知识图谱的知识表现方法回顾与展望
我国边民研究的回顾与展望——基于知识图谱的可视化分析
文献首发年份 １９９８ １９９８ １９９８ ２００８ ２００９ ２００６ ２０１８ ２０１８ ２００８ ２０１２ ２０１３ ２０１８ ２０１０ ２０１１ ２０１５ ２０１８ ２０１９ ２０２１
图 ２ 边民研究者关系图谱
① 丁学东：《文献计量学基础》，北京：北京大学出版社，１９９２年，第 ２０４—２０９页。
关键词：边民；回顾；展望；知识图谱 中图分类号：Ｄ６３３ 文献标识码：Ａ 文章编号：１６７１－２８１１（２０２３）０２－００５２－１３
随着国家治理现代化在边境空间区域的深入推进，边民的现实价值和影响日益增强，引起了 学术界的关注和研究。从学术回应现实及学术研究发展的需要来看，分析和梳理既有的学术成果， 既有利于我们了解边民研究的历史发展现状，增进对边民研究的整体性认识，也有助于我们面向 未来，展望边民研究的走势和方向。本文运用 ＣｉｔｅＳｐａｃｅ软件对我国边民研究的脉络和研究热点进 行梳理，在此基础上对我国边民研究的重要议题进行归纳，总结既有研究成果的整体状况以及未 来研究发展需要加强的方面，以期能够更好地促进边民研究的进一步深入和拓展。
·５４·
Copyright©博看网. All Rights Reserved.
我国边民研究的回顾与展望———基于知识图谱的可视化分析★陆海发，王淑萍
ＣｉｔｅＳｐａｃｅ软件制作的边民 研 究 中 的 研 究 者 关 系 图 进 一 步 展 现 了 研 究 者 之 间 的 相 互 合 作 情 况 （如图 ２）。在这一关系网络图中，节点之间存在的连线则表示不同研究者之间具有合作关系。其 节点与作者名称越大代表其发文量越多，作者间连线越粗则代表他们的合作越密切。在我国边民 研究当中，形成了部分研究者的合作网络，如邓玉函、秦红增、夏福立以及周俊华等研究者形成 了一定的合作关系。但是总体来看，我国边民研究中的合作关系网络较少，特别是发文数量较多 的研究者多进行独立研究和发文。由此可见，我国边民研究领域需要建立进一步的合作研究关系， 形成相互合作、能力互补的研究圈。
知识图谱表示学习方法比较与改进思路
知识图谱表示学习方法比较与改进思路知识图谱表示学习是人工智能领域的一个重要研究方向，它可以帮助计算机更好地理解和组织人类知识。
在知识图谱表示学习中，研究者们提出了各种方法来将知识表示为图谱的形式，以提高计算机对知识的理解和推理能力。
本文将在比较不同的知识图谱表示学习方法的基础上，探讨其应用领域和改进思路。
一、比较不同的知识图谱表示学习方法1. 基于图结构的方法基于图结构的方法将知识表示为图谱，节点表示实体，边表示实体之间的关系。
这种方法可以很好地保留实体之间的关系信息，但对于图结构的处理和扩展存在一定的挑战。
2. 基于嵌入的方法基于嵌入的方法将实体和关系嵌入到低维向量空间中，通过学习实体和关系之间的相似性来表示知识。
这种方法在计算效率上具有优势，但可能会损失一部分图结构的信息。
3. 基于注意力机制的方法基于注意力机制的方法充分考虑了实体之间的关系权重，通过给不同的实体和关系分配不同的权重，来提高知识表示的准确性和效果。
这种方法能够适应多种关系和神经网络结构，但计算复杂度较高。
二、知识图谱表示学习方法的应用领域1. 信息检索知识图谱表示学习可以帮助改进信息检索系统，通过将知识表示为图谱，提供更准确和全面的搜索结果。
用户可以通过图谱的结构和关系来进行更精确的搜索和推荐。
2. 问答系统知识图谱表示学习可以用于问答系统中的知识表示和推理，通过建立知识图谱，系统可以更好地理解问题，查找相关实体和关系，并根据知识图谱进行推理和回答。
3. 自然语言处理知识图谱表示学习可以提供更丰富的语义信息，帮助解决自然语言处理中的歧义性和语义理解问题。
