AI-Wiki

文档概览

本资料总字符数1480，共分为六大章节，依次为概述、起源与发展、表示方法、实践应用、构建与优化、存储引擎，完整覆盖知识图谱从基础定义到落地实践的全链路核心基础知识点。

知识图谱起源于互联网领域，最早落地于搜索引擎、智能问答、推荐计算场景，核心技术特点为通过规范化语义融合多来源数据，支持复杂关联数据的挖掘分析。

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，RDF三元组模型是该类模型的代表
知识表示（KR）：以计算机可处理的方式描述人脑知识，支持推理能力，与普通数据格式、数据结构存在本质区别
描述逻辑：一阶谓词逻辑的可判定子集，用于描述本体概念和属性，支撑本体知识库构建
产生式系统与框架理论：产生式系统为通用规则系统，是多数专家系统的基础；框架理论指人类对事物的认识以框架形式存储，可应用于对话系统等NLP任务
语义网络与属性图：属性图为Neo4j实现的图结构表示模型，为工业界主流应用方案；RDF三元组模型为W3C推动的语义数据交换标准，支持推理能力，可适配复杂本体表示语言OWL

RDF三元组模型以「主语-谓语-宾语」三元组结构表示知识，底层为有向标记图结构，节点代表资源、边代表关系，具备语义明确、灵活性高、数据整合能力强的优势，落地场景覆盖语义网、知识图谱、生物医学、文化遗产领域。

Schema设计为知识图谱构建的前置基础性工作，高质量知识图谱必须从Schema设计启动，Schema负责定义数据结构、约束与实体关系规则
深度应用场景下需支持复杂语义表达与推理能力，图模型天然接近人脑认知与自然语言逻辑，RDF三元组模型可作为中间参考标准，连接OWL与属性图数据库实现能力打通
图嵌入（graph embedding）为核心技术难点，不同领域的编码嵌入方式存在差异，编码质量直接决定知识图谱应用效果

知识图谱存储分为两类主流方案，分别为基于关系数据库的存储、基于原生图的存储。