OntoCast：从文档提取语义三元组的智能框架

OntoCast 是一个开源框架，托管在 GitHub 上，专注于从文档中提取语义三元组，构建知识图谱。它结合了本体管理、自然语言处理和知识图谱序列化技术，将非结构化文本转化为结构化、可查询的数据。OntoCast 采用本体驱动的提取方式，确保语义一致性，支持多种文件格式，如文本、JSON、PDF 和 Markdown。用户可以通过本地运行或 REST API 使用，支持 OpenAI 或本地模型（如通过 Ollama）。它的核心特色是自动化本体创建、实体消歧和语义分块，适合需要从复杂文档中提取结构化信息的场景。项目提供详细的文档和 Docker 配置，便于快速部署和使用。

功能列表

• 语义三元组提取：从文档中提取主语-谓语-宾语三元组，构建知识图谱。
• 本体管理：自动创建、验证和优化本体，确保语义一致性。
• 实体消歧：解决文档中跨块的实体引用问题，提升数据准确性。
• 多格式支持：处理文本、JSON、PDF 和 Markdown 等多种文件格式。
• 语义分块：基于语义相似性分割文本，优化信息提取。
• GraphRAG 支持：支持基于知识图谱的检索增强生成，提升搜索能力。
• MCP 兼容：提供 Model Control Protocol 端点，方便集成和调用。
• 三元组存储支持：支持 Fuseki 和 Neo4j 三元组存储，优先推荐 Fuseki。
• 本地和云端部署：支持本地运行或通过 REST API 访问。

使用帮助

安装流程

OntoCast 是一个基于 Python 的框架，推荐使用 Docker 进行部署，以下是详细的安装和配置步骤：

1. 克隆项目
   在终端运行以下命令，将 OntoCast 项目克隆到本地：

   git clone https://github.com/growgraph/ontocast.git
   cd ontocast
   

2. 安装依赖
   项目使用 Python 环境，推荐使用 uv 工具管理依赖。运行以下命令安装：

   uv pip install -r requirements.txt
   

   如果没有 uv，可以用 pip 替代：

   pip install -r requirements.txt
   

3. 配置三元组存储
   OntoCast 支持 Fuseki（推荐）和 Neo4j 作为三元组存储后端。以下以 Fuseki 为例：
   • 进入 docker/fuseki 目录，复制并编辑环境配置文件：

     cp docker/fuseki/.env.example docker/fuseki/.env
     

   • 编辑 .env 文件，设置 Fuseki 的 URI 和认证信息，例如：

     FUSEKI_URI=http://localhost:3032/test
     FUSEKI_AUTH=admin/abc123-qwe
     

   • 启动 Fuseki 服务：

     cd docker/fuseki
     docker compose --env-file .env up -d
     

4. 配置语言模型
   OntoCast 支持 OpenAI 或本地模型（如通过 Ollama）。编辑项目根目录的 .env 文件，配置模型参数：

   LLM_PROVIDER=openai
   LLM_MODEL_NAME=gpt-4o-mini
   LLM_TEMPERATURE=0.0
   OPENAI_API_KEY=your_openai_api_key_here
   

   如果使用本地模型（如 Ollama），设置：

   LLM_PROVIDER=ollama
   LLM_BASE_URL=http://localhost:11434
   

5. 运行服务
   使用以下命令启动 OntoCast 服务：

   uv run serve --ontology-directory ONTOLOGY_DIR --working-directory WORKING_DIR
   

   其中，ONTOLOGY_DIR 是本体文件存储路径，WORKING_DIR 是工作目录，用于存储处理后的数据。

6. 构建 Docker 镜像（可选）
   如果希望使用 Docker 运行 OntoCast，可构建镜像：

   docker buildx build -t growgraph/ontocast:0.1.4 .
   