通过将文本转化为图谱表示，可以更好地进行实体识别、关系抽取和语义推理等任务。
三、改进知识图谱表示学习方法的思路1. 结合多模态信息当前的知识图谱表示学习方法主要基于文本信息，可以考虑结合图像、视频等多模态信息，通过融合不同模态的特征来提升知识表示的效果。
2. 考虑动态变化知识图谱是一种静态的表示形式，但现实世界中的知识是动态变化的。
知识图谱构建与应用的方法与经验总结
知识图谱构建与应用的方法与经验总结随着大数据和人工智能等技术的迅猛发展，知识图谱作为一种有效的知识表示和获取方式，逐渐成为各行各业的研究热点。
知识图谱的构建与应用具有广泛的应用前景，可以帮助我们更好地组织、管理和利用知识。
本文将对知识图谱构建与应用的方法和经验进行总结和探讨。
一、知识图谱构建的方法与技术知识图谱的构建过程主要包括三个关键步骤：信息抽取、知识组织与表示、知识关联与推理。
对于不同领域的知识图谱构建，可以采用不同的方法和技术。
下面将介绍几种常见的知识图谱构建方法。
1.信息抽取信息抽取是知识图谱构建的第一步，其目的是从大量的文本和数据中抽取出结构化的信息。
常用的信息抽取技术包括命名实体识别（NER）、关系抽取、事件抽取等。
这些技术可以帮助实现对实体、属性和关系的自动识别和提取。
2.知识组织与表示知识组织与表示是知识图谱构建的核心环节，其目的是将抽取得到的信息进行合理的组织和表示，形成有语义丰富的知识图谱。
常用的知识组织与表示技术包括本体建模、概念分类、属性定义等。
本体建模可以帮助构建高度可扩展的知识图谱，概念分类可以帮助实现知识的层次化组织，属性定义可以帮助描述实体和关系的属性特征。
3.知识关联与推理知识关联与推理是知识图谱构建的最后一步，其目的是通过对知识图谱中的实体和关系进行关联和推理，从而构建知识之间的桥梁和逻辑关系。
常用的知识关联与推理技术包括实体关联、关系推理、逻辑推理等。
实体关联可以帮助发现实体之间的共现关系，关系推理可以帮助发现隐含的关系，逻辑推理可以帮助实现知识的推理和推断。
二、知识图谱应用的方法与经验知识图谱的应用领域非常广泛，包括搜索引擎、智能问答、智能推荐、信息推送等。
下面将介绍几种常见的知识图谱应用方法和经验。
1.搜索引擎知识图谱可以通过提供丰富的实体、属性和关系信息来改进传统搜索引擎的用户体验。
例如，在搜索结果页面显示相关实体信息和属性信息，提供更多的上下文信息和相关推荐。
知识图谱技术原理介绍
知识图谱技术原理介绍知识图谱技术是一种以图结构表示和存储知识，并通过图分析和推理等方法进行知识挖掘和知识应用的技术。
它通过构建实体、属性和关系之间的关联关系，将各种有关系的知识点连接起来，形成一个具有丰富语义关联的知识网络。
知识图谱技术在信息检索、智能问答、推荐系统等领域有着广泛的应用。
1.知识表示知识图谱的基本单位是实体、属性和关系。
实体可以是具体的事物，如人、地点、组织等，也可以是抽象的概念，如学科、概念等。
属性是实体的特征或属性，如人的年龄、地点的经纬度等。
关系则表示实体与实体之间的关联关系，如人与人之间的亲属关系、地点与地点之间的距离关系等。
知识表示可以采用三元组的方式，即通过主体、谓词和宾语来表示实体、属性和关系之间的关系。
2.知识抽取和融合知识抽取是从结构化和非结构化的数据中提取出实体、属性和关系的过程。
结构化数据指的是已经具有明确字段和关系的数据，如数据库中的表格数据；非结构化数据则指的是没有明确结构和关系的数据，如文本、图片、视频等。
知识抽取可以使用自然语言处理、图像处理等技术，将非结构化数据转化为结构化数据，并通过规则、模型等方法进行实体和关系的抽取。
知识融合是将来自不同源的知识进行整合，消除重复和冲突，形成完整的知识图谱。
