万维网兴起之后，人们的生活逐渐趋于多元化、文化交流日益频繁，信息科技行业的发展也蓬勃旺盛。大数据、云平台、人工智能、认知智能、机器学习、深度学习、NLP、神经网络等概念逐渐涌出并热度不断。其中，知识图谱的兴起很值得我们关注。
知识图谱
知识图谱，Knowledge Graph。
网上大多数资料的传播来源于 2012 年 Google 对 Knowledge Graph 的应用介绍。因此也有人将知识图谱的起源归于 Google。
另据 WikiPedia 介绍，其历史起源当在1970s 左右。时至今日，不同的企业对 Knowledge Graph 的理解、认识与应用也各尽不同，定义也众说不一。但无论如何，对于其蕴含的“图”数据结构是没有争议的。
需要注意的是，“知识图谱”不等价于“图数据库”，知识图谱可以使用“图数据库”，也可不用。用了“图数据库”也不能说就是“知识图谱”。
“图数据库”只是一种在数据库管理系统里用到的存储或组织图结构数据的一个“仓库”。知识图谱用不用图数据库，具体取决于构建知识图谱过程中选择的存储方案。
基本描述
常见的知识图谱平台，主要具备：知识加工、知识存储、知识管理、应用展示等能力。
按照 DIKW 体系描述, 数据、信息、知识、智慧 是一个逐级发展、按类似金字塔模型产生价值的过程。
我们通常看到的是数据，从数据里头提取出有用的信息，然后再将信息加工为知识，最后使用知识产生智慧，以生产价值，辅助人机进行决策等等。
因此我们在此处描述知识加工时，已经隐含了对各种多源异构的数据进行治理、加工为知识的过程。
一般，行业会将知识图谱主要具备的功能划分为：知识获取、图谱构建、知识存储、图谱应用。此处将其总结为“四字真决”，即 “取”、“建”、“存”、“用”。
- 知识获取，指知识数据加工的过程，主要技术手段会涉及但不限于类似数据治理中 采集、降噪、清洗、标准化、等过程。偏数据处理，可理解为DIKW中的从数据到信息的加工过程。
- 图谱构建，一般指对数据进行加工，形成图谱结构的过程。过程中会使用包含但不限于数据挖掘、模式识别、NLP、知识发现、知识消歧、融合等诸多算法及技术手段。偏知识处理，可理解为DIKW中的从信息到知识的加工过程。
- 知识存储，主要是对加工的知识按照某种体系结构或方式进行组织、持久存储的过程。
- 图谱应用, 主要指基于构建的知识图谱，提供相关能力服务及应用过程。此过程包含了知识的管理与使用。
其中，知识获取为最基础的功能。其源数据治理加工的过程，决定了最后构建出图谱知识数据的可信度与后续附加产生价值的高低。构建与存储互为制约。随着大量碎片化知识数据的不断沉淀、积累，图谱存储会影响后期构建的难易程度，进一步会影响最后构建出的图谱的应用性能。图谱应用主要有能力服务和应用服务，可分别为其他应用提供图谱相关的能力或基于此能力构建直接面向客户的应用。
图模型
常见的图数据组织主要有两种模型：
- RDF
- Property Graph（属性图）
有关 RDF 模型我们可以做如下描述：
The RDF data model is similar to classical conceptual modeling approaches (such as
entity–relationshiporclass diagrams). It is based on the idea of making statements about resources (in particular web resources) in expressions of the form subject–predicate–object, known as triples. The subject denotes the resource, and the predicate denotes traits or aspects of the resource, and expresses a relationship between the subject and the object.