使用方法

OntoCast 的核心功能是提取语义三元组并构建知识图谱，以下是具体操作步骤：

1. 准备文档
   将需要处理的文档（支持文本、JSON、PDF 或 Markdown 格式）放入 data/ 目录。项目提供示例数据，可参考 data/ 目录中的文件。
2. 运行提取流程
   OntoCast 提供命令行工具和 REST API 两种方式运行：
   • 命令行方式
     使用 CLI 工具处理文档：

     uv run ontocast process --input data/sample.md --output output.ttl
     

     这会将 sample.md 文件处理为 RDF 三元组，输出到 output.ttl 文件（Turtle 格式）。

   • REST API 方式
     启动服务后，访问 /process 端点：

     curl -X POST http://localhost:8999/process -H "Content-Type: application/json" -d '{"input": "data/sample.md"}'
     

     响应将返回提取的三元组和本体数据。

3. 查看结果
   处理完成后，结果存储在三元组存储中（如 Fuseki）。可通过 Fuseki 的 Web 界面（默认 http://localhost:3032）查询知识图谱，或使用 SPARQL 查询语言获取数据。
4. 优化本体
   OntoCast 支持自动优化本体。如果需要手动调整本体，可编辑 data/ontologies/ 目录中的本体文件，重新运行提取流程。
5. 使用 GraphRAG
   OntoCast 支持基于知识图谱的检索增强生成（GraphRAG）。在处理完成后，使用生成的知识图谱进行语义搜索：

   uv run ontocast search --query "特定关键词" --graph output.ttl
   

   这将返回与关键词相关的三元组结果。

特色功能操作

• 语义分块：OntoCast 自动将长文档分割为语义相似的块，确保提取的三元组更精准。用户无需手动设置分块参数，系统会根据语义相似性自动处理。
• 实体消歧：在处理多文档或长文档时，OntoCast 会识别和统一实体引用。例如，“Apple”在不同上下文中可能指公司或水果，OntoCast 会根据上下文正确分类。
• 多格式支持：用户可直接上传 PDF 或 Markdown 文件，OntoCast 会自动转换为内部处理格式，无需额外预处理。
• MCP 兼容性：通过 /process 端点，OntoCast 支持 Model Control Protocol，方便与其他系统集成。

注意事项

• 确保三元组存储服务（如 Fuseki）正常运行，否则提取结果无法保存。
• 处理大文档时，建议设置 RECURSION_LIMIT 和 ESTIMATED_CHUNKS 参数，避免性能问题。
• 项目文档位于 docs/ 目录，提供详细的用户指南和 API 参考。

应用场景

1. 学术研究
   研究人员可使用 OntoCast 从学术论文中提取关键概念和关系，构建领域知识图谱。例如，处理生物学论文时，可提取基因、蛋白质及其相互作用，生成可查询的知识库。
2. 企业文档管理
   企业可将内部文档（如技术手册、合同）转换为知识图谱，方便快速检索和分析。例如，从合同中提取条款、金额和相关方信息，提升信息管理效率。
3. 语义搜索优化
   网站开发者可使用 OntoCast 构建语义搜索功能，从非结构化内容中提取结构化数据，提升搜索结果的精准度。
4. 智能问答系统
   OntoCast 可为问答系统提供知识图谱支持。例如，从公司 FAQ 文档中提取三元组，回答用户关于产品或服务的具体问题。

QA

1. OntoCast 支持哪些文件格式？
   支持文本、JSON、PDF 和 Markdown 格式。未来可能扩展更多格式。
2. 如何选择三元组存储？
   推荐使用 Fuseki，配置更简单且性能优于 Neo4j。参考 docker/fuseki/.env.example 配置。
3. 是否需要预定义本体？
   不需要。OntoCast 可自动生成和优化本体，也支持用户提供自定义本体。
4. 如何处理大文档？
   建议增加 ESTIMATED_CHUNKS 参数（如设置为 50），并确保硬件资源充足。语义分块会自动优化处理。
5. 支持哪些语言模型？
   支持 OpenAI 的模型（如 gpt-4o-mini）和本地模型（如通过 Ollama 运行的模型）。