3.知识推理和分析知识推理是知识图谱的重要功能之一，它利用已经建立的知识图谱进行逻辑推理和语义推理。
逻辑推理是基于逻辑规则进行的推理，如基于规则推理、基于逻辑公式推理等；语义推理则是基于知识图谱中的语义关系进行的推理，如通过实体之间的关联关系进行推理、通过属性之间的关系进行推理等。
知识推理可以帮助发现知识之间的隐藏关系和规律，从而进行更深层次的知识挖掘和分析。
4.知识应用知识图谱技术的最终目的是为了知识的应用。
知识图谱可以应用于信息检索、智能问答、推荐系统等领域。
在信息检索中，通过利用知识图谱中的语义关系进行语义，可以帮助用户更准确地获取所需的信息。
在智能问答中，通过将用户提问转化为知识图谱的查询，可以实现更智能、更准确的回答。
知识图谱技术在人工智能中的应用与未来展望
知识图谱技术在人工智能中的应用与未来展望人工智能是当今科技领域发展最为迅猛的领域之一，其智能化程度得到了日益提高。
作为人工智能的重要支撑技术之一，知识图谱也得到了广泛的应用。
本文将围绕知识图谱技术在人工智能中的应用与未来展望，展开全方位的讨论。
一、知识图谱技术在人工智能中的应用1、问答系统问答系统是人工智能技术中比较常见的应用，其基本工作原理是通过对自然语言问题的分析和语义理解，结合知识图谱等技术，在知识库中查找相关知识，并输出答案。
知识图谱技术在问答系统中的应用，可使得其更为准确和精细。
目前一些较为成熟的问答系统，如IBM的Watson等，都采用了知识图谱技术。
2、搜索引擎搜索引擎是当今互联网中发展最为迅猛的应用之一，其应用核心就是通过对网页文本和相关知识的分析与处理，来实现对用户搜索需求的响应和查询结果的输出。
其中，知识图谱技术在搜索引擎中的应用，可实现智能化的搜索和推荐功能，大大提高了搜索引擎的效率和准确度。
目前谷歌等一些搜索引擎就采用了知识图谱技术。
3、自然语言处理自然语言处理是人工智能技术中比较核心的应用之一，其基本工作原理就是通过对自然语言的分析和理解，与知识库中相关的知识相匹配，从而输出一定的结论或响应。
知识图谱技术在自然语言处理中的应用，可使得自然语言处理更为智能化和准确化。
4、智能推荐智能推荐是当今互联网中发展最为迅猛的应用之一，其基本工作原理是通过对用户行为、口味等个性化特征的分析和处理，来为用户推荐相关的信息和产品等。
知识图谱技术在智能推荐中的应用，可使得其更为准确和智能，同时也更符合用户的兴趣和需求。
二、知识图谱技术在人工智能中的未来展望1、知识图谱与大数据知识图谱技术在人工智能中的应用，大量依赖于数据的采集和清洗。
随着互联网和智能设备的普及，数据量呈现出爆发式的增长。
此时，如何快速有效地处理大数据，将数据与知识图谱相结合，将是未来研究的重点之一。
未来，无论是在自然语言处理、推荐系统，还是其他人工智能领域，都需要依赖更高效的大数据处理技术和更优秀的知识图谱技术。
知识图谱表示学习方法比较与改进思路
知识图谱表示学习方法比较与改进思路知识图谱是一种用于存储、管理和表示知识的图形化工具。
它通过描述实体以及实体之间的关系来构建知识结构，并为知识的检索和推理提供支持。
在知识图谱中，每个实体通常以节点表示，实体之间的关系则以边的形式表示。
知识图谱的表示学习方法是研究如何将实体和关系映射到低维向量空间，从而能够有效地对实体进行表示和比较。
本文将比较不同的知识图谱表示学习方法，并提出改进的思路。
一、基础方法比较1. TransE方法TransE方法是最早提出的知识图谱表示学习方法之一。
它通过学习实体之间关系的平移向量，使得在低维向量空间中关系的表示可以用实体向量之间的差值表示。
这种表示方法简单直观，对实体和关系的建模效果较好。
然而，TransE方法难以处理多对多的复杂关系，并不适用于较复杂的知识图谱任务。
2. TransH方法TransH方法是对TransE方法的改进。
