知识表示
知识是人类对世界的观察、学习和思考的沉淀。要让计算机使用知识，首先需要一种可处理的表示方式。经典方法包括：
- 一阶谓词逻辑：用谓词和量词描述事实与规则，表达能力强，但推理复杂；
- 语义网络：用节点表示概念、边表示关系，直观但缺乏形式语义；
- 产生式规则：用“如果—那么”规则表示知识，适合专家系统；
- 框架理论：用带槽位的框架描述概念及其属性。
这些方法为后来的语义网和知识图谱提供了思想基础。
语义网与 RDF
语义网（Semantic Web）由 Tim Berners-Lee 提出，目标是用图结构和链接描述万维网上的数据，让机器不仅能读取网页，还能理解实体之间的关系。W3C 制定了一系列标准：
RDF
RDF（Resource Description Framework）用三元组描述资源：
（主语，谓语，宾语）（牛顿，提出，万有引力）（牛顿，出生地，英国）主语和谓语通常是 URI，宾语可以是 URI、空白节点或字面值。RDF 数据天然构成一张有向图：节点是资源，边是关系。这种结构适合表示复杂、开放的数据关系。
RDFS 与 OWL
RDFS 在 RDF 上增加了类、子类、定义域、值域等词汇，可以表达简单的层次结构。
OWL（Web Ontology Language）建立在 RDF/RDFS 之上，支持更丰富的本体描述和基于描述逻辑的推理，例如：
- 类之间的包含关系；
- 属性的传递性、对称性、函数性；
- 个体属于某个类；
- 根据已知知识推导新事实。
本体（ontology）是对某个领域概念体系的显式规范，规定有哪些类、属性和关系，是知识图谱的“schema”。
知识图谱
知识图谱（Knowledge Graph）以图结构组织现实世界中的实体、概念及其关系，通常用三元组作为基本单元：
- 实体—关系—实体：
（爱因斯坦，出生地，德国）； - 实体—属性—属性值：
（爱因斯坦，出生年份，1879）。
知识图谱把信息表达成接近人类认知的结构，支持检索、问答、推荐、推理和决策。与普通数据库相比，它更强调实体之间的语义联系和跨领域链接。
构建流程
知识图谱的构建通常包括四个环节：
- 知识定义：设计本体和 schema，确定实体类型、关系类型、属性及约束；
- 知识抽取：从非结构化文本、半结构化表格和结构化数据库中抽取实体、关系和事件；
- 知识补全：发现缺失的关系或属性，常用链接预测、规则推理和表示学习；
- 知识存储：选择图数据库或 RDF 存储，建立索引，支持查询和更新。
知识抽取的具体方法见 信息抽取：实体抽取即 NER，关系抽取判断实体间的语义关系，事件抽取识别触发词和论元角色。语义角色标注见 句法分析与语义角色标注。
领域知识图谱
领域知识图谱聚焦医疗、金融、法律等特定领域，专业性更强，对知识结构和质量的要求更高：
- 需要设计清晰、规范的本体体系，支持领域内的复杂关系；
- 需要严格的审核和评估机制，保证事实准确；
- 需要良好的可维护性和可扩展性，适应领域知识更新。
领域图谱通常规模小于通用图谱，但 schema 更复杂、人工参与更多。
应用
- 语义搜索：把查询和文档都映射到实体与关系，支持语义匹配和多跳查询；
- 问答系统：把自然语言问题转换为图查询，或把子图作为上下文输入大模型；
- 推荐系统：利用实体关系做可解释的关联推荐；
- 知识增强生成：把图谱子图或检索结果作为外部知识，缓解大模型的幻觉和知识过时问题，见 知识增强的大语言模型；
- 行业决策：医疗辅助诊断、金融风控、企业知识管理等。
知识图谱的价值不仅在于存储事实，更在于把分散的信息组织成可推理、可追溯的结构。在大模型时代，它常作为外部知识源，与参数化知识互补。
相关阅读
- 实体、关系与事件抽取：信息抽取
- 语义角色标注：句法分析与语义角色标注
- 知识增强的大模型：知识增强的大语言模型
- 检索增强生成：RAG
- 大模型的事实性评价：大语言模型的评价