1.1 什么是知识图谱

知识图谱是一种基于图模型描述知识、建模世界万物之间关联关系的技术方法[1]。它由节点与边构成。节点既可以是具体实体，如某个人、某本书，也可以是抽象概念，例如人工智能、知识图谱。边则代表实体的属性（如姓名、书名）或实体之间的关系（如朋友、配偶）。

知识图谱的早期理念源自Semantic Web[2,3]（语义网），其最初愿景是将基于文本链接的万维网转变为基于实体链接的语义网。1989年，Tim Berners-Lee 提出构建一个全球化的以“链接”为核心的信息系统（Linked Information System）。任何人都能通过添加链接将自己的文档接入其中。他认为，相比基于树的层级化组织方式，以链接为中心、基于图的结构更适合互联网这种开放系统。这一思想逐步被实现，并演化成为今天的World Wide Web。

1994年，Tim Berners-Lee 进一步指出，Web不应仅局限于网页之间的互相链接。实际上，网页描述的是现实世界中的实体和人脑中的概念。网页链接本身蕴含语义——即实体或概念之间的关系；然而机器无法有效从网页中自动识别这些语义。他于1998年正式提出了Semantic Web的概念[4]。Semantic Web依然沿用图和链接的组织方式，但图中的节点不再只是网页，而是客观世界中的实体（如人、机构、地点等），超链接也被赋予语义描述，明确标注实体之间的关系（例如“出生地是”“创办人是”等）。相对于传统网页互联网，Semantic Web的本质是数据的互联网（Web of Data）或事物的互联网（Web of Things）。

Semantic Web 提出后，涌现出一大批新兴的语义知识库。例如，作为谷歌知识图谱后端的Freebase[5]，作为IBM Watson后端的DBpedia[6]与Yago[7]，作为Amazon Alexa后端的True Knowledge，作为苹果Siri后端的Wolfram Alpha，开放的Semantic Web Schema——Schema.ORG[8]，以及目标是成为世界最大开放知识库的Wikidata[9]等。尤其值得关注的是，2010年谷歌收购了早期语义网公司MetaWeb，并以Freebase作为数据基础之一，于2012年正式推出了命名为知识图谱的搜索引擎服务。此后，知识图谱在语义搜索[10,11]、智能问答[12-14]、辅助语言理解[15,16]、辅助大数据分析[17-19]、增强机器学习可解释性[20]、结合图卷积辅助图像分类[21,22]等众多领域发挥越来越重要的作用。

如图1-1所示，知识图谱旨在从数据中识别、发现并推断事物与概念之间的复杂关系，是事物关系的可计算模型。知识图谱的构建涉及知识建模、关系抽取、图存储、关系推理、实体融合等多种技术，而知识图谱的应用则涵盖语义搜索、智能问答、语言理解、决策分析等多个领域。构建并有效利用知识图谱需要系统性地整合知识表示（Knowledge Representation）、图数据库、自然语言处理、机器学习等多方面的技术。

图1-1 知识图谱：事物关系的可计算模型