知识图谱回放对比评审实战教程 - 第1节
1.1 知识图谱的定义
知识图谱（Knowledge Graph）是一种用图结构来描述真实世界中实体及其之间关系的技术体系。它本质上是一个语义网络，将信息以“节点-边-节点”的形式组织，使得机器能够理解、推理和关联知识。
知识图谱的核心特征包括：
- 结构化：知识以图的形式存储，节点代表实体，边代表关系。
- 语义化：每个节点和边都有明确的语义定义，支持逻辑推理。
- 关联性：知识之间通过关系形成网络，而非孤立的数据点。
- 可扩展：支持增量添加新实体和新关系，无需重构整体结构。
提示：知识图谱并非简单的“图数据库”，而是包含本体层（Schema）和数据层（Instance）的完整知识体系。本体层定义实体类型和关系类型，数据层存储具体的实体实例和关系实例。
1.2 三元组概念
三元组（Triple）是知识图谱的基本数据单元，形式为 (主体, 谓词, 客体)，即 (Subject, Predicate, Object)。它表达了“主体-关系-客体”这样一个完整的语义事实。
三元组的三种常见类型：
| 类型 | 示例 | 说明 |
|---|---|---|
| 实体-关系-实体 | (北京, 是首都, 中国) | 两个实体通过关系连接 |
| 实体-属性-属性值 | (北京, 人口, 2154万) | 实体与字面量（Literal）连接 |
| 实体-类型-类别 | (北京, rdf:type, 城市) | 实体归属某个类别 |
三元组在 RDF（Resource Description Framework）中的标准表示：
<http://example.org/entity/Beijing>
<http://example.org/property/isCapitalOf>
<http://example.org/entity/China> .
关键理解：三元组是知识图谱的最小语义单元。一个知识图谱就是由海量三元组构成的图结构。每个三元组都可以独立添加、删除或更新，这使得知识图谱具备良好的灵活性和可维护性。
1.3 知识图谱与关系数据库的区别
知识图谱和关系数据库（RDBMS）都是数据管理技术，但在数据模型、查询方式、扩展性等方面存在本质差异。
| 对比维度 | 知识图谱 | 关系数据库 |
|---|---|---|
| 数据模型 | 图模型（节点+边） | 关系模型（表+行+列） |
| 基本单元 | 三元组 (S, P, O) | 行记录 |
| Schema | 灵活、可动态扩展 | 严格、需预先定义 |
| 关联查询 | 高效（图遍历） | 需多表 JOIN，深度关联性能差 |
| 查询语言 | SPARQL、Cypher、Gremlin | SQL |
| 数据冗余 | 低（关系即连接） | 较高（需外键关联） |
| 典型场景 | 知识推理、语义搜索、推荐 | 事务处理、报表统计 |
注意：知识图谱并非要取代关系数据库，两者各有适用场景。在需要深度关联推理、动态Schema、多跳查询的场景中，知识图谱优势明显；而在强事务、高并发、结构化报表场景中，关系数据库仍是首选。
1.4 知识图谱典型应用场景
知识图谱已在多个行业落地，以下列出四个典型场景：
- 智能搜索：Google Knowledge Graph 将搜索结果从“网页链接”升级为“实体卡片”，直接展示人物、地点、事件的结构化信息。
- 推荐系统：利用用户-物品-属性之间的多跳关系，实现基于知识路径的精准推荐，解决冷启动问题。
- 金融风控：构建企业、个人、交易之间的关联图谱，识别担保圈、资金链异常、欺诈团伙等复杂风险模式。
- 医疗辅助诊断：将症状、疾病、药物、基因等实体及其关系建模为知识图谱，辅助医生进行鉴别诊断和用药推荐。
下图展示了知识图谱在智能搜索场景中的核心流程：
下图展示了知识图谱在金融风控场景中的实体关系网络：
总结：知识图谱通过三元组构建语义网络，与关系数据库互补而非替代。在智能搜索、推荐、风控、医疗等需要深度关联推理的场景中，知识图谱正发挥着越来越重要的作用。掌握知识图谱基础，是后续学习回放对比评审的前提。