多个独立证据的一致程度,或业务专家对风险的主观评分。这些数值不在同一语义与统计尺度上,不能直接相加或比较。
至少要把三种不确定性拆开:
- 来源可靠性:某来源在某领域、某时期、某数据类型上的历史质量。供应商资料对产品规格可能权威,对现场设备当前状态则未必。
- 抽取/对齐把握:系统是否正确识别文本、实体、单位和关系。高把握只能说明算法认为抽取得对,不代表源文本本身为真。
- 主张支持程度:当前证据集合对某命题支持多少,是否有独立来源、反证、适用范围与时间冲突。它依赖证据相关性和领域判定标准。
另有“有效性/新鲜度”与“模型不确定性”等维度。过期来源可能很可靠地记录了过去,却不能描述当前值;文档若是别处复制来的,来源数量不是独立支持;测试结果有测量误差,也不必等于事实本身不可判定。把所有问题折叠成同一个分数,会让后续融合不可解释。
研究综述《知识图谱构建中的不确定性管理》把抽取、对齐、融合中的不确定性区分开,讨论来源、抽取器与事实层面的置信信息,也指出不同抽取器的置信尺度可能需要校准;这说明端到端只存一列分数会漏掉重要误差来源。Jarnac、Chabot 与 Couceiro 的综述也提醒,语言模型在专业、数值和长尾实体上的输出可能不准确,并可能反映训练数据偏差。
如果确实要提供可排序分数,应写入分数定义、产生方法、模型版本、校准集/时间范围、适用人群、证据集快照和不确定区间。来源可靠性应按领域和时间分组;抽取概率应由标注数据验证;证据权重应对来源相关性做处理。没有标注集或可解释方法时,可用“未审核/有支持/有冲突/已裁决”等状态,诚实地表达流程状态,不要把任意启发式打分包装成科学概率。即使分数经过校准,也要检查标签是否具有代表性、类别是否平衡、数据是否发生分布偏移,以及不同产品/来源上是否校准一致。校准是某一数据与任务条件下的统计属性,不是“这个来源永远可信”的承诺;部署后应持续抽样复核,并在模型或来源版本变化时重新评估。
小结:每个分数先问“谁对什么、在什么范围、用什么方法评了什么”。答不出来就不应被下游当作概率。
保留冲突与做决策:账本不等于不治理
保留相互矛盾的主张,不代表系统永远无法作答。应把原始主张层、证据评估层和消费决策层分开:原始层不因冲突被覆盖;评估层记录支持、反驳、适用时间、来源关系和审查结果;消费层根据查询用途选择展示策略。例如“产品铭牌规格”优先呈现受控版本的技术文件,“最近现场状态”优先选择经过校准的传感记录,“是否安全”则需要满足法规、测试、设备版本等规则,不能仅按最高置信分数选值。
可用显式状态机管理仲裁:待复核、多个候选、暂定采用、已裁定、被撤回或已过期。裁决记录本身也应有负责者、理由、证据链接与生效范围。若来源后续更新,原决定不能静默改变;可重新运行评估流程并生成新决定,使审计方知道当时为何采用某值。
| 用途 | 合适的输出方式 | 不宜做法 |
|---|---|---|
| 问答解释 | 展示主张、来源、时间与冲突状态 | 只回传去重后的唯一事实 |
| 业务规则 | 按明确优先级和适用范围选候选,失败时升级人工 | 见到最高分就自动覆盖所有值 |
| 统计汇总 | 保留来源分组、时间窗口和聚合方法 | 把重复转载当作多份独立证据 |
| 审计复核 | 展示原始文本位置、抽取过程、变换链 | 只保留最终图谱边,不保留输入版本 |
多个来源如果共享上游数据,不能按独立证据来重复计权。比如五个销售网站都从厂商同一份 CSV 自动同步,彼此一致只说明复制链稳定,并不构成五次独立测量。可以构建来源依赖图:记录复制/转载关系、采集时间、内容摘要与上游声明;在计算支持度时先把同一根源分组。对无法确认独立性的来源,保守地标注“独立性未知”,不要凭域名不同就假定独立。
争议不总是逻辑矛盾。两个数可能使用不同单位、测量位置、产品批次、有效时间或精度;两个组织也可能对“额定压力”采用不同术语。融合前应先做实体解析、单位归一、时间范围和上下文对齐,否则会把可兼容的陈述误标为冲突。反过来,强行把所有上下文压成相同实体,也会制造貌似一致的错误。
这套做法的代价是图更大、查询更复杂、数据生命周期更长,也要求授权、保留策略和隐私审查。尤其是证据可能含个人信息、商业机密或安全敏感内容;图谱可以只保留受控文档的稳定引用、摘要与访问权限,而不复制全文。更进一步,系统还应限制谁能新增来源、撤回或修改主张,以及谁有权裁定冲突;审计身份、写入签名、不可变日志和双人复核可用于高风险场景。否则攻击者或误操作可以伪造一条看似完整的溯源链,数据结构本身并不能抵御恶意写入。对没有审计需求、来源高度受控、事实写入由单一事务系统负责的场景,简单的权威字段可能更合适;但应明确保留原始审计日志或修订历史。小结:保留冲突与治理并不冲突,关键是将记录与决策分层,并让决策随证据变化可追溯。
小结
主张、来源、生成活动和证据应是不同对象。这样可以分辨来源文本、系统解释、关系抽取、单位换算与人工裁决各自可能出错的位置。
PROV-O 提供 Entity、Activity、Agent、派生、归属、关联与 Bundle 等通用溯源结构;它不保证 provenance 的真实性,不计算置信度,也不替应用裁决真伪。专用的主张、支持、反驳、有效时间和裁决关系需要明确语义。
置信度至少要区分来源可靠性、抽取把握和证据支持度。分数必须绑定评估对象、方法、模型/数据、时间和校准范围;未经校准的分数不应被解读为事实概率。
最佳实践不是消灭冲突,而是让冲突可定位、可解释、可复核,并让具体业务在明示规则下作出可撤销的决策。
参考资料
- PROV-O: The PROV Ontology — W3C 推荐,定义通用溯源核心类与关系。
- PROV Overview — W3C PROV 体系概览,说明不同 PROV 文档间的关系。
- Uncertainty Management in the Construction of Knowledge Graphs: a Survey — Jarnac、Chabot 与 Couceiro,综述构建、对齐和融合中的不确定性。
- Bridging the Scientific Knowledge Gap and Reproducibility: A Survey of Provenance, Assertion and Evidence Ontologies — Chhetri 等,2025,比较主张、证据与 provenance 相关本体。
- Data on the Web Best Practices: Data Quality Vocabulary — W3C 推荐,展示质量测量可与来源和派生信息关联。
读者留言
COMMENTS 暂无还没有留言,来说第一句?