RDF 通常用来指导构建语义网（Seamantic Web）。主、谓、宾 式的三元组结构对于语句进行语义分析后的表述很妥帖。其利用类似 URI 的思想，有利于通过网络提供“资源”服务。使用 RDF 模型组织的数据，最终表现结构也是具有“图”这种特征。
比如有语句进行分析后：
<小新>(S) 的 <父亲是>(P) <广志>(O)。， <小新>(S) 的 <母亲是>(P) <美冴>(O)。， <小新>(S) 的 <姓名是>(P) <野原新之助>(O)。， <小新>(S) 的 <住址是>(P) <日本埼玉县春日部市>(O)。， <美冴>(S) 的 <住址是>(P) <日本埼玉县春日部市>(O)。， <美冴>(S) 的 <生日是>(P) <1969年9月21日>(O)。，那么三元组分别是(小新, 父亲是, 广志)，(小新, 母亲是, 广志)，(小新, 姓名是, 野原新之助)，(小新, 住址是, 日本埼玉县春日部市)，(美冴, 住址是, 日本埼玉县春日部市)，(美冴, 生日是, 1969年9月21日)。
用图结构表示
--- title: 语义网表示方式 --- flowchart LR; Shin(小新) --> P_father_is(父亲是) --> Hiroshi(广志); Shin(小新) --> P_mother_is(母亲是) --> Misae(美冴); Shin(小新) --> P_name_is(姓名是) --> 野原新之助; Shin(小新) --> P_location_is(住址是) --> 日本埼玉县春日部市; Misae(美冴) --> P_location_is(住址是); Misae(美冴) --> P_birthday_is(生日是) --> 1969年9月21日; style Shin fill:#FF9900 style Misae fill:#FF9900 style Hiroshi fill:#FF9900 style P_father_is fill:#FFFFCC style P_mother_is fill:#FFFFCC style P_name_is fill:#FFFFCC style P_location_is fill:#FFFFCC style P_birthday_is fill:#FFFFCC click Shin href "https://baike.baidu.com/item/野原新之助" "野原新之助" _blank click Hiroshi "https://baike.baidu.com/item/野原广志" _blank click Misae "https://baike.baidu.com/item/野原美冴" _blank
The Semantic Web, sometimes known as Web 3.0 (not to be confused with Web3), is an extension of the World Wide Web through standards set by the World Wide Web Consortium (W3C). The goal of the Semantic Web is to make Internet data machine-readable.
属性图简单的可理解为，具有图结构特征的模型，然后再给图的点、边附加上属性而形成的一种模型。
A property graph is a type of graph modelwhere relationships not only are connections but also carry a name (type) and some properties.
---
title: 属性图表示方式(1)
---
graph LR;
Shin("小新\n姓名:野原新之助\n住址:日本埼玉县春日部市") -- 父亲是 --> Hiroshi("广志");
Shin -- 母亲是 --> Misae("美冴\n生日:1969年9月21日\n住址:日本埼玉县春日部市");
style Shin fill:#FF9900
style Misae fill:#FF9900
style Hiroshi fill:#FF9900
---
title: 属性图表示方式(2)
---
graph LR;
Shin("小新\n姓名:野原新之助\n住址:日本埼玉县春日部市") --> father_is(父亲是) --> Hiroshi("广志");
Shin --> mother_is(母亲是) --> Misae("美冴\n生日:1969年9月21日\n住址:日本埼玉县春日部市");
style Shin fill:#FF9900
style Misae fill:#FF9900
style Hiroshi fill:#FF9900
style father_is fill:#336699
style mother_is fill:#336699
诸如此类，表示的方法多种多样，不限于一种。当前行业构建图谱多以 本体论(Ontologies) 为指导，学术界多以 Protege 做参考。
然，在工程落地时，需多注意，勿囿于一种概念，须博采众长。
Protege RDF/XML Ontologies 举例：
1 |
|
