一、知識(shí)表示標(biāo)準(zhǔn)

RDF 和 SPARQL

許多知識(shí)圖譜的核心是資源描述框架 (RDF)，它是 W3C 標(biāo)準(zhǔn)，用于以主語(yǔ)-謂語(yǔ)-賓語(yǔ)三元組的形式表示信息。RDF 提供了一個(gè)靈活的圖形數(shù)據(jù)模型，其中每個(gè)三元組（例如<Alice> <worksAt> <CompanyX>）都斷言資源之間的關(guān)系。它帶有形式語(yǔ)義（RDF Schema、OWL 本體），可實(shí)現(xiàn)豐富的知識(shí)建模（例如類層次結(jié)構(gòu)、域/范圍限制）。RDF 中的數(shù)據(jù)可以以各種格式（Turtle、JSON-LD 等）序列化，并且是模式可選的，這意味著可以從開放模式開始并逐步發(fā)展它。要查詢 RDF 數(shù)據(jù)，標(biāo)準(zhǔn)語(yǔ)言是SPARQL（SPARQL 協(xié)議和 RDF 查詢語(yǔ)言）。SPARQL 是一種類似 SQL 的查詢語(yǔ)言，允許對(duì)三元組進(jìn)行模式匹配。它支持復(fù)雜的圖形模式查詢、過(guò)濾、聚合甚至推理（通過(guò)蘊(yùn)涵機(jī)制）。例如，SPARQL 查詢可以通過(guò)匹配三元組模式并利用本體關(guān)系來(lái)詢問(wèn)：“查找在北京公司工作的所有人”。SPARQL 在查詢?nèi)我鈭D模式方面的表達(dá)能力是知識(shí)圖譜擅長(zhǎng)解答復(fù)雜問(wèn)題的原因之一。然而，表達(dá)能力的提升也伴隨著計(jì)算成本：SPARQL 查詢引擎必須優(yōu)化潛在的大型連接，因?yàn)閱蝹€(gè) SPARQL 查詢可能涉及多個(gè)三元組模式。SPARQL 引擎中實(shí)現(xiàn)了圖模式匹配、連接優(yōu)化和結(jié)果分頁(yè)等算法，以處理大規(guī)模查詢。許多知識(shí)圖譜工具包原生支持 RDF/SPARQL，從而確保了互操作性。

圖數(shù)據(jù)庫(kù)模型——帶標(biāo)簽屬性圖

除了 RDF 模型之外，知識(shí)圖譜 (KG) 的另一個(gè)范例是帶標(biāo)簽屬性圖 (LPG)模型。在這里，節(jié)點(diǎn)和邊可以具有標(biāo)簽以及任意一組鍵值屬性，而不是將每條邊作為預(yù)定義的“謂詞”。該模型是 Neo4j 等圖數(shù)據(jù)庫(kù)的基礎(chǔ)。LPG 通常使用Cypher（Neo4j 的查詢語(yǔ)言）或 Gremlin（一種遍歷語(yǔ)言）等語(yǔ)言進(jìn)行查詢。Cypher 提供了一種非常易讀的 ASCII 語(yǔ)法，例如MATCH (p:Person)-[:WORKS_AT]->(c:Company {location: "Beijing"}) RETURN p用于查找在北京的公司工作的人員）。RDF 的優(yōu)勢(shì)在于標(biāo)準(zhǔn)化和推理能力，而 LPG 則在開發(fā)人員友好的建模和某些圖操作的性能方面更勝一籌。這兩種模型都共享圖遍歷算法的底層思想。工具正在日益融合：例如，Apache TinkerPop（Gremlin 的框架）可以將 RDF 表示為屬性圖，而 SPARQL 和 Cypher 都在影響新的標(biāo)準(zhǔn)圖形查詢語(yǔ)言（GQL）。

