Hyper-Extract 的 8 种知识结构全解析Model 到 Spatio-Temporal Graph【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-ExtractHyper-Extract是一个由 LLM 驱动的知识提取框架能把财报、论文、合同等非结构化文本一条命令转成结构化的知识摘要Knowledge Abstract。它的核心能力之一就是内置了8 种知识结构AutoType——从最简单的单个对象 Model到最复杂的时空图谱 Spatio-Temporal Graph。选对结构提取结果的质量就成功了一半。本文带你一次看懂这 8 种结构分别是什么、何时该用。什么是知识结构AutoType可以把每种知识结构理解为给提取结果准备的**容器**它决定了 LLM 从文本里抽出的信息最终以什么形状落地。所有类型都具备四个共同特性特性说明 类型安全基于 Pydantic 校验保证字段合法 自包含内置搜索、可视化、保存等操作 可序列化可存盘、随时加载 可组合支持合并、增量扩展8 种结构分为两大类记录类型存数据不管实体关系和图谱类型建模实体之间的关系。它们全部定义在 hyperextract/types/ 模块中入口选择指南见 hyperextract/types/__init__.py。记录类型Model、List、Set1️⃣ AutoModel一份文档 → 一个对象类比一张待填的表单。把整篇文档的多个文本块视为同一个对象的不同侧面LLM 会自动把它们合并成一个一致的结果对象。适用公司财报收入、利润、增长率、产品规格、个人档案。{ company_name: Tesla Inc, revenue: 81.46, employees: 127855 }常用模板finance/earnings_summary、general/model。示例可看 examples/zh/autotypes/model_demo.py——它从苏轼传记中提取出生年份、朝代、代表作品等字段。2️⃣ AutoList有序的项目集合类比排名榜单。项目按顺序追加顺序有意义允许重复。适用Top 10 电影、分步骤流程、按时间先后排列的简单事件序列。常用模板general/list、legal/compliance_list。3️⃣ AutoSet自动去重的唯一集合类比一组唯一标签。你为项目指定唯一键如怪物名同一实体在多个文本块中出现时AutoSet会智能合并属性、去除重复。适用文档关键词、词表、实体注册表如 RPG 怪物图鉴。常用模板general/set、finance/risk_factor_set。 一句话区分List 保序可重复Set 去重合并Model 一切合成一个。图谱类型从二元关系到时空维度图谱类型由节点实体 边关系构成再按关系复杂度和附加维度逐级增强。4️⃣ AutoGraph标准知识图谱类比社交网络图。每条边恰好连接两个实体源 → 目标是最经典的知识图谱形态。适用人际关系合作、师徒、概念关系is-a、part-of、组织互动。常用模板general/graph、general/biography_graph。提取完成后用he show可以像下图一样交互式浏览节点与边的统计、搜索和详情5️⃣ AutoHypergraph超图多实体的一条边这是 Hyper-Extract 的招牌结构。普通图的边只连 2 个实体而超图的一条超边可以同时连接3 个以上实体天然适合多方协作类场景。适用项目团队、买方/卖方/经纪人、群体成员关系。{ entities: [Tesla, Westinghouse, Niagara], type: collaboration }常用模板general/base_hypergraph。6️⃣ AutoTemporalGraph图谱 时间在边上加了时间组件。它会把观察时间注入提示词因此能解析昨天、上周等相对时间表达落盘为具体时间。适用传记时间线、项目历史、财经事件时间线。常用模板general/base_temporal_graph、finance/event_timeline。7️⃣ AutoSpatialGraph图谱 空间实体或关系附带地理坐标并解析附近等相对位置描述。适用旅行日志、地理网络、基于位置的资产追踪。常用模板general/base_spatial_graph。8️⃣ AutoSpatioTemporalGraph图谱 时间 空间最强形态每条关系同时具备谁、做了什么、何时、何地的完整上下文。适用军事历史带时间地点的战役、流行病追踪、历史迁徙。常用模板general/base_spatio_temporal_graph。