Docs2KG 详解：人机协同的异构文档知识图谱构建
前面介绍了三个知识图谱工具——Graphify（代码库）、ai-knowledge-graph（纯文本）、Knowledge Graph Extractor（自托管）。它们各有侧重，但都有一个共同短板：LLM 自动提取完就结束了，没有人工审核和迭代闭环。提取错了怎么办？漏了实体怎么办？关系标错了怎么办？Docs2KG（AI4WA 团队，371 Star，Apache 2.0）给出了不同的答案——它是一个人机协同（Human-LLM Collaborative）的异构文档知识图谱构建框架：LLM 自动提取，人工审核修正，修正结果反哺 LLM 让它下次做得更好。还支持 PDF / DOCX / HTML / EPUB 四种格式，把布局结构和语义内容分层构建为三层知识图谱（MetaKG / LayoutKG / SemanticKG）。本文讲清它是什么、有什么独特价值、怎么用。
GitHub 仓库：AI4WA/Docs2KG（371 Star）；在线平台：Docs2KG 协同标注平台；论文：Docs2KG 论文 PDF。
1、Docs2KG 是什么
Docs2KG 是一个把异构文档（PDF / DOCX / HTML / EPUB）转成统一知识图谱的 Python 框架。它最大的特色是"人机协同"——不只是 LLM 自动提取就完事，而是提供了一个人工审核界面，让你审核、修正、增强 LLM 提取的实体和关系，修正结果会反哺给 LLM，让下一轮提取更准。
// 核心定位
Docs2KG = 异构文档 + 人机协同 + 三层知识图谱
// 基本面
// 团队：AI4WA（学术团队，有配套论文）
// 语言：Python（pip install Docs2KG）
// 星标：371 Star
// 许可：Apache 2.0
// 支持格式：PDF / DOCX / HTML / EPUB
// LLM 后端：Ollama（本地）/ OpenAI / 任意兼容
// 图数据库：Neo4j（可选，导入/导出）
// 配套论文：有（学术背景，非纯工具项目）2、它解决的独特痛点：自动提取不够，需要人工闭环
// 现有知识图谱工具的共同短板
Graphify / ai-knowledge-graph / Knowledge Graph Extractor
→ LLM 自动提取实体和关系
→ 提取完就输出图谱
→ 如果提取错了？没有修正机制
→ 如果漏了关键实体？只能重新跑一遍，结果可能还是漏
// Docs2KG 的差异化：人机协同闭环
LLM 自动提取 → 人工审核修正 → 修正结果反哺 LLM → 下一轮更准
→ 形成"越用越准"的正循环
→ 而不是"每次都从零开始自动提取"的一次性过程
// 为什么这很重要？
知识图谱的质量 = 实体准确率 × 关系准确率 × 覆盖率
纯 LLM 提取：准确率和覆盖率都不稳定（LLM 会幻觉、会遗漏）
人机协同：人工补漏 + LLM 从修正中学习 → 质量持续提升3、三层知识图谱：MetaKG / LayoutKG / SemanticKG
Docs2KG 不只提取"实体-关系"，它把文档的知识组织成三个层次，每层关注不同维度：
// 第一层：MetaKG（元数据知识图谱）
// 关注：文档级别的元信息
// 例：作者、发布日期、文档标题、来源、关键词
// → 回答"这是谁的文档、什么时候发的、关于什么主题"
// 第二层：LayoutKG（布局知识图谱）
// 关注：文档的排版结构
// 例：标题 → 副标题 → 段落 → 列表 → 表格 → 图注
// → 回答"文档的逻辑结构是什么、第 3 章在哪、引用关系"
// → 特别适合学术论文（章节/引用/图表引用关系）
// 第三层：SemanticKG（语义知识图谱）
// 关注：文档内容中的实体和关系
// 例：(瓦特) --[发明]--> (蒸汽机)
// → 回答"文档里讲了什么实体、它们之间什么关系"
// 三层叠加 = 一个完整的"文档理解"
// MetaKG 管"这是谁的文档"
// LayoutKG 管"文档怎么组织的"
// SemanticKG 管"文档讲了什么"
// → 比"只提取语义三元组"的工具，信息维度更丰富4、双路径文档数字化
Docs2KG 处理异构文档有两条路径，按文档来源选择不同管道，最终输出统一格式：
- 路径一：原生数字文档（DOCX / HTML / EPUB）→ 用编程式解析器直接提取结构化内容，100% 准确（不需要 OCR），保留段落/标题/表格/列表等结构信息
- 路径二：图片型文档（扫描 PDF / 图片）→ 布局分析（Docling / MinerU）+ OCR 文字识别 + 结构恢复（识别标题/段落/表格），适合学术论文 PDF、扫描件、旧文档
两条路径的原因：原生数字文档可直接解析（快速准确），扫描图片文档必须 OCR + 布局分析才能数字化，但最终输出统一格式。
5、人机协同标注平台
Docs2KG 提供了一个 Web 界面（docs2kg.ai4wa.com），支持人工审核和修正。
人工可以做的操作：
- 审核实体：LLM 提取了"詹姆斯瓦特" → 人工确认/修正/删除
- 审核关系：LLM 提取了"发明了" → 人工确认/修正/删除