嵌入算法——TransE、ComplEx 等

知識(shí)圖譜嵌入算法是專門的機(jī)器學(xué)習(xí)模型，用于學(xué)習(xí)實(shí)體和關(guān)系的向量表示。其目標(biāo)是使向量空間中的幾何運(yùn)算與圖中的關(guān)系相對(duì)應(yīng)，從而能夠預(yù)測(cè)新的鏈接或相似性查詢。TransE （平移嵌入）是一種開創(chuàng)性的算法，它將關(guān)系表示為向量平移：對(duì)于三元組（頭h，關(guān)系r，尾t），TransE 嘗試在向量空間中使h + r ≈ t 。它簡(jiǎn)單高效，但無(wú)法很好地模擬一對(duì)多或多對(duì)多關(guān)系。后來(lái)的模型，如TransH、TransR、RotatE，引入了變體（將實(shí)體投影到特定于關(guān)系的空間或在復(fù)空間中使用旋轉(zhuǎn)）來(lái)解決這些限制。ComplEx是一種嵌入模型，它使用復(fù)值向量來(lái)捕捉非對(duì)稱關(guān)系，因?yàn)閺?fù)共軛可以區(qū)分r(h,t)與r(t,h) 。它在基準(zhǔn)測(cè)試中取得了成功，實(shí)現(xiàn)了較高的鏈接預(yù)測(cè)準(zhǔn)確率。這些算法通常優(yōu)化三元組的評(píng)分函數(shù)（例如距離或相似度），使用已知的真實(shí)三元組和負(fù)樣本（損壞的三元組）進(jìn)行訓(xùn)練，以使真實(shí)事實(shí)的排名高于無(wú)意義事實(shí)。它們的價(jià)值在于能夠泛化和預(yù)測(cè)知識(shí)圖譜（KG，知識(shí)圖譜補(bǔ)全）中的新邊。然而，嵌入是潛在表示，不易解釋，這就是為什么它們經(jīng)常與符號(hào)方法一起使用的原因。最近的嵌入技術(shù)集成了圖神經(jīng)網(wǎng)絡(luò) (GNN)：例如，關(guān)系型圖神經(jīng)網(wǎng)絡(luò) (GCN)會(huì)聚合每個(gè)節(jié)點(diǎn)的鄰居信息，以迭代方式計(jì)算其嵌入，從而自然地將局部圖結(jié)構(gòu)融入到表示中。圖自編碼器和基于 Transformer 的模型也用于編碼多跳鄰域。嵌入算法的選擇會(huì)影響可擴(kuò)展性：像 TransE 這樣簡(jiǎn)單的模型可以擴(kuò)展到數(shù)百萬(wàn)個(gè)實(shí)體，而復(fù)雜的神經(jīng)方法可能需要更多的計(jì)算（通常是 GPU）。PyKEEN或DGL-KE等庫(kù)提供了許多嵌入模型的實(shí)現(xiàn)，并在實(shí)驗(yàn)中得到廣泛應(yīng)用。

圖神經(jīng)網(wǎng)絡(luò)

如上所述，GNN 已成為分析知識(shí)圖譜的重要工具。圖神經(jīng)網(wǎng)絡(luò)是一種通過(guò)聚合鄰居節(jié)點(diǎn)的表示來(lái)迭代更新節(jié)點(diǎn)表示的模型。在知識(shí)圖譜 (KG) 的背景下，關(guān)系型GNN 還會(huì)考慮邊的類型。像R-GCN（關(guān)系圖卷積網(wǎng)絡(luò)）這樣的模型通過(guò)為不同關(guān)系類型設(shè)置單獨(dú)的權(quán)重矩陣來(lái)擴(kuò)展 GCN。GNN 擅長(zhǎng)節(jié)點(diǎn)分類（例如，根據(jù)圖上下文預(yù)測(cè)實(shí)體的標(biāo)簽或類型）和鏈接預(yù)測(cè)（GNN 可以輸出潛在鏈接的分?jǐn)?shù)）等任務(wù)。它們?cè)谖覀冇蓄~外的節(jié)點(diǎn)特征或?qū)傩詠?lái)與關(guān)系信息混合的場(chǎng)景中也能大放異彩。一個(gè)新興的發(fā)展是Graph Transformers，它將自注意力機(jī)制應(yīng)用于鄰域甚至整個(gè)子圖中的節(jié)點(diǎn)，有可能比 GNN 的局部聚合捕獲更多的全局交互。 Kumo.ai 博客中引用的關(guān)于關(guān)系圖 Transformer 的研究正在進(jìn)行中，該研究可以處理包含多種關(guān)系類型的大型知識(shí)圖譜的復(fù)雜性。GNN 雖然功能強(qiáng)大，但規(guī)模相對(duì)較大——其可擴(kuò)展性通常受限于內(nèi)存（用于保存鄰居信息）以及隨圖譜規(guī)模增長(zhǎng)的計(jì)算量。諸如鄰居采樣、小批量訓(xùn)練和使用歸納表征等技術(shù)被用于在大型知識(shí)圖譜上擴(kuò)展 GNN。

