1. 什么是知識圖譜

我們的現(xiàn)實(shí)世界中有多種類型的事物：

事物之間有多種類型的鏈接：

而知識圖譜即用來描述真實(shí)世界中存在的各種實(shí)體或概念，以及它們之間的關(guān)聯(lián)關(guān)系。

其中：

• 每個實(shí)體或概念用一個全局唯一確定的ID來標(biāo)識，稱為標(biāo)識符；
• 每個屬性—值對用來刻畫實(shí)體的內(nèi)在特性，而關(guān)系用來連接兩個實(shí)體，刻畫它們之間的關(guān)聯(lián)。

從抽象層面看，本體最抽象，其次是知識庫，***才是知識圖譜，因此本體與知識圖譜的區(qū)別在于以下三點(diǎn)：

• 知識圖譜并不是本體的替代品，它是在本體的基礎(chǔ)上進(jìn)行了豐富和擴(kuò)充，這種擴(kuò)充主要體現(xiàn)在實(shí)體（Entity）層面；
• 本體中突出和強(qiáng)調(diào)的是概念以及概念之間的關(guān)聯(lián)關(guān)系，而知識圖譜則是在本體的基礎(chǔ)上，增加了更加豐富的關(guān)于實(shí)體的信息；
• 本體描述了知識圖譜的數(shù)據(jù)模式（schema），即為知識圖譜構(gòu)建數(shù)據(jù)模式相當(dāng)于為其建立本體。

1.1 知識圖譜的應(yīng)用

知識圖譜已經(jīng)在人工和商業(yè)智能方面有了一系列的應(yīng)用，包括聊天機(jī)器人，臨床決策支持等。

同時為了應(yīng)對大數(shù)據(jù)應(yīng)用的不同挑戰(zhàn)，借助知識圖譜，實(shí)現(xiàn)不同的業(yè)務(wù)需求。

2. 知識圖譜的適用場景

我們看到知識圖譜有了如此多的應(yīng)用，不過它最適合處理還是這些數(shù)據(jù)：

關(guān)系復(fù)雜的數(shù)據(jù)；

類型繁多的數(shù)據(jù)；

結(jié)構(gòu)多變的數(shù)據(jù)。

作為數(shù)據(jù)融合與鏈接的紐帶，知識圖譜整合結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，擁有如下的消費(fèi)和數(shù)據(jù)場景

但知識圖譜不是銀彈！需要我們依據(jù)不同的問題尋找合適的方法，不要為了用知識圖譜而用知識圖譜。

知識圖譜的不適用場景如下：

不適用的數(shù)據(jù)場景：

• 通常的二進(jìn)制數(shù)據(jù)
• 日志數(shù)據(jù)
• 流式數(shù)據(jù)

不適用的消費(fèi)場景：

• 數(shù)據(jù)統(tǒng)計
• 數(shù)據(jù)計算

這些不適用場景都需要借助其它工具存儲和處理，同時結(jié)合其它工具和方法使用，最終與知識圖譜進(jìn)行數(shù)據(jù)鏈接。

3. 知識圖譜的存儲

通過上面的內(nèi)容，我們了解到知識圖譜最適合處理關(guān)聯(lián)密集型的數(shù)據(jù)，因此首先需要存放的是圖譜中的節(jié)點(diǎn)和邊的數(shù)據(jù)；知識圖譜基于圖數(shù)據(jù)庫的優(yōu)點(diǎn)，能夠方便的存放這一類關(guān)系型的數(shù)據(jù)，對于大量其他類型的數(shù)據(jù)我們?nèi)绾翁幚砟兀?/p>

由此可知知識圖譜數(shù)據(jù)的存儲不等于圖數(shù)據(jù)庫。

接下來本文重點(diǎn)介紹知識圖譜數(shù)據(jù)存儲的幾種常見方式。

3.1 知識圖譜數(shù)據(jù)存儲的幾種常見方式

知識圖譜的存儲并不依賴特定的底層結(jié)構(gòu)，一般的做法是按數(shù)據(jù)和應(yīng)用的需求采用不同的底層存儲。你甚至可以基于現(xiàn)有關(guān)系數(shù)據(jù)庫或NoSQL數(shù)據(jù)庫進(jìn)行構(gòu)建。我們來列舉一下幾種常見做法：