--- title: 将上述 OWL/XML 表示成图的方式，可理解为： --- graph RL; subgraph Ontology %% 本体 %% Onto(Ontology) -- owl:Ontology --> Onto_Ins(人物关系图谱); %% 本体 Classes %% Onto_Ins(人物关系图谱) -- rdfs:Class --> Class_Person(人物关系图谱#Person); OP_father_is(人物关系图谱#father_is) -- rdfs:subPropertyOf --> owl_TOP(owl#topObjectProperty); OP_mother_is(人物关系图谱#mother_is) -- rdfs:subPropertyOf --> owl_TOP(owl#topObjectProperty); DP_name(人物关系图谱#name) -- rdfs:subPropertyOf --> owl_TDP(owl#topDataProperty); DP_alias(人物关系图谱#alias) -- rdfs:subPropertyOf --> owl_TDP(owl#topDataProperty); DP_birthday(人物关系图谱#birthday) -- rdfs:subPropertyOf --> owl_TDP(owl#topDataProperty); DP_location(人物关系图谱#location) -- rdfs:subPropertyOf --> owl_TDP(owl#topDataProperty); %% 本体 Object Properties %% Onto_Ins(人物关系图谱) -- owl:ObjectProperty --> OP_father_is(人物关系图谱#father_is); Onto_Ins(人物关系图谱) -- owl:ObjectProperty --> OP(人物关系图谱#mother_is); %% 本体 Data Properties %% Onto_Ins(人物关系图谱) -- owl:DatatypeProperty --> DP_name(人物关系图谱#name); Onto_Ins(人物关系图谱) -- owl:DatatypeProperty --> DP_alias(人物关系图谱#alias); Onto_Ins(人物关系图谱) -- owl:DatatypeProperty --> DP_birthday(人物关系图谱#birthday); Onto_Ins(人物关系图谱) -- owl:DatatypeProperty --> DP_location(人物关系图谱#location); end subgraph Individuals %% Individuals %% Class_Person(人物关系图谱#Person) -- owl:Individuals --> Individual_Shin(人物关系图谱#小新); Class_Person(人物关系图谱#Person) -- owl:Individuals --> Individual_Hiroshi(人物关系图谱#广志); Class_Person(人物关系图谱#Person) -- owl:Individuals --> Individual_Misae(人物关系图谱#美冴); Individual_Shin(人物关系图谱#小新) --> father_is; father_is --> Individual_Hiroshi(人物关系图谱#广志); Individual_Shin(人物关系图谱#小新) --> mother_is; mother_is --> Individual_Misae(人物关系图谱#美冴); %% 本体约束 %% father_is -.-> OP_father_is(人物关系图谱#father_is); OP_father_is(人物关系图谱#father_is) -.-> Individual_Hiroshi(人物关系图谱#广志); mother_is -.-> OP_mother_is(人物关系图谱#mother_is); OP_mother_is(人物关系图谱#mother_is) -.-> Individual_Misae(人物关系图谱#美冴); Individual_Shin(人物关系图谱#小新) -- 人物关系图谱#name --> 野原新之助; Individual_Shin(人物关系图谱#小新) -- 人物关系图谱#location --> 日本埼玉县春日部市; %% 本体约束 %% Individual_Shin(人物关系图谱#小新) -.-> DP_name(人物关系图谱#name); Individual_Shin(人物关系图谱#小新) -.-> DP_location(人物关系图谱#location); DP_name(人物关系图谱#name) -.-> 野原新之助; DP_location(人物关系图谱#location) -.-> 日本埼玉县春日部市; Individual_Hiroshi(人物关系图谱#广志) -- 人物关系图谱#name --> 野原广志; %% 本体约束 %% Individual_Hiroshi(人物关系图谱#广志) -.-> DP_name(人物关系图谱#name); DP_name(人物关系图谱#name) -.