推理器和規(guī)則引擎

在算法方面，知識(shí)圖譜的另一個(gè)重要組成部分是推理引擎。這些推理引擎包括描述邏輯推理器（用于 OWL 本體），例如 HermiT 或 Pellet，可以推斷子類關(guān)系、實(shí)例類型等，以及基于規(guī)則的引擎，例如支持 SPARQL 推理或 SWRL 規(guī)則的引擎。例如，規(guī)則引擎可能應(yīng)用一條規(guī)則：“如果 X 是 Y 的父級(jí)，且 Y 是 Z 的父級(jí)，則推斷 X 是 Z 的祖父級(jí)。”此類規(guī)則可以用語(yǔ)義網(wǎng)標(biāo)準(zhǔn)（RIF/RuleML）編寫，也可以通過(guò) Jena 內(nèi)置規(guī)則推理器等引擎實(shí)現(xiàn)。這些推理器確保一致性并允許推導(dǎo)隱性知識(shí)，但它們可能需要大量計(jì)算（在最壞情況下，大型本體的 OWL 推理速度可能會(huì)呈指數(shù)級(jí)增長(zhǎng)）。現(xiàn)代系統(tǒng)有時(shí)會(huì)使用前向鏈接（提前實(shí)現(xiàn)所有推理）來(lái)優(yōu)化查詢應(yīng)答，但這會(huì)占用存儲(chǔ)空間；而另一些系統(tǒng)則使用后向鏈接（動(dòng)態(tài)推導(dǎo)查詢的依據(jù)）來(lái)節(jié)省空間。一些圖數(shù)據(jù)庫(kù)（例如 Stardog、GraphDB 和 Ontotext 平臺(tái)）內(nèi)置了對(duì)常見蘊(yùn)涵（RDFS/OWL 配置文件）的支持 。同時(shí)，屬性圖系統(tǒng)通常缺乏顯式推理器，不過(guò)可以通過(guò)遍歷查詢或使用外部工具（例如，將 Apache Jena 推理步驟與 Neo4j 結(jié)合進(jìn)行 OWL 推理）來(lái)實(shí)現(xiàn)某些約束。

二、關(guān)鍵工具和平臺(tái)

存在多種用于處理知識(shí)圖譜的工具包，每種工具包都有不同的優(yōu)勢(shì)。

Apache Jena

一個(gè)開源 Java 框架，是語(yǔ)義網(wǎng)社區(qū)的中堅(jiān)力量。Jena 提供了用于創(chuàng)建和操作 RDF 圖的 API、內(nèi)存和 TDB 持久存儲(chǔ)以及 SPARQL 查詢引擎 (ARQ)。它還包含一個(gè)內(nèi)置的基于規(guī)則的推理器。Jena 因其對(duì) RDF/OWL 標(biāo)準(zhǔn)的全面支持而備受贊譽(yù)，并經(jīng)常在研究和企業(yè)項(xiàng)目中用作知識(shí)圖譜 (KG) 數(shù)據(jù)處理的“粘合劑”。在可擴(kuò)展性方面，Jena TDB 可以在單臺(tái)機(jī)器上處理數(shù)千萬(wàn)個(gè)三元組，而 Jena 較新的Fuseki服務(wù)器則為 Web 應(yīng)用程序提供了 SPARQL 端點(diǎn)。但是，對(duì)于非常大的圖或高并發(fā)性需求，專用的圖數(shù)據(jù)庫(kù)可能更受歡迎。Jena 的優(yōu)勢(shì)在于其豐富的功能和作為庫(kù)的靈活性。對(duì)于使用 Java 構(gòu)建自定義知識(shí)圖譜管道的開發(fā)人員來(lái)說(shuō)，它是首選。 

