知识图谱概述：先搞清楚我们要做什么
好，咱们正式开讲。
我叫它「从零到一」，意思是就算你之前完全没接触过知识图谱，跟着我把这30章啃完，也能亲手搭出一个能用的药物知识图谱系统。
但开始动手之前，得先聊聊——知识图谱到底是什么？
什么是知识图谱
说白了，知识图谱就是用图的方式，把真实世界里的实体和它们之间的关系存下来。
你别把它想得太玄乎。举个简单的例子：
- 「阿司匹林」是一个实体
- 「头痛」是一个实体
- 「阿司匹林 用于治疗 头痛」——这就是一条关系
一条关系没多大威力。但当你把几百万、几千万条这样的三元组连起来，就织成了一张网。这张网，就是知识图谱。
我个人习惯把知识图谱理解成「高配版的思维导图」。思维导图是人画的，知识图谱是机器可读、可推理的。
很多人问我：这和普通数据库有什么区别？
区别大了。关系数据库存的是行和列，查一个人名你得写JOIN。知识图谱存的是点和边，查「阿司匹林能治什么病」——直接从节点出发，沿着边走过去就行。快，而且直观。
知识图谱的典型应用
你想想看，这几年你肯定用过不少知识图谱的产品，只是自己没意识到。
| 应用领域 | 典型例子 | 核心价值 |
|---|---|---|
| 搜索引擎 | Google Knowledge Graph | 搜索结果直接显示实体卡片 |
| 智能问答 | 苹果Siri、亚马逊Alexa | 理解用户意图，给出精准答案 |
| 推荐系统 | LinkedIn人脉推荐 | 基于关系挖掘潜在连接 |
| 金融风控 | 企业关联关系挖掘 | 识别隐性担保、循环持股 |
| 医疗健康 | 药物相互作用分析 | 快速发现药物冲突风险 |
拿搜索来说。你搜「阿司匹林」，传统搜索引擎给你一堆链接。但有了知识图谱，Google直接在右侧给你一个信息卡片：药物类别、适应症、副作用、相互作用。这就是知识图谱的威力。
我记得有一次在项目中做竞品分析，发现某大厂的推荐系统用了知识图谱做冷启动，效果比纯协同过滤好了不止一个档次。从那以后，我就认定这技术值得深耕。
医学领域知识图谱
咱们这门课的重点在药物知识图谱。为什么选这个方向？
因为医学数据的结构化程度高，关系明确，做知识图谱特别趁手。你想想：
- 药物有成分、剂型、厂家
- 疾病有症状、分型、并发症
- 药物-疾病之间有适应症、禁忌症
- 药物-药物之间有相互作用、配伍禁忌
这些天然就是实体-关系-实体的三元组结构。而且医学领域对知识的准确性要求极高——错了会出人命。所以做医学知识图谱，不能光追求数据量大，更要保证数据质量。
我曾经踩过一个坑：从公开数据集里抓了一堆药物关系数据，没做校验就直接入库。结果后来发现不少关系是过时的。医学知识有版本，你用的指南是哪一年的，直接影响知识图谱的可靠性。这个后面我们会专门讲。
本课程项目目标
30章学完，你会得到什么？
一个从数据处理、图数据库搭建、到可视化展示的完整药物知识图谱系统。具体来说：
- 从公开医学数据源（比如DrugBank、医学指南）抽取实体和关系
- 用Python做数据清洗和结构化
- 把数据导入Neo4j图数据库
- 用Cypher查询语言做交互式问答
- 用D3.js或ECharts做前端可视化
整个项目都是实战导向的。我不会给你甩一堆理论然后让你自己悟，而是带着你一行代码一行代码地写出来。
这个项目的架构其实不复杂。下面这张图，就是我们整个系统的大致流程——我建议你先看清楚，心里有个谱。
看到没？整个系统的数据流是自底向上的。从原始数据开始，经过清洗加工，存入图数据库，再通过查询接口提供上层服务。
关于这门课，我想再强调几点
- 别怕图数据库。Neo4j的Cypher查询语言和SQL很像，你有一点点数据库基础就能上手。
- 别想着一步到位。知识图谱的构建是迭代的。先搭个小样跑通，再慢慢扩展。
- 数据质量永远优先。宁缺毋滥，特别是做医学项目。
我之前带过一个学生，一上来就想做一个覆盖所有药物的超级知识图谱。结果数据源没搞清楚，就把半成品拿去演示，被业务方问住了——「这个药和那个药的相互作用证据来源是哪？」答不上来。所以咱们这门课，每一步都会讲清楚数据来源和验证方法。
好，第一章就到这儿。你只要记住三件事就行：知识图谱=实体+关系；医学知识图谱对准确性要求极高；我们的项目从数据处理到可视化全覆盖。