三元組表（S，P，O）

類似RDF存儲結(jié)構(gòu)（下文會進(jìn)行介紹），以元組為單元進(jìn)行存儲。語義較為明確。 

問題：大量自連接操作的開銷巨大。

屬性表：屬性相似的主語聚為一張表

類似關(guān)系型數(shù)據(jù)結(jié)構(gòu)，每一條數(shù)據(jù)代表一個實(shí)體，每一列代表一個屬性。 

問題：1.RDF靈活性（高于一階的關(guān)系查詢很復(fù)雜）；2.查詢時必須指定屬性，無法做不確定屬性的查詢。

垂直分割：以謂語劃分三元組表

根據(jù)屬性的不同建立數(shù)據(jù)表，數(shù)據(jù)結(jié)構(gòu)較為清晰。 

問題：1.大量數(shù)據(jù)表；2.刪除屬性代價大。

以上這些方案都會有各自的優(yōu)缺點(diǎn)，在實(shí)現(xiàn)時需要根據(jù)不同的應(yīng)用場景來進(jìn)行選擇，并設(shè)計索引、約束等方法來解決查詢效率問題。

目前圖結(jié)構(gòu)存儲有兩種通用的存儲方案：RDF存儲和圖數(shù)據(jù)庫(Graph Database)。下圖為兩種存儲在http://db-engines.com/上的發(fā)展趨勢：

可以明顯地看到基于圖的存儲方式在整個數(shù)據(jù)庫存儲領(lǐng)域的發(fā)展飛速。

3.1.1 RDF存儲

RDF存儲亦稱三元組存儲（triplestore），它是專為存儲三元組形式的數(shù)據(jù)而設(shè)計的專用數(shù)據(jù)庫，通過六重索引（SPO、SOP、PSO、POS、OSP、OPS）的方式解決了三元組搜索的效率問題。

其優(yōu)點(diǎn)是：

三元組模式查詢（triple pattern）的高效執(zhí)行；

任意兩個三元組模式的高效歸并連接（merge-join）。

但缺點(diǎn)也很明顯：

六重索引意味著6倍空間開銷，如果是 (S, P, O, C) 四元組呢？

更新維護(hù)代價大。

現(xiàn)在越來越多的RDF數(shù)據(jù)庫通過列式存儲的方式來對三元組進(jìn)行存儲，進(jìn)一步提高六重索引下的查詢效率。

3.1.2 圖數(shù)據(jù)庫

圖數(shù)據(jù)庫的結(jié)構(gòu)定義相比RDF數(shù)據(jù)庫更為通用，實(shí)現(xiàn)了圖結(jié)構(gòu)中的節(jié)點(diǎn)，邊以及屬性來進(jìn)行圖數(shù)據(jù)的存儲，典型的開源圖數(shù)據(jù)庫就是Neo4j。

這種做法的優(yōu)點(diǎn)是數(shù)據(jù)庫本身提供完善的圖查詢語言、支持各種圖挖掘算法，但圖數(shù)據(jù)庫的分布式存儲實(shí)現(xiàn)代價高，數(shù)據(jù)更新速度慢，大節(jié)點(diǎn)的處理開銷很高。

3.2 大規(guī)模知識圖譜存儲***解決方案

指導(dǎo)思想仍舊是之前提到的“數(shù)據(jù)思維”和“No Size Fits All”，整體原則歸結(jié)為以下六點(diǎn)：

(1)基礎(chǔ)存儲

可按數(shù)據(jù)場景選擇使用關(guān)系數(shù)據(jù)庫、NoSQL數(shù)據(jù)庫及內(nèi)存數(shù)據(jù)庫；

基礎(chǔ)存儲保證可擴(kuò)展、高可用。

(2)數(shù)據(jù)分割

屬性表：依據(jù)數(shù)據(jù)類型劃分 

基本類型：整數(shù)表、浮點(diǎn)數(shù)表、日期類型表、…

集合類型：List型表、Range型表、Map型表、…

大屬性單獨(dú)列表：例如數(shù)量超過10M的屬性單獨(dú)列表。

(3)緩存與索引

使用分布式 Redis 作為緩存，按需對數(shù)據(jù)進(jìn)行緩存；

對三元組表按需進(jìn)行索引，最多情況下可建立九重索。

(4)善于使用現(xiàn)有成熟存儲

使用ElasticSearch實(shí)現(xiàn)數(shù)據(jù)的全文檢索；

結(jié)構(gòu)固定型的數(shù)據(jù)可使用關(guān)系數(shù)據(jù)庫或NoSQL。

(5)對于非關(guān)系型的數(shù)據(jù)盡量不入圖存儲，避免形成大節(jié)點(diǎn)