Stardog

一個(gè)商業(yè)企業(yè)知識(shí)圖譜平臺(tái)。Stardog 是一個(gè)支持 RDF 和 OWL 的圖譜數(shù)據(jù)庫(kù)，同時(shí)也提供了一定的多模型靈活性（它可以提取 JSON、CSV 等數(shù)據(jù)并將它們映射到圖中）。它具有強(qiáng)大的SPARQL 查詢引擎，尤其是內(nèi)置規(guī)則引擎，除了 OWL 推理之外，還可以定義推理規(guī)則。Stardog 強(qiáng)調(diào)企業(yè)級(jí)功能，例如安全性、可擴(kuò)展性（它可以在集群模式下運(yùn)行）和工具（它具有用于虛擬圖、搜索集成等的連接器）。許多用戶選擇 Stardog 是因?yàn)樗诖笮蛨D譜上的性能和便利性——它提供了一個(gè)統(tǒng)一的環(huán)境來(lái)建模本體、加載數(shù)據(jù)和進(jìn)行推理查詢。在可擴(kuò)展性方面，Stardog 可以通過(guò)集群處理數(shù)千億個(gè)三元組，并使用基于磁盤的索引和緩存來(lái)提高查詢速度。它還提供高級(jí)功能，例如全文搜索集成和地理空間查詢。易用性：Stardog 帶有基于 Web 的 GUI，并支持 GraphQL，方便用戶使用 GraphQL 查詢。缺點(diǎn)是需要支付許可費(fèi)用（它是商業(yè)軟件），并且需要根據(jù)具體部署進(jìn)行調(diào)整。

Neo4j

 Neo4j 或許是最著名的圖數(shù)據(jù)庫(kù)，它使用帶標(biāo)簽屬性圖模型和 Cypher 查詢語(yǔ)言。它并非專門的 RDF 存儲(chǔ)（盡管名為 Neosemantics 的插件允許導(dǎo)入/導(dǎo)出 RDF）。Neo4j 以其對(duì)開發(fā)人員友好的特性而聞名，設(shè)置和查詢相對(duì)簡(jiǎn)單，并配有可視化探索工具（Neo4j 瀏覽器和 Bloom）。它在圖遍歷性能方面表現(xiàn)出色，并且擁有成熟的生態(tài)系統(tǒng)（多種語(yǔ)言的驅(qū)動(dòng)程序和活躍的社區(qū)）。Neo4j 的可擴(kuò)展性傳統(tǒng)上受限于其單實(shí)例數(shù)據(jù)庫(kù)（用于 OLTP 工作負(fù)載），但最新版本（Neo4j 4.x 和 5）引入了分片和 Fabric 技術(shù)，用于讀取查詢的水平擴(kuò)展。它符合 ACID 規(guī)范，可以在高端硬件上處理數(shù)百億個(gè)關(guān)系。對(duì)于知識(shí)圖譜，Neo4j 通常用于主要需要操作型圖查詢（例如，實(shí)時(shí)推薦、欺詐模式檢測(cè)）而非繁重語(yǔ)義推理的場(chǎng)景。它本身并不執(zhí)行 OWL 推理——人們要么不用，要么使用外部推理器來(lái)提前豐富圖譜。Neo4j 的一個(gè)關(guān)鍵優(yōu)勢(shì)是易用性和可視化；數(shù)據(jù)科學(xué)家可以快速啟動(dòng) Neo4j 實(shí)例并運(yùn)行非常直觀的 Cypher 查詢。Neo4j 還具有圖數(shù)據(jù)科學(xué)庫(kù)，可直接在屬性圖上運(yùn)行圖算法（例如中心性、社區(qū)檢測(cè)）。總而言之，Neo4j 在用戶友好性、事務(wù)性能和生態(tài)系統(tǒng)方面表現(xiàn)強(qiáng)勁，但與 RDF 存儲(chǔ)相比，其語(yǔ)義表達(dá)能力較弱。

