这篇札记根据已有的 Notion 研读笔记整理。它关心的不是给一个知识图谱打出总分，而是弄清：我们说它“质量好”时，究竟作出了怎样的承诺。
先确定我们在评价什么
知识图谱里的问题并不总是错误事实。某个实体可能缺少关系，也可能重复出现；一条关系曾经正确，如今却已经过时。准确性、一致性、完整性、时效性与冗余，指向不同的缺陷，也需要不同的检查方式。
更难的是开放世界假设：没有记录一条事实，并不能直接推出这条事实为假。 因而，“缺了多少”首先依赖我们期待它覆盖什么。若没有任务、时间范围或目标实体集，完整性很容易变成没有分母的指标。
同样，一个适合实体检索的图谱，未必足以支撑严格的逻辑推理。质量需要带着使用语境一起描述。
评估、检测与改进不能混为一谈
综述中的质量管理思路，可以沿着三个问题理解：
| 环节 | 要回答的问题 | 可能得到的东西 |
|---|---|---|
| 评估 | 目前在哪些维度上存在问题？ | 指标、抽样估计、覆盖情况 |
| 检测 | 哪些具体事实或结构值得复核？ | 可疑三元组、冲突规则、重复实体 |
| 改进 | 应该如何修正，又会引入什么影响？ | 修复建议、补全候选、版本变更 |
一个异常分数可以提示风险，却未必足以授权删除事实。补全出一条“很可能成立”的边，也不等于已经获得了可信的新知识。不同环节之间需要保留证据和不确定性。
方法之间的取舍
人工抽样接近具体语义，但成本和一致性需要控制。统计或表示学习方法适合发现大规模异常，却可能把少见但真实的事实当成噪声。逻辑与本体约束便于解释，但结论依赖约束本身是否正确、是否适用于当前数据。
因此，值得关注的不是哪一种方法能包办所有检查，而是它们如何配合：规则先缩小范围，统计排序帮助安排复核，人工判断反过来修正规则与样本。
留给后续研究的问题
我想继续追问的是：如果下游任务已经明确，能否把质量检查从笼统的全图评价，收敛为一组可解释的任务约束？
例如，查询必须使用最新的机构隶属关系，那么时效性与来源时间就比无关属性的覆盖率更紧迫。这提示我，评估对象也许应该是“图谱在一次任务中的可用部分”，而不只是整个图谱。
这是阅读之后形成的问题，还不是本文已经证明的结论。下一步可以与 Linked Data 质量框架对照，检查两者对评估范围、可访问性和动态更新的处理。