知识图谱回放对比：从入门到实战 - 第1节
1.1 知识图谱的定义
知识图谱（Knowledge Graph）是一种用图结构来建模实体及其之间关系的技术体系。其核心思想是将现实世界中的事物（实体）与事物之间的关联（关系）以“节点-边”的形式组织起来，形成结构化的语义网络。
定义要点： 知识图谱 = 实体（节点）+ 关系（边）+ 属性（节点/边的特征描述）
从技术实现角度看，知识图谱通常采用 RDF（资源描述框架） 或 属性图 两种数据模型。RDF 以三元组（主语-谓词-宾语）为基本单元，属性图则允许节点和边携带键值对属性。
三元组结构示例
# RDF 三元组示例
<姚明> <出生于> <上海>
<姚明> <效力于> <休斯顿火箭队>
<休斯顿火箭队> <属于> <NBA>1.2 发展历程
知识图谱的概念并非一蹴而就，其演进经历了从符号逻辑到大规模语义网络的多个阶段：
| 阶段 | 时间 | 标志性事件/系统 | 核心特征 |
|---|---|---|---|
| 萌芽期 | 1960s–1980s | 语义网络、专家系统 | 基于逻辑推理，规模小，手工构建 |
| Web 语义化 | 1998–2006 | RDF、OWL、SPARQL 标准发布 | 数据可互操作，开放链接数据运动 |
| 大规模落地 | 2012 | Google 正式提出“知识图谱” | 搜索引擎驱动，亿级节点，自动构建 |
| 行业普及 | 2016–至今 | 医疗、金融、电商知识图谱 | 领域定制化，图数据库与深度学习融合 |
关键转折： 2012 年 Google 发布 Knowledge Graph，将搜索结果从“字符串匹配”升级为“语义理解”，直接推动了知识图谱的产业化。
1.3 核心价值
知识图谱之所以成为 AI 领域的关键基础设施，在于其提供了以下不可替代的能力：
- 语义理解： 从关键词匹配升级到实体与关系的语义级检索。
- 关联推理： 通过图结构发现隐含关系，例如“A 与 B 同属某组织”的间接关联。
- 知识复用： 结构化知识可跨系统、跨场景迁移，降低重复建设成本。
- 可解释性： 推理路径以图形式呈现，比黑盒模型更易追溯与验证。
- 动态更新： 支持增量式知识注入，适应业务快速变化。
1.4 典型应用场景
知识图谱已广泛应用于多个行业，以下列出最具代表性的四类场景：
| 领域 | 应用方向 | 示例 |
|---|---|---|
| 搜索引擎 | 智能问答、知识卡片 | Google 搜索直接展示实体摘要 |
| 金融风控 | 关联挖掘、反欺诈 | 识别复杂担保圈、异常资金流 |
| 医疗健康 | 辅助诊断、药物发现 | 症状-疾病-药物路径推理 |
| 电商推荐 | 用户意图理解、商品关联 | 基于品类-品牌-属性图谱的精准推荐 |
1.5 知识图谱核心架构
下图展示了知识图谱从数据采集到上层应用的典型分层架构，帮助建立整体认知：
注意： 实际工程中，各层之间并非严格串行，常存在反馈回路（如知识融合后的质量评估结果会反馈至抽取层调整策略）。上图仅展示主流程逻辑。
1.6 知识图谱与关系数据库的对比
理解知识图谱的独特优势，可以通过与关系数据库的对比来加深认识：
| 对比维度 | 关系数据库 | 知识图谱 |
|---|---|---|
| 数据模型 | 二维表（行+列） | 图（节点+边） |
| 关联查询 | 多表 JOIN，深度关联性能下降 | 图遍历，多跳查询高效 |
| 模式灵活性 | 严格 Schema，变更成本高 | Schema-Less 或半结构化，易扩展 |
| 推理能力 | 不支持 | 支持规则推理与图算法 |
| 典型查询语言 | SQL | SPARQL / Cypher / Gremlin |
选型建议： 如果业务以固定模式的事务处理为主，关系数据库仍是首选；如果业务需要频繁探索实体间的多跳关联、动态扩展知识结构，知识图谱更具优势。