- 补充实体：LLM 漏了"纽科门" → 人工手动添加
- 补充关系：LLM 漏了"瓦特改良了纽科门的蒸汽机" → 人工添加
- 修正本体：实体类型分类不对 → 人工修改本体（Ontology）
修正后的反哺机制：人工修正的本体/实体列表/关系列表会更新到 LLM 的提示里，下一轮提取时 LLM 参考人工修正的结果，形成"越标注越准"的正循环。
质量评估：平台自动统计每种方法（LLM/人工）正确提取了多少实体/关系，以及在最终图谱中的贡献率和保留率，量化"人工修正了多少、LLM 提取了多少"。
6、安装与使用
安装 Docs2KG 和依赖的 spaCy NLP 模型：
pip install Docs2KG
python -m spacy download en_core_web_sm配置 config.yml，设置 LLM 后端（Ollama / OpenAI）和 Neo4j 连接（可选）。
处理单个文档：
docs2kg process-document input.pdf \
--agent-name phi3.5 \
--agent-type ollama \
--project-id my_project批量处理一个目录：
docs2kg batch-process ./documents/ \
--agent-name phi3.5 \
--agent-type ollama \
--project-id my_project导入 Neo4j 图数据库：
docs2kg neo4j my_project \
--mode import \
--neo4j-uri bolt://localhost:7687 \
--neo4j-user neo4j \
--neo4j-password your_password也可在 Python 代码中直接调用：
from Docs2KG import Docs2KG
docs2kg = Docs2KG(config="config.yml")
docs2kg.process("input.pdf", project_id="my_project")7、与同类方案的差异化定位
方案 人机协同 三层图谱 格式支持 星标
-------------------------------------------------------------------------
Docs2KG 支持 Meta+Layout+Semantic PDF/DOCX/HTML/EPUB 371
Graphify 不支持 代码+文档+论文 代码+md+pdf+img 95k
ai-knowledge-graph 不支持 仅语义层 txt 2.5k
Knowledge Graph Extractor 不支持 仅语义层 txt/url/zip 0.2kDocs2KG 的两个独特差异点非常清晰：第一，人机协同——它是唯一提供"人工审核 + 反哺迭代""机制的，其他工具都是"LLM 一次性提取就结束"。第二，三层知识图谱——不只提取语义三元组，还额外提取"文档布局结构"和"元数据"，适合需要精确理解文档结构的场景（如学术论文分析）。
8、适用场景与局限
// 适合
学术研究 论文批量分析（LayoutKG 天然适合章节/引用结构）
企业文档管理 大量异构文档（PDF/DOCX/HTML/EPUB）需要结构化
高质量要求 对知识图谱准确率要求高，愿意人工审核
有论文支撑 学术项目，需要引用方法论（Docs2KG 有配套论文）
// 局限
星标少/小众 371 Star，社区和生态仍在早期
部署较重 需要 spaCy + 可选 Neo4j + Ollama，组件多
需要人工投入 人机协同的价值在于"花时间标注"，纯自动场景不如 Graphify
OCR 依赖外部 图片型文档的 OCR 依赖 Docling/MinerU（需单独安装）
代码解析弱 不像 Graphify 有 tree-sitter，主要面向文档而非代码9、总结
Docs2KG 是一个人机协同的异构文档知识图谱构建框架。核心差异是人工审核 + 反哺迭代——LLM 提取、人工修正、修正结果反哺 LLM，形成"越用越准"的正循环。同时构建三层知识图谱（MetaKG 元数据 + LayoutKG 布局结构 + SemanticKG 语义内容），覆盖 PDF / DOCX / HTML / EPUB 四种格式。有配套论文和在线标注平台。
关键要点：
- 定位：人机协同的异构文档知识图谱，371 Star，Apache 2.0，有论文支撑
- 独特差异1：人工审核 + 反哺迭代——唯一提供"越用越准"闭环的知识图谱工具
- 独特差异2：三层图谱（MetaKG + LayoutKG + SemanticKG），维度比纯语义工具更丰富
- 格式：PDF / DOCX / HTML / EPUB，双路径数字化（原生解析 + OCR）
- 适合学术研究/企业文档/高质量要求；局限是小众/部署重/需人工投入
对于需要高准确率知识图谱、且愿意投入人工审核的团队（学术研究、企业文档管理、法律/医疗文档分析）而言，Docs2KG 的"人机协同"模式比纯自动提取更可靠——LLM 犯的错可以人工纠正，纠正的结果又让 LLM 不再犯同样的错。这就是"人机协同"比"全自动"的价值：不是替代人，而是让人的投入被复用、被放大。
参考资料：
