文档知识图谱结构化抽取

从 PDF/Word 文档中自动提取层次化知识节点，标注认知层级与语义关系，输出可直接导入知识图谱系统的结构化文件。

✨ 功能特性

• 📚 层次化知识抽取 - 支持最多 7 级知识节点层次结构
• 🧠 认知层级标注 - 基于布鲁姆分类法（记忆/理解/应用/分析/评价/创造）
• 🔗 语义关系识别 - 自动识别前置、后置、关联关系
• 🎯 教学目标生成 - LLM 自动生成具体可衡量的教学目标
• 📊 多格式输出 - 支持 Excel 和 CSV 格式
• ✅ 格式验证 - 自动验证树状结构完整性和数据规范性

🏗️ 技术架构

┌──────────────┐    ┌──────────────┐    ┌──────────────┐    ┌──────────────┐
│   文档解析    │───→│  LLM 语义抽取 │───→│   格式验证    │───→│  Excel 生成  │
│   (脚本)     │    │   (LLM)      │    │   (脚本)     │    │   (脚本)     │
└──────────────┘    └──────────────┘    └──────────────┘    └──────────────┘
      │                    │                   │                   │
      ▼                    ▼                   ▼                   ▼
  提取纯文本          语义理解+推理        验证格式约束         生成标准输出
  解析模板           生成节点+关系        修复格式错误

📦 安装

依赖项

pip install openpyxl python-docx pdfplumber

克隆仓库

git clone https://github.com/flyboat403/knowledge-graph-extraction-skill.git
cd knowledge-graph-extraction-skill

🚀 快速开始

步骤 1: 提取文档内容

python scripts/extract_knowledge_graph.py \
  --source document.docx \
  --extract-text \
  --output document_content.txt

步骤 2: LLM 知识抽取

将文档内容传递给 LLM（使用 prompts/extraction_prompt.md 中的 Prompt 模板），获取 JSON 格式的知识节点。

步骤 3: 生成 Excel 文件

python scripts/extract_knowledge_graph.py \
  --json knowledge_nodes.json \
  --template template.xlsx \
  --output output.xlsx

📋 输出格式

列结构

列范围	用途	说明
A-G 列	知识点层级	每行一个知识点，列位置表示层级
H 列	前置知识点	学习当前知识点前需先掌握的知识
I 列	后置知识点	学习当前知识点后可学习的知识
J 列	关联知识点	相关但不构成前置/后置关系的知识
K 列	标签	重点/难点/考点/课程思政
L 列	认知维度	记忆/理解/应用/分析/评价/创造
M 列	知识分类	事实性/概念性/程序性/元认知
N 列	教学目标	学习后应达成的能力或理解
O 列	知识点说明	简要描述

层级定义

Level	对应列	典型内容	示例
1	A 列	课程/学科名称	土木水利类职业技能考试
2	B 列	模块/单元	专业知识(应知)
3	C 列	章节/部分	土木工程力学
4	D 列	知识主题	力和受力图
5	E 列	具体知识点	约束与约束反力
6	F 列	知识点细分	接触触电的类型
7	G 列	原子内容	单相触电的具体特征

教学目标生成规则

层级	是否需要教学目标	原因
Level 1-3	❌ 不需要	结构容器，非具体学习内容
Level 4-7	✅ 必填	学生实际学习的内容

教学目标句式模板：

认知层级	推荐句式	示例
记忆	能够说出/列举...	"能够说出电阻的单位及换算关系"
理解	能够解释/说明...	"能够解释欧姆定律的物理意义"
应用	能够使用/操作...	"能够使用万用表测量电阻值"
分析	能够分析/比较...	"能够分析串联与并联电路的区别"
评价	能够选择/判断...	"能够选择合适的电阻类型"
创造	能够设计/创建...	"能够设计符合要求的简单电路"

📁 项目结构

knowledge-graph-extraction-skill/
├── README.md                    # 项目说明文档
├── SKILL.md                     # 技能详细文档
├── skill.json                   # 技能元数据
├── scripts/
│   └── extract_knowledge_graph.py   # 主脚本
├── prompts/
│   ├── extraction_prompt.md     # 知识抽取 Prompt 模板
│   └── relation_prompt.md       # 关系推理 Prompt 模板
├── references/
│   ├── output-format.md         # 输出格式规范
│   └── cognitive-levels.md      # 认知层级定义
└── examples/
    ├── template-knowledge-graph.xlsx          # 知识图谱 Excel 模板
    └── example-curriculum-office-software.pdf # 示例课程标准文档

🔧 命令行参数

python scripts/extract_knowledge_graph.py [OPTIONS]

选项:
  --json FILE       LLM 输出的 JSON 文件路径
  --source FILE     源文档路径 (docx/pdf)
  --extract-text    提取文档文本供 LLM 处理
  --template FILE   xlsx 模板路径
  --output FILE     输出文件路径
  --dry-run         仅解析模板，不生成输出

📊 示例输出

[
  {
    "name": "土木工程力学",
    "level": 3,
    "cognitive_level": "应用",
    "category": "概念性",
    "pre_requisites": [],
    "related": ["土木工程材料", "土木工程测量"],
    "tags": "重点",
    "objective": "",
    "description": "土木工程力学基础知识"
  },
  {
    "name": "力和受力图",
    "level": 4,
    "cognitive_level": "理解",
    "category": "概念性",
    "pre_requisites": [],
    "related": ["平面力系的合成与平衡"],
    "tags": "重点",
    "objective": "能够理解力及力系的概念与性质，掌握约束反力的画法和受力图的绘制方法",
    "description": "力学基础概念与受力分析"
  }
]

✅ 格式验证

脚本自动验证以下约束：

• ✅ 每行只有一个知识点（A-G 列）
• ✅ 树状结构完整性（无断层）
• ✅ 认知维度为单选值
• ✅ 知识点分类为单选值
• ✅ 分隔符使用英文分号 ;
• ✅ Level 4-7 节点有教学目标

🚫 Anti-Patterns（禁止）

错误	正确
一行填写多个知识点	每行只填一个知识点
使用中文分号 ；	使用英文分号 ;
认知维度填多个值	认知维度为单选
层级跳跃（A→C）	层级连续（A→B→C）

🔗 兼容性

支持导入平台：

• Neo4j
• Apache Jena
• 超星知识图谱
• 泛雅平台

支持文档格式：

• .docx (Microsoft Word)
• .pdf (PDF 文档)

📖 参考资料

• 布鲁姆教育目标分类法
• Apache Jena

📄 许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件。

🤝 贡献

欢迎提交 Issue 和 Pull Request！

---

Made with ❤️ for knowledge graph extraction