它在实体向量和关系向量上分别引入了一个超平面来进行映射，从而更好地处理多对多的复杂关系。
TransH方法通过引入超平面，将不同关系之间的嵌入向量进行分离，提高了对复杂关系的建模能力。
然而，TransH方法在处理单对单的一对多关系时效果不佳。
3. ConvE方法ConvE方法是一种基于卷积神经网络的知识图谱表示学习方法。
它通过卷积操作将实体和关系的嵌入向量进行组合，并将组合后的向量输入到全连接层中进行分类。
ConvE方法在处理复杂关系时具有较好的效果，并且可以处理一对多关系。
然而，ConvE方法对于多对多关系的建模能力相对较弱。
二、改进思路1. 结合注意力机制注意力机制是一种有效的建模方法，可以用于对知识图谱中的关系进行建模。
通过引入注意力机制，可以为每个关系分配不同的权重，从而更好地对复杂关系进行建模。
可以将注意力机制应用于现有的知识图谱表示学习方法中，提高其对复杂关系的建模能力。
2. 引入上下文信息知识图谱表示学习方法通常只考虑实体和关系本身的信息，忽略了周围上下文信息的影响。
知识图谱技术的应用场景及展望
知识图谱技术的应用场景及展望知识图谱是人工智能技术的一种重要应用，它是将各种数据、文本进行分类、分析、挖掘，形成一个结构化的知识体系。
知识图谱的应用场景非常广泛，下面将会分别介绍。
1. 智能问答知识图谱可以帮助机器理解用户的问题，快速且准确地给出答案。
例如：用户问：“纽约时代广场的历史和景点是什么？”知识图谱可以通过检索相关数据，将相关的地标、历史事件归纳到答案中。
2. 智能客服知识图谱可以为客服人员提供有关于用户和产品的信息和历史反馈数据等，使得客服能够快速准确回答客户疑问和解决问题。
例如：用户说“我的产品无法连接wifi，如何解决？”知识图谱可以解析出用户遇到的问题，提供相应的解决方案。
3. 情感分析知识图谱可以让机器学习情感标签，如高兴、悲伤、愤怒等。
情感分析广泛应用于媒体、广告、金融等领域。
例如：投资者通过网络评论了解其他人对某个股票的看法，知识图谱可以对这些评论进行情感分析，以便更好地为投资者提供投资建议。
4. 知识推荐知识图谱可以通过对用户兴趣兴趣、历史行为、社交活动进行分析，推荐用户更感兴趣和更有价值的信息。
例如：用户在某个电商平台浏览了某个品类的产品，知识图谱可以通过分析用户兴趣、产品推荐得出更相关的产品推荐。
5. 数据管理知识图谱可以将各种数据进行关联，帮助企业有效地管理数据，减少数据冗余，提高数据利用效率。
例如：企业有多个部门进行数据采集和存储，知识图谱可以帮助部门之间进行数据关联，使企业更好地利用数据优势。
展望：随着知识图谱技术的发展，其应用场景将越来越广泛。
未来，知识图谱将会被更多企业和机构广泛使用，并形成多个行业标准，从而推动行业更好地发展。
同时，基于知识图谱技术，人工智能技术将会更深入社会和生活，使得机器人产业、智能家居、医疗健康等领域更加便捷、高效地服务人类。
知识图谱技术综述
知识图谱技术综述一、本文概述随着信息技术的飞速发展，大数据和已成为推动社会进步的重要驱动力。
在海量数据中，知识图谱作为一种结构化、语义化的知识表示方法，逐渐成为知识工程、自然语言处理、机器学习和数据挖掘等领域的研究热点。
本文旨在全面综述知识图谱技术的发展历程、现状及其在各领域的应用，探讨知识图谱的构建方法、关键技术和未来发展趋势。
通过对相关文献的梳理和分析，本文将为读者提供一个清晰、系统的知识图谱技术全貌，为相关领域的研究和实践提供有益的参考和启示。
二、知识图谱的构建知识图谱的构建是知识图谱技术的核心环节，其过程涵盖了数据的收集、预处理、实体识别、关系抽取、知识融合以及知识存储等多个步骤。
