知识图谱本质上是一个语义网络，是一个基于图的数据结构。以图形化的方式存储知识并经过处理推理后返回给用户知识。它由“节点”和“边”组成。节点代表现实世界中的“实体”，而边代表实体之间的“关系”。一般来说，-2图谱分为通用-2图谱和域知识。其中GM 知识 图谱主要是各大搜索引擎公司为了提高搜索精度，争取直接给出目标答案而研究的；
5、行业 知识 图谱如何构建?知识图谱的基本成分是实体、属性和关系。实体关系实体三元组；实体属性的属性值三元组。目前的知识 图谱分为两类。一个是开域的-2图谱，一个是垂直域的-2图谱。比如Google为搜索引擎建立的-2图谱就属于开放域。垂直领域知识 图谱，如金融、电子商务等。第一件事是先处理数据。互联网上的数据基本都是结构化、非结构化、半结构化的。
这些数据存储在数据库中，由简单从数据库中提取并预处理。半结构化数据和非结构化数据，比如商品的描述或者标题，可能是一段文字，也可能是一张图片，是一些非结构化的数据。但是其中存储了一些信息，反映了知识 图谱中的一些属性。所以我们需要提取它，这在building知识图谱中是一项费时费力的工作。需要从数据中提取出来的，其实就是前面提到的实体、属性和关系。
6、 知识 图谱:方法、实践与应用笔记-第2章 知识 图谱表示与建模descriptionlogic是以知识为代表的语言簇，它以结构化和形式化的方式表示特定应用领域中的知识。描述逻辑作为知识表示的一种形式化工具，已经广泛应用于信息系统、软件工程和自然语言处理中。知识 图谱包含描述抽象的本体层知识和描述具体事实的实例层。本体层用于描述特定领域的抽象概念、属性和公理；实例层用于描述具体的实体对象和实体之间的关系，包含大量的事实和数据。知识融合是解决知识 图谱异构问题的有效途径。知识 Fusion建立了异构本体或异构实例之间的联系，使异构知识 图谱可以相互通信，实现它们的互操作。(1)语法错配法:尽量将不同的语言转换成相同的语法格式；(2)逻辑表示不匹配法:例如通过定义语言L1的逻辑表示到语言L2的逻辑表示的转换规则；(3)原语言语义不匹配注意:在使用不同语言的本体进行交互时，需要注意其原语言表达意义的差异；(4)语言表达不匹配法:我们需要把表达能力弱的语言转换成表达能力强的语言；但是，如果表达能力强的语言与表达能力弱的语言不完全兼容，这样的转换可能会造成信息的丢失。
7、 知识 图谱补全前言与背景:在构建知识 图谱的过程中，大量的知识信息来自于文档和网页，在从文档中提取知识的过程中往往会出现偏差。(2)文档信息量有限，所有知识不会涉及，尤其是很多常识性的知识。以上都将导致-2图谱不完整，所以-2图谱完整在建-2图谱。
然而，仅仅得到三胞胎是不够的。我们还要考虑这些，因为三元组中的实体不仅有属性和关系，还可以映射与知识 concept hierarchy关联的类型，一个实体可以有多种类型，例如，奥巴马的实体类型在不同的关系中有所不同。在出生信息描述中，类型为人类；在创作回忆录的描述中，也可以是作家；在职位描述中你也可以是政治家，这里:人、作家、政治家的概念之间是有层次的，这是概念的层次模型。