Protégé

由斯坦福大學(xué)維護(hù)的開源本體編輯器和框架。Protégé 不是一個(gè)數(shù)據(jù)庫(kù)，而是一個(gè)知識(shí)建模工具。它提供了一個(gè)圖形用戶界面來(lái)定義類、屬性和邏輯約束（使用 OWL 本體），有效地充當(dāng)了知識(shí)圖譜的模式編輯器。領(lǐng)域?qū)＜液椭R(shí)工程師使用 Protégé 來(lái)設(shè)計(jì)知識(shí)圖譜的模式（本體），有時(shí)還會(huì)填充小規(guī)模實(shí)例進(jìn)行測(cè)試。它支持包括推理器（例如 HermiT）在內(nèi)的插件，用于驗(yàn)證類層次結(jié)構(gòu)并檢查本體的一致性。Protégé 的優(yōu)勢(shì)在于它能夠幫助設(shè)計(jì)具有豐富語(yǔ)義的復(fù)雜模式——您可以通過(guò)友好的用戶界面指定Person是Mammal的子類，或者h(yuǎn)asSpouse是對(duì)稱的等等。這使得它對(duì)于確保知識(shí)圖譜的理論合理性至關(guān)重要。本體設(shè)計(jì)完成后，可以將其導(dǎo)入到圖形數(shù)據(jù)庫(kù)中，該數(shù)據(jù)庫(kù)將強(qiáng)制執(zhí)行或使用該模式。 Protégé 還具有用于本體開發(fā)的團(tuán)隊(duì)協(xié)作功能。它高度可用，盡管在理解形式語(yǔ)義方面存在一定的學(xué)習(xí)曲線。對(duì)于非專業(yè)人士來(lái)說(shuō)，種類繁多的 OWL 選項(xiàng)可能會(huì)讓人不知所措，但 Protégé 可以有效地成為構(gòu)建知識(shí)圖譜 (KG) 的 TBox（模式）的工作臺(tái)。在現(xiàn)代知識(shí)圖譜項(xiàng)目中，你經(jīng)常會(huì)看到這樣的工作流程：使用 Protégé 進(jìn)行模式設(shè)計(jì)，而實(shí)際的實(shí)例數(shù)據(jù)存儲(chǔ)和管理在實(shí)現(xiàn)該模式的數(shù)據(jù)庫(kù)中，例如 GraphDB 或 Neo4j。

其他值得注意的工具

除了上述工具之外，還有其他廣泛使用的工具： Ontotext 的GraphDB（通常簡(jiǎn)稱為 Ontotext GraphDB）是一個(gè)企業(yè)級(jí) RDF 存儲(chǔ)庫(kù)，以高性能和全文搜索集成而聞名——它用于許多工業(yè)項(xiàng)目并提供大數(shù)據(jù)可擴(kuò)展性（集群支持）。OpenLink的Virtuoso是另一個(gè)資深的三元組存儲(chǔ)庫(kù)，以支持 DBpedia 而聞名；它同時(shí)支持 SQL 和 SPARQL 查詢，可以充當(dāng)關(guān)系數(shù)據(jù)和 RDF 數(shù)據(jù)的統(tǒng)一數(shù)據(jù)。Blazegraph （以前是 Systap 的 bigdata）是 Wikidata 查詢服務(wù)使用的開源三元組存儲(chǔ)庫(kù)（以其高效的查詢引擎和 GPU 加速選項(xiàng)而聞名）——它的開發(fā)在收購(gòu)后暫停，但它仍在一些地方的生產(chǎn)中使用。RDF4J （以前是 Sesame）是一個(gè)類似于 Jena 的開源 Java 框架（一些項(xiàng)目更喜歡它的 API 風(fēng)格）。對(duì)于屬性圖，除了 Neo4j，JanusGraph（開源，基于 Apache Cassandra 或其他后端構(gòu)建）允許分布式圖存儲(chǔ)并支持 TinkerPop/Gremlin 查詢。我們將在第 6 節(jié)中詳細(xì)介紹TigerGraph，它是一個(gè)分布式圖數(shù)據(jù)庫(kù)，旨在處理非常大的圖和進(jìn)行實(shí)時(shí)分析。Grakn （TypeDB）是一個(gè)知識(shí)圖平臺(tái)，它使用自定義查詢語(yǔ)言（Graql）提供超關(guān)系模型，專注于內(nèi)置的智能推理和推理。每種工具在可擴(kuò)展性方面都有其優(yōu)缺點(diǎn)：例如，TigerGraph 和 JanusGraph 旨在跨集群進(jìn)行水平擴(kuò)展，而 GraphDB 和 Stardog 通常使用大型服務(wù)器或通過(guò)復(fù)制和緩存進(jìn)行“垂直”擴(kuò)展。在功能方面：一些強(qiáng)調(diào)推理（GraphDB、Stardog），另一些強(qiáng)調(diào)分析（TigerGraph、帶有 GDS 的 Neo4j），還有一些強(qiáng)調(diào)便利性（比如我們將在下一節(jié)討論的云托管服務(wù)）。前景豐富，選擇往往歸結(jié)為用例要求，例如數(shù)據(jù)大小、查詢復(fù)雜性、推理需求和團(tuán)隊(duì)專業(yè)知識(shí)。