数据收集：知识图谱的构建首先需要大量的数据作为支撑，这些数据可以来源于公开的数据集，如Freebase、DBpedia等，也可以来源于特定领域的数据资源，如学术论文、新闻报道、社交媒体等。
数据收集阶段需要确定数据来源，并设计合理的数据抓取策略。
数据预处理：收集到的原始数据通常包含大量的噪声和冗余信息，因此需要进行预处理以提高数据质量。
预处理步骤包括数据清洗、文本分词、去除停用词、词干提取等。
还需要对文本数据进行归一化处理，如实体名称的规范化、拼写校正等。
实体识别：实体识别是知识图谱构建中的关键步骤，其目的是从文本数据中识别出具有实际意义的实体，如人名、地名、组织机构名等。
实体识别可以采用基于规则的方法、基于统计的方法或基于深度学习的方法。
实体识别结果的准确性将直接影响后续关系抽取和知识融合的效果。
关系抽取：关系抽取是指从文本数据中抽取出实体之间的关系，形成结构化的知识。
关系抽取的方法可以分为基于规则的方法、基于模板的方法、基于监督学习的方法和基于深度学习的方法等。
其中，基于深度学习的方法近年来取得了显著的进展，尤其是在处理大规模数据集时表现出了良好的性能。
知识融合：知识融合是将从不同来源抽取的知识进行合并和整合的过程。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Resource Decription Framework 1997, Guha，Tim Bray Netscape
RDF as W3C rec
1999
பைடு நூலகம்
RDF是从实践中bottom-up总结出来的
OWL是一种top-down设计
RDF的基础是三元组（triple） Guha也是Google知识图谱的主要推手
2015-11-09
25
展望
知识图谱会快速向多个垂直领域渗透，如医疗、电商、金 融、投资等。弱语义的趋势短期还会延续，可能针对这些 领域做进一步的简化
发展非Entity-Relation的建模方式，概率的、模糊的关联， 综合DB和IR系统，降低知识表现全周期成本
数据交换语言和数据存储语言的分离可能会持续。图数据 库将成为主要的存储语言和工具。
Memect，文因互联 2013-今
产品1：@好东西传送门 /haoawesome
综合NLP和知识库，提供精准的领域新闻推送 主题模型负责recall，知识库负责precision 字符串是一等公民，知识库的构造与存储以字符串为核心 混合推理：融合ontology，POS tag和regex做规则推理 数据库：OrientDB，Elasticsearch，PostgreSQL
RDFa OWL
J识图谱
1960s
2015-11-09
1970s
1980s
1990s
4
2000s
2010s
知识图谱KR的演化（简化）
语义网络
描述逻辑
元数据
OIL DAML
+
RDF
+
Microformat Microdata
JSON
Google知识图谱（英语：Google Knowledge Graph，也称Google知识图）是Google的一个知识库，其使 用语义检索从多种来源收集信息，以提高Google搜索的质量。
维基百科：知识库是用于知识管理的一种特殊的数据库，以便于有关 领域知识的采集、整理以及提取。知识库中的知识源于领域专家，它 是求解问题所需领域知识的集合，包括基本事实、规则和其它有关信 息。
RDF
+
JSON
JSON-LD
2014
依托于成熟的Web交换语言（HTML，JSON），充分利用现有工具， 让普通程序员、站长容易理解和使用。
至少30%的网页已经有某些语义元数据(根据Web Data Commons统计 / )
2015-11-09
18
标准的产生可能由以W3C主导转变为以Web公司为主导， 再由标准化组织总结
2015-11-09
26
We are hiring!
