3、知识图谱基础：节点、边、属性、本体、三元组等核心概念
在玉石鉴定领域，知识图谱并非简单的数据堆砌，而是一种将鉴定经验、矿物学特征、市场文化与历史传承进行结构化表达的语义网络。理解其核心概念，是构建可推理、可扩展的智能鉴定系统的第一步。本章将围绕节点、边、属性、本体与三元组这五个基石，结合玉石鉴定场景，剖析它们如何协同工作，将“和田玉的透闪石含量”这类模糊经验转化为机器可计算的精确知识。
3.1 核心概念精讲：从三元组到语义网络
知识图谱的本质是图结构，其最小表达单元是三元组（Triple），形式为“主体—谓词—客体”（Subject-Predicate-Object）。在玉石鉴定中，一条典型三元组可以是：(和田玉, 密度, 2.95g/cm³)。这里的主体和客体是节点（Node），谓词则是连接它们的边（Edge）。节点代表实体或概念，边代表两者之间的关系。
进一步地，属性（Property）分为两类：数据属性（Data Property）描述节点的固有特征（如颜色、折射率），对象属性（Object Property）描述节点之间的关联（如“产于”、“相似于”）。而本体（Ontology）则是这些概念、关系、约束的模式层（Schema）定义，相当于知识图谱的“语法书”。
| 概念 | 在玉石鉴定中的含义 | 示例 | 层级 |
|---|---|---|---|
| 节点 (Node) | 可识别的实体或抽象概念 | “和田玉”、“翡翠”、“折射仪” | 实例层 |
| 边 (Edge) | 实体间的语义关系 | “具有密度”、“检测方法为” | 实例层 |
| 属性 (Property) | 节点或边的具体特征描述 | 密度值2.95、颜色“羊脂白” | 实例层/模式层 |
| 本体 (Ontology) | 领域概念、关系、公理的正式定义 | “玉石 ⊑ 矿物集合体”、“密度 ≥ 2.9” | 模式层 |
| 三元组 (Triple) | 知识的基本事实单元 | (和田玉, 折射率, 1.61) | 实例层 |
3.2 本体设计：构建玉石鉴定领域的“语法骨架”
本体的设计质量直接决定知识图谱的推理能力。在玉石鉴定中，本体需要定义类（Class）、关系（Relation）、属性约束（Constraint）。例如，定义“软玉”类，其子类包括“和田玉”、“青海玉”等；定义“产地”关系，其定义域为“玉石”，值域为“地理位置”。
一个实用的玉石鉴定本体应包含以下核心模块：
- 矿物学特征模块：矿物组成、晶系、硬度、密度、折射率、光泽。
- 外观与光学模块：颜色、透明度、光泽类型、特殊光学效应（猫眼、变彩）。
- 产地与成因模块：地理产地、矿床类型（原生矿/次生矿）、形成环境。
- 鉴定与处理模块：鉴定方法、优化处理方式（染色、充填）、仿制品类型。
本体设计需遵循单一继承原则，避免多继承带来的语义冲突。例如，“和田玉”不应同时是“软玉”和“透闪石玉”的直接子类，而应通过“软玉 ⊑ 透闪石玉”建立层级链。
3.3 三元组实战：从鉴定报告到知识抽取
将一份玉石鉴定证书转化为知识图谱，需要执行信息抽取流程。假设一份证书内容为：“该样品为和田玉，折射率1.61，密度2.95，纤维交织结构，产地新疆。”抽取过程如下：
- 实体识别：识别出“和田玉”、“新疆”为节点。
- 关系抽取：识别出“折射率”、“密度”、“产地”为边。
- 属性填充：将数值“1.61”、“2.95”作为数据属性值。
最终生成的三元组集合为：
(样品001, rdf:type, 和田玉)
(样品001, 折射率, "1.61"^^xsd:float)
(样品001, 密度, "2.95"^^xsd:float)
(样品001, 结构, 纤维交织结构)
(样品001, 产地, 新疆)这里“rdf:type”是内置属性，用于声明实例的类别。通过SPARQL查询，我们可以快速回答“所有密度大于2.9的玉石有哪些？”这类问题。
3.4 案例拆解：构建一个“和田玉鉴别”子图谱
假设我们需要构建一个用于辅助鉴别“和田玉与相似玉石”的子图谱。初始数据来自实验室的10份样本检测记录。我们定义本体类：玉石、软玉、石英岩玉；对象属性：具有密度、具有折射率、相似于。
关键输入数据：样本A（和田玉）：密度2.95，折射率1.61；样本B（石英岩玉）：密度2.65，折射率1.54；样本C（岫玉）：密度2.57，折射率1.56。
分析判断过程：通过查询图谱，发现样本A与样本B在密度属性上差异显著（差值0.30），而与样本C差异较小（差值0.38）。但结合折射率，样本A与C的差值（0.05）小于A与B的差值（0.07），说明仅凭单一属性无法区分，需引入“矿物组成”关系。
实际操作步骤：
- 在图谱中新增节点“透闪石”和“蛇纹石”，并添加对象属性
主要矿物。 - 添加三元组：(样本A, 主要矿物, 透闪石)、(样本C, 主要矿物, 蛇纹石)。
- 定义规则：若某玉石的主要矿物为透闪石，则其密度应在2.9-3.1之间。
结果对比：加入矿物属性后，推理引擎成功识别出样本C的密度值（2.57）不符合蛇纹石玉的常见范围（2.5-2.7），提示可能为数据录入错误或特殊品种，需人工复核。
风险与代价：该案例中，本体规则过于严格可能导致误判。例如，部分透闪石玉因杂质含量高，密度可能低于2.9。因此，规则应设置为“建议性”而非“强制性”，并保留人工审核环节。
复盘经验：知识图谱的价值在于关联发现。单一属性查询只是起点，通过多跳查询（如“产地→气候→风化特征→表面纹理”）才能挖掘深层鉴定线索。
3.5 总结复盘：概念落地与工程实践要点
本章核心在于理解模式层与实例层的分离。本体（模式层）定义规则，三元组（实例层）填充事实。在工程实践中，建议采用自底向上与自顶向下结合的策略：先根据现有鉴定标准（如GB/T 38821-2020）设计初步本体，再通过实际数据抽取反向修正本体。
此外，注意属性与关系的区分。属性是节点自身的特征，关系是节点间的连接。例如，“密度”是数据属性，而“大于”是对象属性。错误地将属性建模为关系会导致图谱冗余。最后，务必使用标准URI命名节点，避免歧义。例如，使用http://www.jade.org/ontology#HetianJade而非直接使用中文“和田玉”。
| 实践步骤 | 关键动作 | 输出物 | 质量检查点 |
|---|---|---|---|
| 1. 需求分析 | 明确鉴定场景与问题类型 | 能力问题清单 | 问题是否可被SPARQL回答 |
| 2. 本体设计 | 定义类、属性、约束 | OWL文件 | 逻辑一致性检查 |
| 3. 数据抽取 | 从证书/文献中提取三元组 | RDF三元组库 | 实体链接准确率 |
| 4. 融合推理 | 对齐同义实体，执行规则推理 | 增强图谱 | 推理结果人工抽检 |
| 5. 应用验证 | 开发问答或辅助鉴定接口 | API/演示系统 | 响应时间与准确率 |
掌握这些基础概念后，下一阶段将进入知识抽取与实体链接的实战环节。但在此之前，请务必亲手绘制一张包含至少5个节点、4种关系类型的玉石鉴定小图谱，以加深对三元组和本体层级的理解。