三、關(guān)鍵工具評(píng)估

對(duì)以上工具進(jìn)行總結(jié)：Apache Jena功能豐富，非常適合定制解決方案，但可能需要更多手動(dòng)設(shè)置才能擴(kuò)展（將其嵌入 Web 應(yīng)用程序中需要設(shè)置 Fuseki 或類似程序）。Stardog 是企業(yè)級(jí)的，將語(yǔ)義嚴(yán)謹(jǐn)性（OWL、規(guī)則）與良好的可擴(kuò)展性和流暢的用戶體驗(yàn)（特別是對(duì)于那些具有 RDF 專業(yè)知識(shí)的人）相結(jié)合。Neo4j 非常用戶友好且有詳盡的文檔，使開發(fā)人員可以輕松上手；當(dāng)模式可以更寬松并且圖遍歷是核心（社交網(wǎng)絡(luò)、推薦）時(shí)，它是理想的選擇。Protégé 在本體設(shè)計(jì)方面無(wú)與倫比，但不用于運(yùn)行時(shí)查詢（它是離線設(shè)計(jì)）。

在性能方面：屬性圖數(shù)據(jù)庫(kù)（Neo4j、TigerGraph）在路徑密集型查詢方面通常優(yōu)于 RDF 存儲(chǔ)，因?yàn)樗鼈兛梢杂行У厮饕P(guān)系，而 RDF 存儲(chǔ)在復(fù)雜模式匹配方面表現(xiàn)出色，尤其是與推理相結(jié)合時(shí)。

擴(kuò)展性方面：眾所周知，TigerGraph 和 Amazon Neptune（屬性圖 + RDF）能夠通過(guò)分布式架構(gòu)處理非常大的圖（1000 億條邊），而像 Jena TDB 或單實(shí)例 Neo4j 這樣的程序在單臺(tái)機(jī)器上處理數(shù)十億條關(guān)系時(shí)會(huì)受到限制。

易用性方面：精通 SQL 的用戶一開始可能會(huì)覺得 SPARQL 很陌生，而習(xí)慣于 JSON 的用戶可能更喜歡屬性圖。現(xiàn)代工具正在彌合差距（例如，GraphDB 和 Stardog 提供了 GraphQL 端點(diǎn)以方便使用，Neo4j 的 GDS 庫(kù)可以輕松地將 ML 帶入圖表，等等）。

表格樣式的比較（例如在 DB-Engines上）通常顯示權(quán)衡：例如，Jena TDB 是基于文件的，對(duì)于并發(fā)寫入不是 ACID，而 Neo4j 是完全 ACID 并支持用戶定義的過(guò)程； Stardog 支持推理，Neo4j 原生不支持，等等。

最終，“最佳”工具取決于具體情況，但令人鼓舞的消息是，現(xiàn)在存在一系列成熟的工具來(lái)實(shí)現(xiàn)知識(shí)圖譜，這反映了知識(shí)圖譜在人工智能和企業(yè)應(yīng)用中日益增長(zhǎng)的重要性。