文因互联从事投资、金融、企业情报领域的知识图谱服务 创始成员来自RPI、Wright State U、硅谷知名公司 北京，中关村创业大街 用到的技术：实体识别、关系识别、主题模型、文档分类、图数据 库、Elasticsearch、知识建模、人机交互、推理机等等
2015-11-09
21
小结：从强语义到弱语义的尝试（图数据库）
从顶向下设计的RDF数据库没有从底向上设计的图数据库 成功
新的大型知识图谱数据库大多是图数据库，底层可能是键 值数据库、内存数据库、列数据库等
不追求严格的模型论语义，而面向查询定义过程语义，或 不追求语义
2015-11-09
22
我们的工程实践
2015-11-09
8
W3C OWL工作组
2007-2010 ～40 成员，～20活跃成员，/2007/OWL/wiki/Participants 大学为主，企业成员主要有IBM，Oracle ，HP ，Clark & Parsia 产生了10+个文档，600+页
2015-11-09
14
关联数据 Linked Data
到了2006年，语义网技术堆栈又已经复杂到没多少人看得懂了，于是：
by Benjamin Nowack /blog/2009/07/08/the-semantic-web-not-a-piece-of-cake
王昊奋：知识图谱旨在描述真实世界中存在的各种实体或概念。其中 ，每个实体或概念用一个全局唯一确定的ID来标识，称为它们的标识 符。每个属性-值对用来刻画实体的内在特性，而关系用来连接两个实 体，刻画它们之间的关联。
知识图谱技术原理介绍 /s/uc617AJ1w7P5P
知识图谱的知识表现方法回 顾与展望
鲍捷 文因互联（Memect）
baojie@memect.co
2015-11-09
第三届全国中文知识图谱研讨会
2015.11.9 湖北宜昌
1
个人简介
2001-2007 Iowa State University, PhD 2008-2010 Rensselaer Polytechnic Institute (RPI), TetherlessWord Constellation, PostDoc 2010-2011 MIT and BBN, visiting researcher 2011-2013 Samsung Research USA 2013-now, Memect (San Jose, CA) 文因互联(Beijing)
2015-11-09
10
小结：从弱语义到强语义的尝试（逻辑）
（已经很像今天 的知识图谱了）
语义网络
描述逻辑
框架逻辑
OIL DAML
OWL RIF
2015-11-09
11
元数据框架到RDF
MCF
Meta Content Framework 1995, Guha Apple
RSS
RDF Site Summary 1999, Libby and Guha Netscape
• 21 Neo4j （图） • 32 MarkLogic （XML） • 42 Titan （图） • 46 OrientDB （图，文档） • 61 Virtuoso （RDF，关系等） • 80 Jena （RDF） • 88 Sesame（RDF） • 90 ArangoDB（图） • 120 AllegroGraph（RDF） • 123 Algebraix（图） • 147 Stardog（RDF） • 164 InfiniteGraph（图） • 170 Sparksee（图） • 172 4store（RDF） • 179 BrightstarDB（RDF）
2015-11-09
7
OWL
描述逻辑的HTML或XML语法
SHOE 1996
DAML 2000
OIL 2000
DAML+OIL 2001
OWL 2004
• OWL提供了一组适合Web传播的描述逻辑的语法。 • 其开放世界语义当初被认为适合刻画Web的开放性 • 但其认知复杂性限制了它的工程应用
OWL 2 2009
2015-11-09
12
RDF
RDF 1997
2015-11-09
RDFS 1998
RDF语义 2004
13
RDF 1.1 2014
小结：从弱语义到强语义的尝试（元数据）
RDF开始是一个没有语义的元数据框架 因为推理的需要加上了语义 为了和OWL统一，两个语言都采用了复杂的模型论语义， 支持了基于规则的推理 但在实践中，推理很少被实用。大部分场合下RDF只是被 用为一种数据描述语言
产品2：企业情报数据库
知识提取：实体提取，关系提取，事件提取
领域知识建模：40-50个产业领域
强调以人为核心构造知识系统，知识表示、人机交互、推理机，以降低认知复杂性为核 心 （Palantir路线）
2015-11-09
23
Lean Semantic Web
https:///baojie/leansemanticweb
2015-11-09
6
描述逻辑 Description Logic
图片 by Bijan Parsia /~bparsia/2006/cs30411/19-10-fol-2-dls.html
提供了严格的“语义”（基于开放世界假设）以支持推理。
可看作一阶逻辑的可判定子集
2015-11-09
3
知识图谱的前身
（非完备列表）
Common Logic Conceptual Graph
Frame network (semantic network)
Description Logic Cyc
Wordnet
Frame logic RSS
Dublin core MCF RDF
Graph DB Linked Data Microformat
2015-11-09
9
工作组遇到的问题
路线问题：SEMANTIC Web or semantic WEB
logic vs data RDFS++ vs SROIQ 表达力 vs 可用性
三种复杂性：计算复杂性，认知复杂性，工程复杂性 缺少企业参与，缺少来自真实用户的需求 文档和工具系统脱离一线程序员，得不到支持和应用
•两种图建模：RDF图和属性图（Property Graph）有融合的趋势 •推理可以看成图上的遍历和构造 •属性图标准Tinkerpop已经获得很大的市场成功
2015-11-09
20
图数据库市场现状
DB-Engines Ranking /en/ranking
2015-11-09
24
总结
第一阶段：从弱语义到强语义（pre-2006）
从语义网络，到描述逻辑，到OWL 从元数据框架，到RDF，到RDFS