2025年最佳的 37 个知识图谱工具

REBEL是一种基于BART的序列到序列模型，用于端到端关系抽取，支持200多种不同关系类型。

基于mGENRE的多语言生成式实体检索模型，针对历史文本优化，支持100+种语言，特别适配法语、德语和英语的历史文档实体链接。

KRISSBERT是一个基于知识增强自监督学习的生物医学实体链接模型，通过利用无标注文本和领域知识训练上下文编码器，有效解决实体名称多样性变异和歧义性问题。

CODER是一种知识增强型跨语言医学术语嵌入模型，专注于医学术语规范化任务。

CODER是一个基于知识注入的跨语言医学术语嵌入模型，专注于医学术语标准化任务。

该模型是基于google/gemma-2-9b-it微调的Text2Cypher模型，能够将自然语言问题转换为Neo4j图数据库的Cypher查询语句。

Triplex是SciPhi.AI基于Phi3-3.8B微调的模型，专为从非结构化数据构建知识图谱设计，可将知识图谱创建成本降低98%。

GENRE是一种基于序列到序列方法的实体检索系统，采用微调后的BART架构，通过受约束的束搜索技术生成唯一实体名称。

Gemma 3.4B IT 是一个基于文本到文本生成的大语言模型，专门用于将自然语言转换为Cypher查询语言。

REDFM是REBEL的多语言版本，用于多语言关系抽取任务，支持18种语言的关系三元组提取。

基于SecureBERT框架微调训练，用于从网络安全文本中提取事件核心、论元及其关系，构建知识图谱。

基于Flan-T5-XL模型微调的三元组提取模型，用于从文本中识别主体-关系-客体结构

Phi-3-mini-4k-instruct-graph是微软Phi-3-mini-4k-instruct的微调版本，专门用于从通用文本数据中进行实体关系提取，旨在在生成实体关系图方面达到与GPT-4相当的质量和准确性。

由Henry Leonardi领导的Taskload团队开发的因果提取模型，用于自动化信息抽取任务。

KnowGL是一个从文本生成与链接知识的模型，能够提取实体关系三元组并链接到维基数据。

UIE是一个统一的信息抽取框架，能够处理实体识别、关系抽取、事件检测、情感分析等多种任务，具有跨任务迁移和泛化能力。

基于Qwen-2.5-0.5B模型，通过强化学习（GRPO）和监督学习联合训练而成的文本转图谱信息抽取模型。

Gemma-2-2B-TR-Knowledge-Graph 是基于 gemma-2-2b-it 微调的模型，专注于从文档内容生成结构化知识图谱。

Phi-3-mini-128k-instruct-graph 是微软 Phi-3-mini-128k-instruct 的微调版本，专门用于从通用文本数据中提取实体关系。

ICKG是基于Vicuna-7B微调的知识图谱构建专用指令遵循语言模型，擅长从文本文档中提取结构化知识三元组

基于Gemma-2-9b-it微调的Text2Cypher模型，用于将自然语言转换为Neo4j图数据库查询语言Cypher

CGRE是一种基于BART的中文端到端关系抽取模型，采用生成式方法实现实体关系抽取，在多个中文关系抽取数据集上表现优异。

AMRBART是一个预训练的语义解析器，能够将句子转换为抽象意义图(AMR)。最新版本v2更简单、更快、更强。

支持多任务的联合模型，可同时处理命名实体识别、关系抽取、实体提及检测和共指消解任务

GEBERT是基于PubMedBERT预训练的生物医学实体链接模型，通过GAT图编码器增强UMLS概念图的表示学习

SPBERT是一种基于SPARQL查询的高效预训练BERT模型，专门用于知识图谱问答任务。

这是一个用于从隐私政策文本中抽取关系的模型，支持识别数据收集、存储和传输等相关信息。

FReE是一个基于DistilBERT的模型，专门针对金融关系类型检测与分类任务进行微调。

ULTRA 是一个面向知识图谱推理的基础模型，能够在任意包含不同实体/关系词汇的多关系图上执行链接预测任务，支持零样本推理和微调。

SpanBERT是由Facebook研究院开发的预训练语言模型，通过在TACRED数据集上的微调，专门用于关系抽取任务。

这是一个基于KLUE基准测试的BERT-base模型，专门用于韩语关系抽取任务。

mREBEL是REBEL的多语言版本，用于多语言关系抽取任务，支持18种语言。

基于WikiKG90Mv2数据集训练的T5模型，用于知识图谱中的尾实体预测任务

CODER 是一个融合知识的跨语言医学术语嵌入模型，用于医学术语标准化。

Jeux2BERT是基于Flaubert语言模型并融合JeuxDeMots词汇语义网络增强的模型，能够捕捉词语的分布式特征与关联属性，并区分词语或词组间不同的关系特性。

布谷鸟是一个小型（3亿参数）信息抽取（IE）模型，模仿大语言模型的下一词预测范式，通过标记给定上下文中的下一词进行预测。

基于RoBERTa-large微调的关系嵌入模型，专注于词汇关系理解和类比推理任务