AI-Wiki

基本定义

知识图谱是AI领域的结构化知识表示方法，核心逻辑为利用图结构建模、识别和推断实体与实体之间的复杂关联关系，是语义理解、智能问答、大数据决策分析、智能物联等场景的核心支撑技术。本词条内容参考AI领域原始文档：知识图谱基础介绍摘要编写。

知识图谱技术起源于互联网领域，最早落地应用于搜索引擎、智能问答、推荐系统三类场景，核心技术特点为通过规范化语义规则融合多来源异构数据，支持复杂关联数据的挖掘与隐含关系推导。

知识图谱的标准化表示方法包含以下6类：

有向标记图：最简单、最接近自然语言和人脑认知的数据模型，典型代表为RDF三元组模型，以「主语-谓语-宾语」的三元组结构描述资源关联，是W3C推动的语义数据交换标准，支持推理和复杂本体表示语言OWL，具备语义明确、灵活性高、数据整合能力强的特点，广泛应用于语义网、生物医学、文化遗产等领域。
知识表示（KR）：以易于计算机处理的形式描述人脑知识，核心特征为支持逻辑推理，区别于通用数据格式与数据结构。
描述逻辑：一阶谓词逻辑的可判定子集，专门用于描述本体概念和属性，是本体知识库构建的核心理论基础。
产生式系统与框架理论：产生式系统为广义规则系统，绝大多数早期专家系统基于该模式构建；框架理论认为人类对事物的认知以框架形式存储，目前广泛应用于对话系统等自然语言处理任务。
语义网络：以节点代表概念、边代表语义关联的知识表示模型，是知识图谱的早期理论原型。
属性图：工业界广泛应用的图结构表示模型，主流图数据库Neo4j即基于属性图模型实现。

高质量知识图谱构建的前置核心工作为Schema设计，属于基础性强制步骤，用于明确定义知识图谱的数据结构、字段约束与实体关系规则，后续的知识抽取、融合、入库环节均需遵循Schema要求执行。

知识图谱的存储体系分为两类：

基于关系数据库的存储：将图结构数据映射为关系表存储，适合结构化程度高、关联复杂度较低的知识图谱场景。
基于原生图的存储：针对图结构的遍历、关联查询特性优化的存储引擎，典型代表为Neo4j、Apache TinkerPop，适合高复杂度关联查询、大规模知识推理场景。

知识图谱的核心技术难点为图嵌入（Graph Embedding）编码，需要将图结构中的实体、关系转化为低维稠密向量支持后续机器学习任务，不同领域的知识图谱编码规则存在显著差异，需结合领域语义特征定制适配方案。