知识图谱（Knowledge Graph）以结构化形式描述客观世界中的概念、实体及其关系，本质上是一种语义网络——节点代表实体或概念，边代表语义关系。它把互联网信息表达成更接近人类认知的形式。本笔记覆盖知识图谱从表示、构建到推理、应用的完整链路。

基础概念

三大要素：

• 实体：知识图谱的基本组成部分，现实世界任何事物（人物/地点/组织/概念），有唯一标识符
• 关系：定义实体间联系，通常表示为三元组（主体，谓词，客体），如（苹果，是，水果）
• 属性：实体的额外信息（如"出生日期""职业"），是实体间关系的基础

发展历史：1955-1977 引文网络/语义网络起源 → 1977-2012 语义网络发展、"知识本体"研究（知识工程、语义网）→ 2012 至今 谷歌提出 Google Knowledge Graph 正式得名，成为知识服务热点。

知识类型：事实知识（最常见，如"柏拉图出生地雅典"）、词汇知识（WordNet）、概念知识（类属/子类层级，YAGO/Probase）、常识知识（Cyc/ConceptNet，获取是 AI 发展瓶颈）。

时空维度：很多事实成立有时空条件，需加时间维度，如（2024-01-01，平均温度，-5℃，北京）。

知识表示与建模

两类表示方法

① 基于符号的知识表示：

方法	提出者/来源	特点
一阶谓词逻辑	—	精确、接近自然语言，但只能表达确定性知识
产生式规则	波斯特	"IF-THEN"，与人类因果判断相似，范畴广；知识规模大时推理效率低、组合爆炸
语义网络	柯林斯	三元组描述，表示范围广、形式简单直接
框架表示	明斯基	通用数据结构（槽），有继承性；构建成本高、表达不够灵活

② 基于表示学习的知识表示（解决符号方法无法有效计算实体间语义关系的问题）：

• TransE 模型：把三元组中的关系看作从实体 head 到实体 tail 的"翻译"，调整向量使 h + r ≈ t（h + r = t），能学习隐含特征、有效计算语义关系，广泛用于链接预测、实体分类

知识建模

• 手工建模：适用于容量小、质量要求高的图谱，6 个步骤，耗时昂贵但精细
• 半自动建模：先自动获取知识图谱 + 大量人工干预，基于结构化/半结构化/非结构化数据，适用规模大、语义复杂的图谱

知识抽取（构建的关键）

从不同来源、不同结构数据中提取知识，形成三元组/多元组。三项技术配合：

• 实体抽取（NER）：从原始数据识别命名实体。方法：基于规则与词典（特定领域适用）、基于统计机器学习（泛化好但需大量训练数据）、面向开放域
• 关系抽取：抽取语料中命名实体的语义关系。方法：早期人工构造规则 → 统计机器学习（需预定义关系类型）→ 面向开放域（从关系词构建关系模型）
• 属性抽取：从非结构化/半结构化数据提取实体属性信息（可转化为关系抽取问题）；数据主要来源是百科半结构化数据

知识存储

方式	说明
表结构存储	二维数据表（三元组表、类型表、关系数据库三列表）；简单直接但大规模查询性能低
图结构存储	属性图（顶点/边/属性/标签）、RDF（资源描述框架）、超图（超边连接任意数顶点）；直接反映图谱结构，利于查询和深度挖掘

图数据库：以"图"结构存储查询数据（节点+边），处理复杂关系有优势，查询快、关系展现丰富；知识图谱也可基于现有关系数据库构建。

知识融合

• 定义：合并两个知识图谱（本体）或对多源不同概念、上下文、表达进行融合，产生新知识
• 过程：以多源异构数据为基础 → 知识抽取转换（原始数据转可处理形式）→ 本体库和规则库支持下语义组合推理 → 新知识创造 → 根据数据源变化和用户反馈动态调整
• 挑战与应对：数据异构（清洗/转换/标准化）、语义冲突（语义匹配消歧、统一语义模型）、性能效率（并行计算/分布式）、知识更新维护（更新机制定期检查）

知识推理

方法	原理
符号推理	应用推理规则到图谱，触发规则前件推导新实体关系；规则可自带/人工/机器学习获取；受限于数据规模
并行知识推理	对描述逻辑和 RDFS 推理并行推进，充分利用多核与分布式资源
表示学习推理	实体关系映射到低维向量，通过向量运算学习关系，泛化好、计算高效
模式归纳推理	从实例层学习本体模式层信息（概念层次、属性层次公理）；基于归纳逻辑编程、关联规则挖掘、机器学习三大类

典型应用

• 语义搜索：透过字面捕捉用户真实意图，基于实体搜索代替字符串搜索（消除歧义）。典型：Google Knowledge Graph、百度知心（搜索"阿里巴巴"列出多个义项）。方法：匹配算法、图遍历、逻辑推理
• 问答系统：返回精准自然语言答案而非文档排序。流程：理解问句语义 → 转为结构化查询 → 图谱查询推理获取答案。关键问题：问句语义解析（词法/句法/语义分析）、大规模知识推理、异构知识关联（综合多知识库，如"谁出演了《变形金刚》且与 Monkey Business 演唱者结婚"）

一句话总结

知识图谱 = 用三元组组织"实体-关系-实体"的语义网络：表示（符号/TransE）→ 抽取（实体/关系/属性）→ 存储（表/图）→ 融合 → 推理 → 应用（语义搜索/问答）。它是符号主义在深度学习时代的延续，也是 知识表示 的现代形态。