知识图谱 vs 知识本体：差在哪，为什么至今没有标准答案

核心洞察

知识图谱A structured knowledge base that represents entities and their relationships in a graph format.能火，靠的是给机器一种组织常识的方式。真正让我意外的是，它和知识本体为知识图谱中的实体创建正式的表示形式，通常基于分类法，用于定义概念和关系的结构。的区别到现在都没有一个标准答案，但这不妨碍谷歌搜索、奈飞推荐和银行风控都在用。读的时候别纠结名词，把它想成一张越用越完整的关系网。

核心结论

1. 知识图谱的基本构成是节点知识图谱中的核心组件，代表任何对象、地点或人物，是实体的具体实例。、边和标签Java版中用于控制区块加载和计算的机制，由特定事件触发，具有基础等级、存活时间和传播特性。，基础表达形式为三元组知识图谱中信息的基本单位，形式为（主语，谓语，宾语），表示两个实体通过特定关系连接。（主语—谓语—宾语）。
2. 知识图谱与知识本体至今没有统一的标准区分，但两者都使用节点、边和资源描述框架三元组表示。
3. 谷歌知识图谱包含超过5亿个对象，数据来源包括 Freebase、维基百科和美国中情局《世界概况》。
4. 知识图谱已在多个行业落地：零售用于追加销售和交叉销售，娱乐用于推荐引擎，金融用于客户识别和反洗钱，医疗用于辅助诊断和治疗方案制定。
5. 借助自然语言处理和语义丰富，知识图谱能让搜索引擎和问答系统针对查询直接返回完整答案。

知识图谱是什么

知识图谱也叫语义网络指能被AI深度理解并高频调用的知识结构网络，GEO时代品牌需构建此类网络以提升在AI答案中的出现概率。。它把现实世界里的实体，比如人、地点、事件、概念，看成网络里的节点，再把它们之间的关系画成连线。这些信息一般放在图数据库里，画出来就是一张有节点的图，所以叫图谱。

节点、边和标签

一张知识图谱由三种东西组成：节点、边和标签。节点可以是一个物体、一个地方或者一个人。边负责定义节点之间的关系。

举个例子，客户是 IBM，广告代理是奥美，那 IBM 和奥美之间就有一条边，这条边的关系是“客户”。

三元组

知识图谱里最基础的一条表达是三元组。A 是主语，B 是谓语，C 是宾语。放在刚才的例子里，IBM 是主语，“客户”是谓语，奥美是宾语。

知识图谱的定义在不同场合不太一样。有研究认为，它跟知识库或知识本体没有多大区别。这个说法是 2012 年谷歌知识图谱把这个词带火之后，才被大家争来争去的。

知识图谱和知识本体

聊知识图谱的时候，知识本体经常被拉出来一起说。两者的区别到底在哪，到现在也没有统一结论。

知识本体是干嘛的

知识本体的作用，是给图里的实体做一个正式表示。它通常基于分类法，但可以同时包含多个分类法，所以它保留了自己单独的定义。加上知识本体和知识图谱都用节点和边表示，也依赖资源描述框架三元组，画出来常常很像。

拿麦迪逊广场花园举例。这个场馆一年到头有很多活动，知识本体靠时间这个变量来区分它们。纽约游骑兵队一个赛季会在那里打很多场冰球赛，比赛类型一样、场馆一样，但日期和时间不一样，所以每场比赛都能被单独指出来。

网络本体语言是知识本体用得比较多的一种格式，它得到万维网联盟的支持。万维网联盟是一个推动互联网长期开放标准的国际社区。再往下，这套知识组织要靠数据库、接口和机器学习算法撑着，帮助人和服务更高效地访问和处理信息。

知识图谱怎么建出来的

知识图谱通常由不同来源的数据集组成，这些数据集的结构经常不一样。模式、标识和上下文三样东西，负责给这些多样化数据提供结构。

模式给知识图谱搭框架，标识给底层节点做分类，上下文决定知识存在的环境。有了它们，系统才能区分一个词的多个意思。谷歌搜索能分清苹果公司和真苹果，靠的就是这套东西。

语义丰富

机器学习驱动的知识图谱，会借助自然语言处理做语义丰富，一步步把节点、边和标签组装成完整视图。数据进来时，这个流程先识别单个对象，再摸清对象之间的关系。之后把这份已经整理好的知识和相似数据集做比较、整合。

图谱建好后，问答系统和搜索引擎就能针对一次查询，直接返回一套完整答案。消费级产品靠这套东西替用户省时间。同样的系统放到企业里，能省掉手工收集和整理数据的工作，让业务决策更省事。

数据整合带来的新联系

围绕知识图谱的数据整合，也能创造出新知识。数据点之间一旦建立起以前没意识到的联系，新发现就出来了。

知识图谱去哪儿了

对用户来说，搜索框里的知识图谱是最熟悉的。这些大众产品也定下了整个行业对搜索系统的预期。

你常见的那些

• DBpedia 和维基数据，是维基百科数据衍生出来的两个知识图谱。DBpedia 主要取维基百科信息框里的数据，维基数据侧重二级和三级对象。两者一般都用资源描述框架格式发布。
• 谷歌知识图谱通过搜索结果页展示，会根据用户搜的东西提供信息。它包含超过 5 亿个对象，数据来自 Freebase、维基百科和美国中情局《世界概况》。

行业里的用法

• 零售： 知识图谱常被拿来做起追加销售和交叉销售。系统看个人购买行为，也参考同一人群里的热门购买趋势，然后把商品推到用户面前。
• 娱乐： 奈飞这类内容平台、搜索引擎和社交媒体，都会用基于人工智能的推荐引擎。系统根据点击和在线参与行为，给用户推荐下一个要读或要看的东西。
• 金融： 金融机构把知识图谱用在了解客户和反洗钱上。它能帮银行看清楚钱在客户之间怎么流动，也能识别出不合规的客户，辅助金融犯罪防范和调查。
• 医疗健康： 知识图谱能把医学研究里的关系整理和组织起来。这些信息能帮医生核对诊断，再按患者的具体情况定治疗方案。

常见问题（FAQ）

知识图谱和知识本体有什么区别？

两者都以节点和边表示，但知识本体给实体提供正式表示，常基于分类法，可含多个分类法。知识图谱是具体实例网络，两者区别无统一结论，但都依赖RDF资源描述框架，是W3C标准，用于表示网络资源的信息。Schema.org和相关技术采用类似RDF的方法来表示信息。三元组。

知识图谱是怎么构建出来的？

知识图谱由不同来源数据集组成，通过模式、标识和上下文提供结构，再利用自然语言处理做语义丰富，识别对象和关系，整合相似数据集，最终形成完整语义网络。

知识图谱在行业中有哪些典型应用？

零售用于追加销售和交叉销售；娱乐如奈飞做推荐引擎；金融用于了解客户和反洗钱；医疗整理医学研究关系，辅助诊断和治疗方案制定。