-> 野原广志; Individual_Misae(人物关系图谱#美冴) -- 人物关系图谱#name --> 野原美冴; Individual_Misae(人物关系图谱#美冴) -- 人物关系图谱#alias --> 小山美冴; Individual_Misae(人物关系图谱#美冴) -- 人物关系图谱#birthday --> 1969年9月21日; Individual_Misae(人物关系图谱#美冴) -- 人物关系图谱#location --> 日本埼玉县春日部市; %% 本体约束 %% Individual_Misae(人物关系图谱#美冴) -.-> DP_name(人物关系图谱#name); Individual_Misae(人物关系图谱#美冴) -.-> DP_alias(人物关系图谱#alias); Individual_Misae(人物关系图谱#美冴) -.-> DP_birthday(人物关系图谱#birthday); Individual_Misae(人物关系图谱#美冴) -.-> DP_location(人物关系图谱#location); DP_name(人物关系图谱#name) -.-> 野原美冴; DP_alias(人物关系图谱#alias) -.-> 小山美冴; DP_birthday(人物关系图谱#birthday) -.-> 1969年9月21日; DP_location(人物关系图谱#location) -.-> 日本埼玉县春日部市; end
应用场景
知识图谱可应用于搜索、推荐、问答、计算、分析推理、预测、补全、可视化展示等多种场景。
- 搜索、推荐与问答
一般是统一以搜索服务能力体现的。主要以搜索返回的查询结果来体现价值。有关推荐问答又可分为多种类型，此处不叙。
- 图计算
图计算主要指查询过程中的资源规划、执行运算的过程。一般主要描述图的查询、遍历。比如以单体还是分布式、深度还是广度、节点或边是否唯一经过、是否允许环路、如何切图、剪枝等等策略条件的运算过程。
需注意的是，不要与图算法混淆，算法主要注重与图谱中知识的运算方法、步骤，比如 社区发现、核心节点、关键位置等等图应用算法；而“计算”主要偏重于运行过程中的资源规划、执行过程。
二者的边界不是十分的清晰，但是侧重点各不同。有时候“计算”会使用“算法”，“算法”也会考虑“计算”。
有关图计算，可简单的理解为算法在底层硬件资源、存储结构平台运行的策略过程。
- 分析推理
利用已有知识来产生未知知识的过程。
逻辑推理主要有两种：
- 演绎：从一般性的原理而推演出个别例子的结论。从一般到个别。 e.g.: 人都会死，野原新之助是人，所以野原新之助会死。
- 归纳：从个别事物的特征推演出一般性的结论。从个别到一般。 e.g.: 野原新之助会死，野原向日葵会死，...., 野原新之助、野原向日葵是人，所以人会死。
在人物关系知识图谱中，可以用作人与人之间的关系推理。比如：
图谱本体，人与人之间存在父子、母子、兄弟、姐妹、夫妻关系。
图谱实体，小新与广志是父子关系，广志与美冴是夫妻关系。
分析推理，小新、广志、美冴是人，所以可以演绎推理出小新与美冴是母子关系。
演绎与归纳如同八卦中的阴阳，又如自然四季或一天中的昼夜，循环往复，互相渗透，跟随人类认知逐渐演化，二者相逐发展，时而对立、时而相辅。一般情况下，演绎是将“真理”（一个）推及“普遍个体”（多个）的过程，结论大多都是正确的；而归纳是多个“普遍个体”总结得出“一般真理”的过程，不具备普遍性，有可能会出现“伪结论”。
又如，在欧洲神话故事中存在 俄狄浦斯在未知情的情况下，杀父娶母的故事。这个人物关系，若用上述逻辑推理，那是有悖的。但是这些知识从我们一开始归纳描述的“本体”还是现实之“实体”的角度去考虑，都是站不住脚的，会出现“伪”的情况。佛经故事人物莲花色同样是个悲剧，其与母共享丈夫。后又命运多舛，在未知情的情况下，与子结为夫妻并诞子。此等故事，若无人类发展过程中“人伦纲常”、“伦理”等的制约，极有可能会普遍存在。因此对于“知识”的“价值”、“真伪”，全植根与人类的“生活”，有关知识与生活相关的论述会单开文章进行介绍，此处不叙。
- 预测
在已有知识数据的情况下，通过某种算法来预测将来发生或出现的事件、迹象的过程。
举例，在过去的一年里 张三 与 李四 每个月都通话，那么可以预测接下来的一个月，有极大的可能两人也会通话。
- 补全
知识补全，一般是使用图谱中已有的知识数据来通过某种算法匹配，得到残缺知识数据的值可能是什么的过程。
比方，从已有图谱里知道：有个 姓名 是 野原新之助 的 人 的 身份证号码是 110101,电话号码为151。
从某残缺的文档里头获知 有个 身份证号码是110101 的叫 野原XXX 的人。
那么由此可以补全残缺文档里头的 野原XXX 为 野原新之助的可信度极高。
- 可视化
一般指的是以各种可见形式进行数据展示的方法。比如表格展示、图表展示、图谱表示等等。
我们可以使用社交场景下的虚拟账号间的通联数据来构建出社交图谱。在可视化展示方面，可以用表格展示账号背景信息，图表统计展示虚拟账号每月登录频次、在线时长等，拓扑网络结构去展示账号关系等等。更进一步的，也可以用以代表现实社会中人物之间的关系图谱，做其他研究之用。
总之，知识图谱在认知智能、数据挖掘和智能计算各方面都可应用并以不同的形式存在，有利与知识传承、分析利用，产生价值，洞见更多智慧。
国内外知识图谱企业
国外主要有Google、 Microsoft、Facebook等，应用以行业为主，主要用来赋能各自产业内部其它产品。国内主要有百度、华为、阿里等提供平台级知识图谱，可构建通用或行业知识图谱及其服务。
Google Knowledge Graph：A knowledge graph used by Google and its services to enhance its search engine results.
