1   前言

在建構KG（知識圖）的初期，通常會先從有關的數據集中，擷取候選實體（Entity），并由LLM 萃取語意關系并建構初步三元組（Triple）圖譜，大幅提升初建KG的在地性與語義密度。然后，進行與有關的專家智慧進行融合，確認核心的節點，以及核心節點之間的重要連結，又稱為：邊（Edge）。例如，在上一期里所提到的基因醫學KG：

圖1

一旦確認核心實體（即節點）了，就需要思考如何建構這些節點之間的重要連結（即邊）。一般而言，其中的可能連結是很多樣化的，所以常常需要依據應用情境和目標來挑選，并建立于KG里，成為KG的重要邊（Edge）。

本文就已大家比較熟悉的餐酒搭配（food-wine pairing）為例，其典型的KG 架構如下：

圖2

茲以葡萄酒為例，葡萄酒與食物（餐）的搭配方法是很多樣化的，其中最典型的是：協調搭配（Congruent pairing）。在協調搭配中，所選食物和葡萄酒會有多種相同的化合物或風味。例如，甜酒搭配甜食，帶有黃油余味的紅葡萄酒搭配黃油意面。在打造協調搭配時，重要的一點是確保葡萄酒的風味不會被食物的風味所掩蓋。

協調搭配的好處在于，葡萄酒和食物能夠相互增強，并互相補充。想要打造協調搭配，紅酒是理想之選。紅酒的香氣和風味從櫻桃味到煙熏味，種類繁多，易于與類似的食物搭配。喝一杯酒體飽滿的西拉葡萄酒，它會具有與您最喜歡的一些烤肉相似的風味，使其成為絕佳的搭配。

于是，就來說明如何把這種協調搭配關聯，納入KG里，建構成為KG的核心邊。

2   以餐酒搭配（food-wine pairing）為例

一般而言，濃郁的食物搭配濃郁的酒，清淡的食物搭配清淡的酒。高酸度的食物搭配高酸度的酒，例如搭配色拉、醋漬料理等。甜味食物搭配甜度至少和其相同的酒，例如搭配甜點或甜酒。避免單寧較重的紅酒搭配油脂較多的魚類，可以選擇白酒或氣泡酒。適量鹽分有助于軟化紅酒的單寧，使口感更佳。高酸度的白酒可以搭配油炸食物或咸味料理。如下列的基本原則：

●   葡萄酒的酸度（Acidity）與油膩和甜食完美搭配。

●   苦味（Bitter）葡萄酒可以與甜食平衡。

●   甜味（Sweet）葡萄酒或食物需要少量酸度。

●   酒精可以用來中和油膩食物或平衡甜食。

收集數據

于是，就從//github.com/Rashik333網頁下載兩個CSV數據檔案：food_data.csv和wine_data.csv。其中，food_data.csv 的內涵是5 種食物的風味特征。如下：

而wine_data.csv的內容則是19種酒品的風味特征：

有了這兩個數據表格，就能找出食物與酒之關聯，來建立KG（圖2）的節點重要邊了。

計算相似度：建立food-wine 節點間的邊由于協調搭配（Congruent pairing）是指所選食物和葡萄酒會有多種相同的化合物或風味。亦即，食物和葡萄酒在某些關鍵風味特性（如甜、酸、咸、油脂、苦味等）上有明顯的相似性。于是，就使用Python 撰寫簡單的程序，來計算出食物與酒之間的余旋相似度（Cosine Similarity）矩陣。余弦相似度是基于兩個向量的夾角來度量的。其計算兩個向量之間夾角的余弦值，來衡量它們之間的相似度。然后，從這個相似度矩陣，Python 程序就能找出食物與酒之間的最相似的配對，并輸出如下：

這是從food和wine的風味（酸、甜、苦、咸）來找出相似性最高的配對。例如，第2 和第3 項食物的風味都與第0項酒品的風味是很相近（似）的。基于這樣的配對關系（關聯），就能建立KG里的食物（food）與酒（wine）節點間的連接邊了。

納入客人口味偏好：建立user-wine節點間的邊

接著，就來把人的食物氣味偏好納入KG 里。例如，有一位客人，名叫：”Mike”。在這5 項食物之中，他最喜歡的是：檸檬（Lemon）和鮭魚（Salmon）。就可以從這兩種食物的氣味值，來計算出平均值，如下：

計算相似度：建立user-wine節點間的邊

剛才已經計算出客人對食物氣味的偏好度了。于是，就使用Python 撰寫簡單的程序，來計算出Mike 偏好食物與酒之間的余旋相似度（Cosine Similarity）矩陣。然后，從這個相似度矩陣，Python 程序就能找出與Mike 偏好食物風味相似度最高的前3 項（Top-3）酒品，并輸出如下：

基于這樣的配對關系（關聯），就能建立KG 里的客人（user）與酒（wine）節點間的連接邊了。于是，為KG增添建構了重要的邊，如下圖：

圖3

這個KG含有4種節點型態：food、wine、flavor 和user節點型態。它也含有3 種邊型態：< 偏好>、< 協調搭配> 和< 協調偏好>。

3   結語

依循本文所示范的方法和技巧，可以繼續增添各種有意義的邊。例如，上述的餐酒KG 含有的節點型態（Node type） 有四：food、wine、flavor 和user。目前所含有的基本氣味有四：酸（Acidity）、甜（Sweet）、苦（Bitter）、咸（Salty）。于是，上圖里的KG 就可以增添< 具有風味> 新邊來表達這項< 含有> 關聯，通常這是有意義的邊。

此外，這KG 里還可以增添< 對比偏好> 新邊。其讓這KG 的user-wine 間具有兩種邊：

●   <協調（congruent） 偏好> 邊。例如，Mike顯然喜歡酸味的食物，就配對出較具酸味的葡萄酒。

●   <對比（contrasting）偏好>邊。例如，Mike顯然喜歡酸味的食物，就配對出較< 不具> 酸味的葡萄酒。

于是，這KG 就日漸成長壯大了。如下圖-4：

圖3

以上說明了，KG會持續更新、日益茁壯。當我們進一步拿KG 來訓練GNN模型時，GNN也能探索出反事實連結（Counterfactual Link），來日漸充實、優化KG，讓KG 生生不息、無盡繁榮。

（本文來源于《EEPW》202508）