怎么选一张决策表就够了你的需求选择单份结构化摘要表单/档案AutoModel有序列表、排名AutoList关键词、标签、去重集合AutoSet两个实体间的关系AutoGraph关系涉及 3 个以上实体AutoHypergraph关系需要时间信息AutoTemporalGraph关系需要地理位置AutoSpatialGraph时间 地点全都要AutoSpatioTemporalGraph更细的决策树和用例对照表可参考官方文档 docs/zh/concepts/autotypes.md。动手一步用内置模板零代码提取选好结构后你其实不用写任何 Python——Hyper-Extract 内置了 80 个 YAML 模板每个模板都预设了合适的知识结构和字段。在 hyperextract/templates/presets/ 下按领域finance / legal / medicine / tcm / industry / general分好了目录。he parse paper.md -t general/graph -o ./kb/ # 一条命令完成提取 he show ./kb/ # 可视化查看 he search ./kb/ 关键概念有哪些 # 语义搜索 he talk ./kb/ # 与知识摘要对话提取后还可以随时he feed新文档做增量更新让知识库随文档生长。项目架构与延伸阅读在整体架构中8 种知识结构位于核心引擎之下与 10 提取方法GraphRAG、LightRAG、Hyper-RAG 等和模板体系协同工作延伸资料完整概念说明docs/zh/concepts/autotypes.md8 种类型的源码入口hyperextract/types/__init__.py每种类型的可运行示例examples/zh/autotypes/Python API 参考Base / Graphs / Structuresdocs/zh/python/api-reference/autotypes/选型小建议新手直接从general/目录的基础模板起步当你的数据出现多方关系或时间地点需求时再切换到超图或时空图谱——结构选得越精准后续搜索与问答的效果就越好。【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-Extract创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Hyper-Extract 的 8 种知识结构全解析：Model 到 Spatio-Temporal Graph
Hyper-Extract 的 8 种知识结构全解析Model 到 Spatio-Temporal Graph【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-ExtractHyper-Extract是一个由 LLM 驱动的知识提取框架能把财报、论文、合同等非结构化文本一条命令转成结构化的知识摘要Knowledge Abstract。它的核心能力之一就是内置了8 种知识结构AutoType——从最简单的单个对象 Model到最复杂的时空图谱 Spatio-Temporal Graph。选对结构提取结果的质量就成功了一半。本文带你一次看懂这 8 种结构分别是什么、何时该用。什么是知识结构AutoType可以把每种知识结构理解为给提取结果准备的**容器**它决定了 LLM 从文本里抽出的信息最终以什么形状落地。所有类型都具备四个共同特性特性说明 类型安全基于 Pydantic 校验保证字段合法 自包含内置搜索、可视化、保存等操作 可序列化可存盘、随时加载 可组合支持合并、增量扩展8 种结构分为两大类记录类型存数据不管实体关系和图谱类型建模实体之间的关系。它们全部定义在 hyperextract/types/ 模块中入口选择指南见 hyperextract/types/__init__.py。记录类型Model、List、Set1️⃣ AutoModel一份文档 → 一个对象类比一张待填的表单。把整篇文档的多个文本块视为同一个对象的不同侧面LLM 会自动把它们合并成一个一致的结果对象。适用公司财报收入、利润、增长率、产品规格、个人档案。{ company_name: Tesla Inc, revenue: 81.46, employees: 127855 }常用模板finance/earnings_summary、general/model。示例可看 examples/zh/autotypes/model_demo.py——它从苏轼传记中提取出生年份、朝代、代表作品等字段。2️⃣ AutoList有序的项目集合类比排名榜单。项目按顺序追加顺序有意义允许重复。适用Top 10 电影、分步骤流程、按时间先后排列的简单事件序列。常用模板general/list、legal/compliance_list。3️⃣ AutoSet自动去重的唯一集合类比一组唯一标签。你为项目指定唯一键如怪物名同一实体在多个文本块中出现时AutoSet会智能合并属性、去除重复。适用文档关键词、词表、实体注册表如 RPG 怪物图鉴。