核心数据模型：三元组（Triple）

知识图谱的基础是 "主体 - 关系 - 客体" 的三元组结构：

<实体A> --> [关系] --> <实体B>

例如：
<爱因斯坦> --> [出生于] --> <德国>
<爱因斯坦> --> [提出了] --> <相对论>
<相对论> --> [影响了] --> <现代物理学>

当大量三元组堆叠，节点之间自然形成网状连接。

技术实现层

1️⃣ 存储层 —— 图数据库

关系型数据库（表结构）  ❌ 不适合多跳查询
图数据库（图结构）      ✅ 天然支持网状存储

图数据库

特点

Neo4j

最流行，原生图存储，Cypher查询语言

JanusGraph

分布式，适合超大规模

RDF存储（Jena等）

语义Web标准，SPARQL查询

Neo4j 示例：

// 创建节点和关系
CREATE (a:Person {name: "爱因斯坦"})
CREATE (b:Country {name: "德国"})
CREATE (a)-[:出生于]->(b)

// 查询"与爱因斯坦相关的所有事物"（多跳）
MATCH (p {name:"爱因斯坦"})-[*1..3]-(related)
RETURN related

2️⃣ 表示层 —— 知识建模标准

本体（Ontology）
    ├── 定义"类"的层级结构
    │       人 --> 科学家 --> 物理学家
    ├── 定义"关系"的类型和约束
    │       出生于.domain = 人
    │       出生于.range  = 地点
    └── 形成统一的语义规范

常用标准：

  • RDF — 描述资源关系

  • OWL — 表达复杂本体逻辑

  • SPARQL — 图查询语言

3️⃣ 构建层 —— 知识如何"入网"

原始数据来源
    │
    ├── 结构化数据（数据库、表格）──── 直接映射
    ├── 半结构化（Wikipedia、JSON）── 规则抽取
    └── 非结构化（文本、网页）──────── NLP处理
                                          │
                              ┌───────────┼───────────┐
                         实体识别      关系抽取     实体链接
                        (NER)       (RE)          (EL)
                              │
                              ▼
                         写入图数据库

网状特性的关键机制

🔗 实体消歧与对齐

同一实体在不同来源中可能有不同名字，需要统一：

"苹果公司" = "Apple Inc." = "AAPL"
              ↓
         合并为同一节点

🧭 多跳推理

网状结构支持沿边"跳跃"推理：

爱因斯坦 --[国籍]--> 德国 --[位于]--> 欧洲
                              ↓
          推断：爱因斯坦与欧洲存在关联

🔄 反向关系自动生成

A --[父亲]--> B
自动推导：
B --[子女]--> A

一句话总结

知识图谱通过 三元组建模 描述实体关系，用 图数据库 存储，借助 NLP/规则 从多源数据抽取知识，再通过 本体约束 统一语义——无数节点和边堆叠，自然形成一张可推理的知识网络。

想深入了解哪个环节？比如关系抽取的NLP方法或图嵌入（Graph Embedding）？