非關(guān)系型的數(shù)據(jù)，使用適合的數(shù)據(jù)存儲機(jī)器進(jìn)行存儲，通過實(shí)體鏈接的方式實(shí)現(xiàn)與圖譜數(shù)據(jù)的關(guān)聯(lián)。

(6)不直接在圖存儲中進(jìn)行統(tǒng)計分析計算

對于需要進(jìn)行統(tǒng)計分析計算的數(shù)據(jù)，需要導(dǎo)出到合適的存儲中進(jìn)行。

4. 知識圖譜時態(tài)信息及存儲

眾所周知，信息是有時態(tài)的，時態(tài)特性是信息的客觀存在，同時知識和數(shù)據(jù)是不斷更新的，這些變化的時間點(diǎn)同樣代表了有意義的信息。

時態(tài)信息的需求與技術(shù)一直伴隨著數(shù)據(jù)庫技術(shù)的發(fā)展而產(chǎn)生和發(fā)展。下圖為時態(tài)數(shù)據(jù)庫與其他類型數(shù)據(jù)庫相比的發(fā)展趨勢：

可以發(fā)現(xiàn)時態(tài)數(shù)據(jù)庫的發(fā)展趨勢遠(yuǎn)遠(yuǎn)高于與其他數(shù)據(jù)存儲方式。

知識圖譜中的時態(tài)信息包含以下四個方面：

• 事實(shí)的生成時間；
• 某事實(shí)的有效時間段；
• 某一對象在特定歷史時刻的狀態(tài)；
• 知識圖譜在過去特定時間的版本。

下面的視頻為利用PlantData知識圖譜數(shù)據(jù)智能平臺，查詢出的北京小桔科技有限公司（嘀嘀打車）擁有時態(tài)信息的企業(yè)創(chuàng)投知識圖譜。

結(jié)合最近很火的一部電視劇《人民的名義》我們來理解一下知識圖譜中的時態(tài)信息。

知識圖譜時態(tài)信息存儲實(shí)現(xiàn)的設(shè)計原則如下：

5. 使用圖數(shù)據(jù)庫進(jìn)行數(shù)據(jù)存儲

在選擇圖數(shù)據(jù)存儲的指標(biāo)上，需要考慮以下幾個方面：

數(shù)據(jù)存儲支持；

數(shù)據(jù)操作和管理方式；

支持的圖結(jié)構(gòu)；

實(shí)體和關(guān)系表示；

查詢機(jī)制。

此處選擇圖數(shù)據(jù)庫進(jìn)行知識圖譜數(shù)據(jù)的存儲：

• 應(yīng)用場景：創(chuàng)投知識圖譜；
• 數(shù)據(jù)維度：創(chuàng)投知識圖譜描述創(chuàng)業(yè)企業(yè)與投資機(jī)構(gòu)之間以投資為主線的多種關(guān)系，包含：企業(yè)產(chǎn)品、創(chuàng)始人、股東、高管、行業(yè)、細(xì)分行業(yè)、新聞、投融資事件、關(guān)注度、活躍度、招聘等方面；
• 應(yīng)用目標(biāo)：基于創(chuàng)投知識圖譜及平臺分析功能，投資機(jī)構(gòu)能夠完成創(chuàng)業(yè)企業(yè)、行業(yè)調(diào)研及追蹤，為投資進(jìn)行輔助決策；創(chuàng)業(yè)企業(yè)也可以分析熱點(diǎn)投資賽道、關(guān)注行業(yè)動態(tài)及競爭對手動向。

