知識圖譜 (Knowledge Graph, KG)
摘要
知識圖譜 (Knowledge Graph, KG) 是一種以圖結構承載知識的表示方法，其節點對應實體，邊對應關係，並可在 本體（Ontology） 所提供的語義結構下進行表示與推理。在形式化語義脈絡中，知識圖譜可與 RDF (Resource Description Framework) 等標準化資料模型相容；在更廣義的研究中，則可結合本體 (ontology)、規則 (rules) 與嵌入表示 (embedding representations)，以支援查詢、驗證與推理。知識圖譜因此成為人工智慧 (Artificial Intelligence, AI)、資訊檢索 (Information Retrieval, IR) 與自然語言處理 (Natural Language Processing, NLP) 的核心知識基礎。
背景
在知識圖譜的發展歷程中，語義網 (Semantic Web) 提供了一套具形式語義的標準化技術體系。其中，RDF (Resource Description Framework) 用於表示三元組資料模型，OWL (Web Ontology Language) 用於描述本體與邏輯約束，而 SPARQL 則作為對應的圖查詢語言。這些標準由 World Wide Web Consortium 制定，構成一種具形式語義的知識表示技術體系，並常用於知識圖譜的實現。
然而，知識圖譜本身並不限定於語義網架構。在實務系統中，亦存在基於 property graph、資料庫系統或機器學習方法的不同實現路徑。因此，語義網體系可視為知識圖譜的一種重要但非唯一的技術範式。
結構與表示
知識圖譜通常以三元組 表示，其中 為頭實體 (head entity)， 為關係 (relation)， 為尾實體 (tail entity)。此表示可抽象為有向標記圖 (directed labeled graph) ，其中節點集合 對應實體，邊集合 對應關係，且 。
知識圖譜具有以下特性：(i) 語義明確性，使關係具備可解釋語意；(ii) 可擴展性，允許圖結構持續增長；(iii) 結構化，使其可被查詢與計算系統直接操作 [1]。
本體與語義約束
本體 (Ontology) 用於定義類別、屬性及其語義關係，是知識圖譜中提供語義約束的形式化層。OWL 2 提供具形式語義的本體語言，並與 RDF 相容；RDFS 與 OWL 共同構成語義網的基礎建模體系。
本體的功能包括：(i) 定義類別層級 (hierarchy)，(ii) 指定關係的 domain 與 range，(iii) 支援基於描述邏輯 (Description Logic) 的推理。需注意，本體是許多知識圖譜的重要組件，但並非所有知識圖譜皆依賴完整本體。
嵌入表示學習
知識圖譜嵌入 (Knowledge Graph Embedding, KGE) 將離散符號映射至連續向量空間，使語義關係可由幾何結構近似表示。TransE 將關係建模為向量平移：
該方法以低參數與高效率建模多關係資料 [5]。
後續模型擴展其表示能力：TransH 將關係建模於超平面上 [4]，TransR 引入關係特定空間 [3]，而 ComplEx 則透過複數向量處理對稱與反對稱關係 [2]。這些方法提升了知識圖譜在複雜關係結構下的表達能力。
建構流程
知識圖譜的建構涉及從資料到語義結構的轉換過程。典型流程包括實體辨識 (Named Entity Recognition, NER)、關係抽取 (Relation Extraction)、實體連結 (Entity Linking) 與知識融合 (Knowledge Fusion)。
在完整系統中，還需納入 schema 設計、資料正規化、來源追蹤 (provenance tracking)、品質評估 (quality assessment) 與持續演化 (evolution)。這些模組確保知識圖譜在動態環境下的正確性與一致性。
查詢與推理
在 RDF 型系統中，常使用 SPARQL 作為查詢語言，其核心為圖樣匹配 (graph pattern matching)，透過 SELECT 與 WHERE 子句對圖結構進行查詢。
推理機制可分為兩類：一類為基於規則或本體的演繹推理 (deductive reasoning)，另一類為基於嵌入的歸納推理 (inductive reasoning)。前者提供可證性語義推導，後者則以統計方式近似缺失知識。兩者共同支援知識補全 (knowledge completion) 與問答系統等應用。
參考文獻
[1] A. Hogan et al., “Knowledge Graphs,” ACM Comput. Surv., vol. 54, no. 4, pp. 1–37, May 2022, doi: 10.1145/3447772.
[2] T. Trouillon, T. Trouillon, J. Welbl, J. Welbl, S. Riedel, and S. Riedel, “Complex Embeddings for Simple Link Prediction”.
[3] Y. Lin, Z. Liu, M. Sun, Y. Liu, and X. Zhu, “Learning Entity and Relation Embeddings for Knowledge Graph Completion,” AAAI, vol. 29, no. 1, Feb. 2015, doi: 10.1609/aaai.v29i1.9491.
[4] Z. Wang, J. Zhang, J. Feng, and Z. Chen, “Knowledge Graph Embedding by Translating on Hyperplanes,” AAAI, vol. 28, no. 1, Jun. 2014, doi: 10.1609/aaai.v28i1.8870.
[5] A. Bordes, N. Usunier, A. Garcia-Duran, J. Weston, and O. Yakhnenko, “Translating Embeddings for Modeling Multi-relational Data”.
