8.3 · Triplet 嵌入模型（Triplet Embedding Model）

Triplet 嵌入模型

三元组嵌入模型

三元组嵌入模型将图关系表示为可嵌入的文本向量，从而支持对知识图谱进行关系感知的语义搜索。该模型通过将源节点、关系和目标节点信息组合成一个单一的文本表示，将图边转换为可搜索的数据点（DataPoint），然后可以通过向量相似度进行嵌入和检索。

有关通用数据点模型和图结构的信息，请参见8.1 核心数据模型。有关使用三元组的搜索策略，请参见4.2 基于图的搜索。

概述

三元组是一种专门化的表示形式，它封装了单个图边及其源节点和目标节点信息。与表示单个文档或片段的传统向量嵌入不同，三元组嵌入捕获了实体之间关系的语义含义。

三元组模型支持以下功能：

• 对知识图谱进行关系感知的语义搜索。
• 在边上（而非仅节点上）进行向量相似度匹配。
• 使用结构化关系信息丰富大语言模型（LLM）的上下文。
• 通过嵌入相似度引导图遍历。

来源： cognee/modules/retrieval/utils/brute_force_triplet_search.py:29-46，cognee/modules/graph/cognee_graph/CogneeGraphElements.py:108-115

三元组搜索与检索

基于三元组的检索核心是brute_force_triplet_search逻辑，它根据语义相似度编排相关图边的发现过程。

架构流程：从自然语言到图三元组

下图说明了自然语言查询如何映射到特定的代码实体和图结构，以检索三元组。

标题：三元组检索架构

Cognee · 架构流程：从自然语言到图三元组 · 图 1

来源： cognee/modules/retrieval/graph_completion_retriever.py:101-136，cognee/modules/retrieval/utils/brute_force_triplet_search.py:18-20，cognee/modules/retrieval/utils/brute_force_triplet_search.py:49-61，cognee/modules/graph/cognee_graph/CogneeGraph.py:18-40

三元组重要性评分

当检索到三元组时，系统不仅会基于向量相似度返回它们。Cognee 在CogneeGraph和检索工具中应用了一种重要性评分机制，该机制会考虑以下因素：

1. 向量距离：通过NodeEdgeVectorSearch检索到的与用户查询的相似度 cognee/modules/retrieval/utils/node_edge_vector_search.py:13-18。
2. 三元组距离惩罚：存储在CogneeGraph中的一个乘数（默认值为 6.5），应用于距离以归一化重要性 cognee/modules/graph/cognee_graph/CogneeGraph.py:38-38。
3. 反馈影响：根据通过feedback_weight属性跟踪的历史用户交互来调整分数 cognee/modules/retrieval/utils/brute_force_triplet_search.py:69-73。

来源： cognee/modules/retrieval/utils/brute_force_triplet_search.py:119-150，cognee/modules/graph/cognee_graph/CogneeGraph.py:33-40，cognee/modules/graph/cognee_graph/CogneeGraphElements.py:57-65

实现细节

三元组创建与记忆片段

三元组的创建涉及将图数据投影到CogneeGraph实例中，这通常被称为"记忆片段"。该片段是一个与当前查询上下文相关的子图，通过project_graph_from_db或project_neighborhood_from_db进行填充。

标题：三元组数据流

Cognee · 三元组创建与记忆片段 · 图 2

来源： cognee/modules/graph/cognee_graph/CogneeGraph.py:162-180，cognee/modules/retrieval/utils/brute_force_triplet_search.py:29-46，cognee/modules/graph/cognee_graph/CogneeGraphElements.py:108-115

关系感知嵌入管线

系统在cognify过程中或通过显式调用create_triplet_embeddings来生成三元组的嵌入向量。

1. 提取：使用get_graph_data或get_id_filtered_graph_data从图数据库中获取边 cognee/modules/graph/cognee_graph/CogneeGraph.py:123-133。
2. 格式化：format_triplets函数将Edge及其连接的Node属性转换为字符串 cognee/modules/retrieval/utils/brute_force_triplet_search.py:29-46。
3. 索引：格式化后的字符串被嵌入并保存到向量数据库的Triplet_text集合中 cognee/tests/test_search_db.py:115-125。

邻域搜索

一种更高级的三元组检索形式是邻域搜索。系统不是只查看孤立的三元组，而是通过向量搜索识别"种子节点"，然后遍历图到特定的neighborhood_depth，以收集一组相关的三元组。

关键参数：

• neighborhood_depth：从种子节点遍历的跳数 cognee/modules/retrieval/utils/brute_force_triplet_search.py:81-91。
• neighborhood_seed_top_k：用于邻域提取的最大种子节点数 cognee/modules/retrieval/utils/brute_force_triplet_search.py:59-60。

来源： cognee/modules/retrieval/utils/brute_force_triplet_search.py:80-91，cognee/modules/graph/cognee_graph/CogneeGraph.py:228-245

高级检索变体

三元组模型支持多种高级检索模式，这些模式通过专门的检索器实现：

来源： cognee/modules/retrieval/graph_completion_retriever.py:33-40，cognee/modules/retrieval/graph_completion_cot_retriever.py:36-50，cognee/modules/retrieval/graph_completion_context_extension_retriever.py:14-18，cognee/modules/retrieval/temporal_retriever.py:19-33