初創(chuàng)企業(yè)相關(guān)的數(shù)據(jù)包括：

• 工商注冊信息
• 企業(yè)產(chǎn)品
• 創(chuàng)始人/股東/高管
• 所屬行業(yè)/領(lǐng)域
• 投融資事件
• 專利/招聘/訴訟/失信
• 新聞/社交網(wǎng)絡(luò)數(shù)據(jù)
• 產(chǎn)品活躍數(shù)據(jù)

關(guān)系型數(shù)據(jù)（通過關(guān)系形成網(wǎng)絡(luò)）：

企業(yè)與創(chuàng)始人

企業(yè)與投資人（機(jī)構(gòu)）

企業(yè)與產(chǎn)品

企業(yè)與高管

高管與高校

關(guān)系型數(shù)據(jù)的存儲方法：作為實(shí)體存入知識圖譜，通過它們之間的關(guān)系形成圖譜網(wǎng)絡(luò)。

結(jié)構(gòu)型數(shù)據(jù)（與主體進(jìn)行關(guān)聯(lián)，但不會再續(xù)延伸）：

企業(yè)與專利/招聘/訴訟/失信

企業(yè)與新聞

企業(yè)與投融資事件

企業(yè)產(chǎn)品活躍數(shù)據(jù)

結(jié)構(gòu)型數(shù)據(jù)的存儲方法：作為記錄型數(shù)據(jù)存入合適的存儲中，通過鏈接與圖譜中的實(shí)體進(jìn)行關(guān)聯(lián)。

屬性型數(shù)據(jù)：

企業(yè)的工商注冊中基本信息

企業(yè)的所屬行業(yè)

創(chuàng)始人的基本信息

產(chǎn)品的基本信息

投資機(jī)構(gòu)基本信息

高校基本信息

屬性型數(shù)據(jù)的存儲方法：作為實(shí)體的數(shù)值屬性存入知識圖譜。

時態(tài)型數(shù)據(jù)：

企業(yè)的成立時間

高管的任職時間

投資關(guān)系的發(fā)生時間

產(chǎn)品的發(fā)布時間

時態(tài)型數(shù)據(jù)的存儲方法：使用基于知識圖譜上的時間存儲中間件進(jìn)行存儲和查詢處理。

Schema定義：概念選取

企業(yè) 

創(chuàng)業(yè)企業(yè)

投資機(jī)構(gòu)

人物 

投資個人

高管

股東

產(chǎn)品

Schema定義：關(guān)系和屬性的定義

關(guān)系的定義 

企業(yè)與創(chuàng)始人的關(guān)系

企業(yè)與投資人（機(jī)構(gòu)）的投資關(guān)系

企業(yè)與產(chǎn)品的所屬關(guān)系

企業(yè)與高管的任職關(guān)系

高管與高校的教育背景關(guān)系

屬性的定義 

企業(yè)的屬性

人物的屬性

產(chǎn)品的屬性

使用圖數(shù)據(jù)庫進(jìn)行數(shù)據(jù)存儲一般過程：

導(dǎo)入實(shí)體，概念（Label）

導(dǎo)入實(shí)體屬性

導(dǎo)入實(shí)體間關(guān)系

***實(shí)踐過程：

分批導(dǎo)入，并使用Index提升導(dǎo)入時查詢效率

按數(shù)據(jù)的類型、屬性不同準(zhǔn)備導(dǎo)入文件

數(shù)據(jù)主鍵維護(hù)，使用Constraints

盡可能保證導(dǎo)入數(shù)據(jù)格式正確

總結(jié)一下，復(fù)雜應(yīng)用場景下知識圖譜數(shù)據(jù)存儲的原則：

• 關(guān)系型數(shù)據(jù)：使用圖形數(shù)據(jù)存儲；
• 關(guān)聯(lián)型數(shù)據(jù)：作為記錄型數(shù)據(jù)存入合適的存儲中，通過實(shí)體鏈接與圖譜中實(shí)體關(guān)聯(lián)；
• 屬性型數(shù)據(jù)：作為實(shí)體的數(shù)值屬性存入知識圖譜；
• 時態(tài)型數(shù)據(jù)：使用基礎(chǔ)存儲上的時態(tài)處理中間件進(jìn)行存儲與查詢。