知识图谱（Knowledge Graph）是一种结构化的语义知识库，它以图的形式组织和表示现实世界中的实体（如人、地点、组织、事件等）以及它们之间的关系。这种表示方法使得计算机能够更好地理解和处理复杂的信息，从而实现更智能的信息检索、推荐和决策支持。

一、知识图谱核心概念

1、实体：知识图谱基本单元，表示现实世界中具体或抽象的对象。例如，人（爱因斯坦），地点（北京）。

2、关系：描述实体之间的联系。例如，北京与中国之间的关系是首都，北京是中国的首都。

3、属性：描述实体的特征或性质。例如，小明的属性包括出生日期、性别、国籍。

4、三元组：知识图谱的基本形式，由主谓宾组成。例如，(北京，首都，中国)。

二、知识图谱特点

1、结构化：知识图谱以结构化的方式存储信息，便于计算机处理和分析。

2、语义化：通过定义清晰的语义关系，便于计算机能够理解实体之间的复杂联系。

3、可扩展性：可以不断添加新的实体、关系和属性，以适应不断变化的知识需求。

4、多源数据融合：能够整合来自不同数据源的信息，形成一个统一的知识库。

三、知识图谱构建过程

1、知识抽取：从非结构化或半结构化的文本中抽取实体、关系和属性。

从三篇新闻里抠出三元组

新闻文本	三元组（主-谓-宾）
“天和核心舱于2021年4月29日在文昌航天发射场升空”	（天和核心舱，发射时间，2021-04-29） （天和核心舱，发射地点，文昌航天发射场）
“问天实验舱是天和核心舱的备份，也是其大型实验平台”	（问天实验舱，类型，实验舱） （问天实验舱，备份对象，天和核心舱）
“神舟十四号载人飞船搭载3名航天员与空间站组合体对接”	（神舟十四号，搭载人数，3） （神舟十四号，对接目标，空间站组合体）

2、知识融合：将来自不同数据源的信息进行整合，解决实体消歧和关系冲突等问题。

把“别名”合并成同一个节点

• 共指发现：“中国空间站” ↔ “空间站组合体” ↔ “天宫” → 字符串相似度 + 人工确认后合并为同一实体节点：Tiangong
• 属性归一：“2021年4月29日” vs “2021-04-29” → 统一成 xsd:date 格式 2021-04-29^^date
• 冲突消解：新闻A说“搭载3人”，新闻B说“载3名航天员” → 语义等价，保留一条。

融合后实体从 8 → 6，关系从 12 → 10，图谱变得更干净。

3、知识存储：使用图数据库（Neo4j）或资源描述框架（RDF）存储知识图谱。

把三元组“画”进图数据库

采用标签-属性-关系模型（Neo4j 风格）：

(1) 节点（6 个）

Tiangong :SpaceStation {nation:"中国", crew_capacity:6}

Tianhe :CoreModule {launch_date:"2021-04-29"}

Wentian :LabModule {function:"实验+备份"}

Shenzhou-14 :Spacecraft {crew:3}

Wenchang :LaunchSite

Crew-14 :AstronautGroup {count:3}

(2) 关系（10 条）

(Tianhe)-[:PART_OF]->(Tiangong)
(Wentian)-[:PART_OF]->(Tiangong)
(Wentian)-[:BACKUP_FOR]->(Tianhe)
(Tianhe)-[:LAUNCHED_FROM]->(Wenchang)
(Shenzhou-14)-[:DOCKED_WITH]->(Tiangong)
(Shenzhou-14)-[:CARRIES]->(Crew-14)

4、知识更新：定期跟新知识图谱，以反映现实世界的变化。

（1）增量抽取

        2023-10-29 新闻：“天舟六号货运飞船给中国空间站补给约7吨物资”

        新三元组：
        （天舟六号，类型，货运飞船）
        （天舟六号，补给目标，Tiangong）
        （天舟六号，补给质量，7吨）

（2）自动融合

        系统发现“补给目标”与现有“DOCKED_WITH”语义接近，但属性不同 → 保留新关系系:SUPPLIES。

（3）版本控制

        更新前自动生成快照 tiangong_kg_20231029.dump；若新数据出现冲突，可1分钟回滚。
        更新后的图谱新增 1 节点 3 关系，规模 6→7 节点，10→13 关系。

5、小结：

原始新闻文本
     ↓ 抽取
原始三元组（12）
     ↓ 融合
干净三元组（10）
     ↓ 存储
Neo4j 花瓣图
     ↓ 更新
“天舟六号”新边出现 ➜ 图谱持续生长

四、知识图谱应用场景

1、搜索引擎优化：提高搜索结果的相关性和准确性。

• 例如：谷歌利用知识图谱提供更丰富的搜索结果，如知识面板。

2、智能推荐系统：根据用户的兴趣和行为，推荐相关的内容或产品。

• 例如：电商平台根据用户的购买历史和浏览行为推荐商品。

3、问答系统：支持自然语言问答，提供准确的答案。

• 例如：智能助手回答“谁提出了相对论？”这样的问题。

4、金融风控：识别和分析金融交易中的风险模式。

• 例如：通过分析企业之间的关系，发现潜在的关联交易风险。

5、医疗健康：辅助医疗诊断和治疗决策。

• 例如：通过分析疾病、症状和药物之间的关系，提供个性化的治疗建议。