Google Assistant：A virtual assistant from Google that gets answers from a knowledge graph.
–
Google’s search results sometimes show information that comes from our Knowledge Graph, our database of billions of facts about people, places, and things. The Knowledge Graph allows us to answer factual questions such as “How tall is the Eiffel Tower?” or “Where were the 2016 Summer Olympics held.” Our goal with the Knowledge Graph is for our systems to discover and surface publicly known, factual information when it’s determined to be useful.
搜索：使用知识图谱提升搜索引擎返回的结果集；
问答：谷歌助手从知识图谱中获取问题的答案。
Facebook refers to the graph of relationships it maintains between its various people, pages and other objects as its knowledge graph.
社交网络与资源：人、页面和其它对象之间关系图。
LinkedIn maintains a knowledge graph of members, jobs, titles, skills, companies, geographical locations, schools and other entities.
人力画像：成员、职位、头衔、技能、公司、地理位置、学校和其他实体。
Airbnb
Airbnb maintains a knowledge graph of entities including restaurants, neighborhoods, experiences and events to personalise reults for its guests.
住宿、客户画像：餐厅、社区、体验和活动、宾客个性化服务。
Microsoft
Microsoft’s knowledge graph informs Bing search engine and is the knowledge store for the Bing Entity Search API.
搜索：支撑必应实体搜索。
Amazon
Amazon is building a knowlege graph to provide information relevant to every one of their products.
产品信息：提供各款产品相关的信息。
Uber
Uber maintains a food knowledge graph to inform its Uber Eats service.
食品：给 Uber Eats （注：一款送餐软件）提供服务。
eBay
EBay maintains a knowledge graph to support the Natural Language Understanding (NLU) capability of its shopBot service.
自然语言理解：给shopBot(购物机器人) 提供 NLU 服务。
百度
智能知识图谱平台 ——平台级产品，可构建通用或行业知识图谱
基于百度搜索核心技术积累，智能知识图谱平台通过整合企业关联信息，挖掘海量互联网非结构化、半结构化及结构化数据，运用多种智能分析算法，生成全方位洞察，帮助企业打造智能应用。
阿里
阿里云知识图谱 ——平台级产品，可构建通用或行业知识图谱
阿里云知识图谱（Knowledge Graph），一站式提供优秀的知识图谱AI能力与解决方案。目前已在医疗、公安、司法、电力等行业成功构建了知识图谱并落地应用，阿里云知识图谱支持整合全球开放数据与企业内部数据，针对不同行业和应用场景，为客户提供知识图谱一站式解决方案。
华为
知识图谱平台 ——平台级产品，可构建通用或行业知识图谱
知识图谱服务是一款知识图谱构建工具，提供一站式知识图谱构建平台，提供本体设计、信息抽取、知识映射、多源融合以及增量更新等功能。
腾讯
腾讯知识图谱 ——平台级产品，可构建通用或行业知识图谱
腾讯知识图谱（Tencent Knowledge Graph，TKG）是一个集成图数据库、图计算引擎和图可视化分析的一站式平台。支持抽取和融合异构数据，支持千亿级节点关系的存储和计算，支持规则匹配、机器学习、图嵌入等图数据挖掘算法，拥有丰富的图数据渲染和展现的可视化方案。