常用模板general/set、finance/risk_factor_set。 一句话区分List 保序可重复Set 去重合并Model 一切合成一个。图谱类型从二元关系到时空维度图谱类型由节点实体 边关系构成再按关系复杂度和附加维度逐级增强。4️⃣ AutoGraph标准知识图谱类比社交网络图。每条边恰好连接两个实体源 → 目标是最经典的知识图谱形态。适用人际关系合作、师徒、概念关系is-a、part-of、组织互动。常用模板general/graph、general/biography_graph。提取完成后用he show可以像下图一样交互式浏览节点与边的统计、搜索和详情5️⃣ AutoHypergraph超图多实体的一条边这是 Hyper-Extract 的招牌结构。普通图的边只连 2 个实体而超图的一条超边可以同时连接3 个以上实体天然适合多方协作类场景。适用项目团队、买方/卖方/经纪人、群体成员关系。{ entities: [Tesla, Westinghouse, Niagara], type: collaboration }常用模板general/base_hypergraph。6️⃣ AutoTemporalGraph图谱 时间在边上加了时间组件。它会把观察时间注入提示词因此能解析昨天、上周等相对时间表达落盘为具体时间。适用传记时间线、项目历史、财经事件时间线。常用模板general/base_temporal_graph、finance/event_timeline。7️⃣ AutoSpatialGraph图谱 空间实体或关系附带地理坐标并解析附近等相对位置描述。适用旅行日志、地理网络、基于位置的资产追踪。常用模板general/base_spatial_graph。8️⃣ AutoSpatioTemporalGraph图谱 时间 空间最强形态每条关系同时具备谁、做了什么、何时、何地的完整上下文。适用军事历史带时间地点的战役、流行病追踪、历史迁徙。常用模板general/base_spatio_temporal_graph。怎么选一张决策表就够了你的需求选择单份结构化摘要表单/档案AutoModel有序列表、排名AutoList关键词、标签、去重集合AutoSet两个实体间的关系AutoGraph关系涉及 3 个以上实体AutoHypergraph关系需要时间信息AutoTemporalGraph关系需要地理位置AutoSpatialGraph时间 地点全都要AutoSpatioTemporalGraph更细的决策树和用例对照表可参考官方文档 docs/zh/concepts/autotypes.md。动手一步用内置模板零代码提取选好结构后你其实不用写任何 Python——Hyper-Extract 内置了 80 个 YAML 模板每个模板都预设了合适的知识结构和字段。在 hyperextract/templates/presets/ 下按领域finance / legal / medicine / tcm / industry / general分好了目录。he parse paper.md -t general/graph -o ./kb/ # 一条命令完成提取 he show ./kb/ # 可视化查看 he search ./kb/ 关键概念有哪些 # 语义搜索 he talk ./kb/ # 与知识摘要对话提取后还可以随时he feed新文档做增量更新让知识库随文档生长。项目架构与延伸阅读在整体架构中8 种知识结构位于核心引擎之下与 10 提取方法GraphRAG、LightRAG、Hyper-RAG 等和模板体系协同工作延伸资料完整概念说明docs/zh/concepts/autotypes.md8 种类型的源码入口hyperextract/types/__init__.py每种类型的可运行示例examples/zh/autotypes/Python API 参考Base / Graphs / Structuresdocs/zh/python/api-reference/autotypes/选型小建议新手直接从general/目录的基础模板起步当你的数据出现多方关系或时间地点需求时再切换到超图或时空图谱——结构选得越精准后续搜索与问答的效果就越好。【免费下载链接】Hyper-ExtractHypergraph is more powerful. Transform unstructured text into structured knowledge with LLMs. Graphs, hypergraphs, and spatio-temporal extractions — with one command.项目地址: https://gitcode.com/GitHub_Trending/hy/Hyper-Extract创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考