Knowledge Graph

定义

以实体和关系组织事实数据的图结构，负责承载 ABox 层实例事实并与本体定义的语义框架配合

关键数据点

• 核心结构：节点表示实体或实例，边表示实体之间的关系，整体形成可遍历、可查询的事实网络。
• 在本体架构中的位置：知识图谱通常对应 ABox 层，承载具体事实；TBox 则定义这些事实应该使用哪些类型、关系和约束。
• 与 RDF 的关系：在语义网技术栈中，知识图谱常用 RDF 三元组表示，例如"订单 A 有库存占用 B"。
• 与 SPARQL 的关系：当知识图谱存储在 RDF 三元组库中，SPARQL 用于查询实例、关系和推理后的结果。
• 与企业 Agent 的关系：Agent 可以查询知识图谱获取事实，但高风险规则判断仍应由本体或推理工具完成，避免把事实检索误当成规则推理。
• 常见应用：搜索、推荐、问答、主数据治理、跨系统语义查询、合规对象追踪和复杂业务对象关系分析。

与本体的边界

知识图谱回答"现在有哪些对象，它们之间发生了什么关系"。本体回答"这些对象属于什么概念，这些关系如何被解释，什么条件成立"。

例如，知识图谱可以表达 Order001 hasAllocation Alloc001，但它本身不必知道"有库存占用并且质检通过的订单可以发货"。这条规则属于本体的 TBox。推理机把 TBox 的规则应用到知识图谱或 ABox 事实上，才得到新的业务分类。

这个边界很重要。若把知识图谱当成完整语义层，系统容易只做到事实连接，却无法解释业务判断。若把本体当成事实数据库，又会把高频变化的数据塞进不适合承载交易明细的结构里。

前提与局限性

• 语义前提：需要 schema、本体或至少稳定的数据字典，否则图里只有连接，没有一致口径。
• 数据前提：实体解析、去重、关系抽取和数据同步必须可靠。图结构会放大脏数据的影响。
• 维护成本：知识图谱不是一次性导入。实体、关系和来源系统持续变化，需要增量更新、溯源和质量监控。
• 推理边界：知识图谱可以支持查询和遍历，但复杂分类、约束判断和一致性检查仍依赖本体、规则引擎或专门推理机。
• 性能边界：多跳查询和全图遍历可能很重，生产系统通常需要索引、缓存、预计算或把一部分查询下沉到业务数据库。

关联概念

• Ontology：定义知识图谱中实体和关系的语义框架
• ABox：知识图谱常承载的事实层
• TBox：为知识图谱提供概念与规则约束
• RDF：语义网知识图谱的基础表示格式
• SPARQL：查询 RDF 知识图谱的语言
• GraphDB：生产环境中常见的 RDF 三元组库