国双
知识智能平台 ——平台级产品，可构建通用或行业知识图谱
国双知识智能平台依托NLP、知识图谱、机器学习、深度学习等技术能力，形成模型构建、数据标注、知识抽取、知识计算和应用的完整工具链，实现“数据->知识->应用->优化”的一站式全生命周期管理，加速知识“收集->沉淀->共享->创新”。GKP包括知识管理台、知识加工台、算法开发台、智能搜索、智能推荐、智能问答、图谱可视分析七大子系统。已服务于油气、制造、大交通、电网、司法、政府等领域。
美团
美团大脑 ——赋能内部业务，行业知识图谱
餐饮娱乐知识图谱——美团大脑，它将充分挖掘关联各个场景数据，用AI技术让机器“阅读”用户评论数据，理解用户在菜品、价格、服务、环境等方面的喜好，挖掘人、店、商品、标签之间的知识关联，从而构建出一个“知识大脑”。美团大脑已经在公司多个业务中初步落地，例如智能搜索推荐、智能金融、智能商户运营等。
…
美团大脑将充分挖掘关联各个场景数据，用AI技术让机器“阅读”用户评论和行为数据，理解用户在菜品、价格、服务、环境等方面的喜好，构建人、店、商品、场景之间的知识关联，从而形成一个“知识大脑”。
…
美团大脑围绕用户打造吃喝玩乐全方面的知识图谱，从实际业务需求出发，在现有数据表之上抽象出数据模型，以商户、商品、用户等为主要实体，其基本信息作为属性，商户与商品、与用户的关联为边，将多领域的信息关联起来，同时利用评论数据、互联网数据等，结合知识获取方法，填充图谱信息，从而提供更加多元化的知识。
…
在美团大脑知识构建过程中，我们也会使用深度学习技术，把数据背后的知识挖掘出来，从而赋能业务，实现智能化的本地生活服务，帮助每个人“Eat Better, Live Better”。
餐饮娱乐：用户、商户、菜品。
其他行业场景应用场景
能源：设备知识库、故障诊断、科技情报、降能提效、油气勘探、产量预测、设备监控、故障诊断、维修指导、生产运输、产投科研等。油气勘探可积累地质数据，如盆地、构造单元、断层等。油气的生产运输可按照站点、生产井、区块、车队、仓库等数据。像电力行业、油气行业可分别通过行业积累数据进行构建个性化知识图谱。
金融：金融风控、合规校验、审批、智能投研、欺诈阻断、反洗钱、循环担保识别等。可使用用户基本信息、交易数据做为基础数据。
通信：设备运维、精准营销、故障诊断与修复等。可根据基础设施，如铁塔、基站、扇区、小区等的运维数据构建。
司法：辅助审判、类案推荐、文书写作等。可通过起诉书、证明材料、答辩书、判决书、法律法典、经典案例等收集数据。
政务：政策问答、办事指南、案件侦破、情报挖掘、舆情风控、股权穿透、投资指导等。公安政务数据按照公安“五要素”整理，工商按照企业注册信息等
制造：流水线优化、路径规划、节点调度等。
零售：导购、购物推荐、仓库管理、物流规划、智能客服、物品安装指导、渠道优化、物品溯源等。可通过行业供应商、零售、物流、售后等运转环境积累数据构建相应知识图谱。
医疗：导诊、病案、临床决策、医药研发、科研教学等。可通过药品说明书、临床病例、医学文献等积累数据。
交通：道路出行、信号控制、流量预测、识别违章、事故处理、档案管理等。
安全：流量监控、设备管理、信息审核等。
图书管理：文档管理、迭代、沉淀、校勘、传递等。
参考
有些参考链接已随上边的描述加为 超链接，以下一些链接，可供出处参考。
- Wikipedia- Graph theory
- Wikipedia - Graph
- Wikipedia - Semantic Web
- W3C - Semantic Web
- Protege Views
- Wikipedia - Knowledge Graph
- Ontotext - What is a Knowledge Graph
- Stardog - What is a Knowledge Graph
- arXiv - Knowledge Graphs
- Knowledge Graph Enterprise
- How Google’s Knowledge Graph works
- Wikipedia - LinkedIn’s Knowledge Graph
- Building The LinkedIn Knowledge Graph
- Wikipedia - Graph Database
- Graph Data Modeling
- The Atoms and Molecules of Data Models
- What Is a Property Graph
- The Property Graph Model
- The Property Graph Database Model
- Wikipedia - Resource Description Framework
- Wikipedia - RDF Schema
