知识图谱与推理核心术语

知识图谱(Knowledge Graph)

知识图谱是结构化的语义知识网络，由实体(如“姚明”)、关系(如“职业”)、属性(如“身高:2.26米”)组成，以三元组(实体1，关系，实体2)形式存储(如“姚明-职业-篮球运动员”)。其核心是通过关系连接实体，形成语义关联，使机器能理解知识间的逻辑。知识图谱在智能问答(如“姚明出生在哪里?”)、推荐系统(如“喜欢姚明的人也喜欢易建联”)、搜索引擎(如谷歌知识面板)等领域提供深度知识支持。

实体(Entity)

实体是知识图谱的基本单元，指现实世界中的具体事物或抽象概念，如人物(“李白”)、地点(“北京”)、组织机构(“腾讯”)、事件(“奥运会”)。实体具有唯一性，可通过URI(统一资源标识符)标识，例如“北京”在知识图谱中是一个实体，与“中国”​“首都”等实体/关系关联。实体识别(从文本中提取实体)是构建知识图谱的基础，直接影响图谱的覆盖度和准确性。

关系(Relationship)

关系是知识图谱中实体间的语义连接,用于描述实体间的关联，如“父子”(“周杰伦-父子-小小周”)、​“位于”(“上海-位于-中国”)、​“创立”(“马云-创立-阿里巴巴”)。关系使知识图谱从孤立实体升级为网状结构，支持逻辑推理(如通过“A是B的父亲，B是C的父亲”推出“A是C的祖父”)。关系抽取是知识图谱构建的核心步骤，需从文本中识别实体间的语义关联。

知识抽取(Knowledge Extraction)

知识抽取是从非结构化(如文本)、半结构化(如表格)、结构化数据中提取实体、关系、属性等知识的技术，是构建知识图谱的基础。其核心任务包括实体抽取(命名实体识别)、关系抽取(识别实体间关系)、属性抽取(提取实体属性，如“姚明-身高-2.26 米”)。传统知识抽取依赖人工规则和词典，现结合机器学习(如CRF) 和深度学习(如BERT+关系分类模型)，可从大规模文本中自动抽取知识，支撑知识图谱构建(如百度百科知识图谱)、智能问答知识库建设等，是打通“文本数据”到“结构化知识”的关键技术。

知识融合(Knowledge Fusion)

知识融合是将多源、异构的知识(如不同知识图谱、数据库、文本)整合为统一知识图谱的过程，核心是解决知识冲突(如“同名异实体”​“同实体异名”)和冗余问题。其关键步骤包括实体对齐(识别不同来源的同一实体,如“北京”与“北京市”)、关系对齐(统一关系名称，如“属于”与“隶属于”)、属性融合(合并同一实体的不同属性值)。知识融合技术使知识图谱更全面、准确，在跨领域知识应用(如医疗+药物知识融合)、多源数据整合(如企业工商信息+司法信息)中不可或缺，典型工具如 Linked Data Fusion 框架。

知识推理(Knowledge Reasoning)

知识推理是从知识图谱已有三元组推导出新关系或实体属性的技术，用于补全知识图谱、发现隐藏关联。其方法包括基于规则的推理(如“若A是B的父亲，B是C的父亲，则A是C的祖父”)、基于分布式表示的推理(如TransE将实体和关系映射到向量空间，通过向量运算推理)、基于神经网络的推理(如R-GCN 利用图神经网络捕捉图谱结构特征)。知识推理在智能问答(如回答 “姚明的妻子的国籍是什么”需推理“姚明-配偶-叶莉”​“叶莉-国籍-中国”)、推荐系统(如“喜欢A的用户也喜欢 B”的关联推理)等领域扩展知识应用边界。

本体(Ontology)

本体是对特定领域知识的概念化、形式化规范，定义领域内的概念(如“人”​“动物”)、概念间关系(如“人属于动物”)、属性(如“人有年龄”)及约束(如“年龄为正数”)。本体为知识图谱提供顶层框架，确保知识的一致性和可共享性，例如医学本体 SNOMED CT定义了疾病、症状、治疗等概念及关系，使不同医疗知识系统能互操作。本体是知识工程的基础，在语义网、领域知识图谱构建中必不可少。

实体链接(Entity Linking)

实体链接是将文本中的提及(如“苹果”)关联到知识图谱中对应实体(如“苹果公司”或“水果苹果”)的技术，解决一词多义问题。其流程包括提及识别(定位文本中的实体名)、候选实体生成(从知识图谱中找出可能匹配的实体)、实体消歧(通过上下文判断最佳匹配，如“苹果发布了新手机”中“苹果”链接到“苹果公司”)。实体链接使文本与知识图谱关联，在搜索引擎(如谷歌搜索“爱因斯坦”显示其知识面板)、舆情分析(如分析“华为”相关新闻时关联企业实体)等场景实现深度语义理解。