开篇：什么是知识图谱、为何要系统学习
一、知识图谱的定义与核心特征
知识图谱是一种用图结构组织人类知识的技术：把现实世界中的实体（人、地、事、概念）表示为图中的节点，把实体之间的关系（如「出生于」「就职于」「发明了」）表示为边，再配上类型、属性与约束，形成机器可理解、可推理的「知识网络」。
它和「一堆文档」或「一张表」的本质区别在于：关系是一等公民。在关系数据库里，表与表靠外键连接，查询多表要写 JOIN；在知识图谱里，任意两个实体可以直接通过一条或多条边相连，多跳推理（例如「爱因斯坦 → 创立 → 相对论 → 影响 → 量子力学」）天然就是图上的路径遍历。因此，知识图谱特别适合表达「谁和谁有什么关系」「从 A 经过几步能到 B」这类问题，也是智能搜索、问答、推荐和决策支持的基础设施。
概括起来，知识图谱有四个核心特征，可以理解为它的「四大支柱」：
一句话定义： 知识图谱是以图结构组织的、语义化的结构化知识，其中实体为节点、关系为边，支持多跳推理与持续扩展，是智能搜索、问答、推荐与决策支持的重要基础设施。
二、和数据库、搜索引擎有什么不同？
很多人第一次接触会问：这不就是「数据库存关系」吗？或者「搜索引擎也能搜到这些信息啊」。三者确实有交集，但设计目标与能力重心不同，弄清区别有助于你判断「什么时候该用知识图谱」。
擅长：事务、精确查询、报表、一致性。
弱项：多跳关系要写复杂 JOIN，Schema 变更成本高。
擅长：全文检索、排序、召回。
弱项：不理解「实体」与「关系」，难以做语义推理与多跳问答。
擅长：关系查询、多跳推理、语义理解、与 NLP/搜索结合。
弱项：大规模图上的复杂分析需专门存储与计算。
和数据库比：关系库适合「订单、用户、库存」这类强事务、强一致性的业务；知识图谱适合「人物–机构–事件–概念」这类关系密集、查询常带多跳（「谁和谁通过几层关系相连」）的场景。很多企业会两者并存：业务数据在关系库，抽取出的知识入图，再对外提供搜索与问答。
和搜索引擎比：传统搜索是「关键词 → 文档列表」；知识图谱在此基础上增加「实体卡片、关系展开、结构化问答」——右侧知识面板、智能问答里的「谁是谁」「某人和某人的关系」都依赖图中的实体与边。可以说，知识图谱让搜索从「找文档」升级到「找事实与关系」。
三、从 Google 知识图谱到企业级应用
2012 年 Google 正式推出「Knowledge Graph」产品：搜索名人、地点、作品时，右侧展示结构化摘要与关联实体。这一名称随后被业界广泛沿用，泛指「用图来组织知识、支撑智能应用」的技术体系。之后，微软、百度、阿里等纷纷建设自己的知识图谱，用于搜索、广告、推荐、风控等；金融、医疗、政务、电商也在建设领域知识图谱，把业务概念、规则、实体关系沉淀成可查询、可推理的图。
今天，企业级知识图谱常见形态包括：整合主数据与业务规则的主数据图谱、支撑智能客服与内部问答的文档/知识库图谱、用于反欺诈与合规的风控图谱等。它们往往与业务系统、数据仓库、NLP 模型配合：数据从业务侧抽取或标注，经融合与质量控制后入图，再通过查询接口、图谱可视化或与 LLM 结合的方式对外服务。
四、为何要系统学习？谁适合学？
知识图谱横跨知识表示、图数据库、自然语言处理、推理与应用，单点技术（如 SPARQL、实体链接）容易查文档就会用，但若没有「图」与「语义」的整体视角，很难设计出合理 Schema、选对存储与查询、和业务真正打通。系统学习能帮你建立完整知识地图，从零基础到能参与设计与落地企业级图谱。
- 零基础先建立「知识是图、实体与关系是一等公民」的直觉，再学 RDF/SPARQL、图数据库、抽取与推理，就不会只停留在「会查一个接口」，而能理解为什么这样建模、这样查询。
- NLP / 算法实体识别、关系抽取、实体链接、知识融合都是 NLP 与 KG 的交集；学完图谱侧的本体、存储与推理，能更好地做「文本 + 知识」的联合模型与应用。
- 数据 / 后端图数据库、SPARQL/Cypher、大规模图谱的存储与查询优化，和传统数据库与大数据栈既有区别又有联系；系统学一遍便于选型与架构设计。
- 产品 / 业务搜索、问答、推荐、风控等场景里「要不要上知识图谱、上到什么程度」需要懂一点原理；学完能更准确提需求、做验收、和工程师对齐。
五、本课程的结构与使用方式
本课程按「基础概念 → 表示与模型 → 本体与 Schema → 构建与获取 → 存储与查询 → 推理与补全 → 应用与系统 → 进阶与前沿」八大部分、共 36 章编排，目标是从零基础走到能理解并参与知识图谱的设计、构建与应用，并具备向专家进阶的底子。
建议按顺序学：前面的「实体、关系、RDF、本体」是后面「抽取、存储、推理」的基础；「构建与存储」又直接影响「应用与系统」的选型。若你已经在做相关项目，可以边学边对照：「我们当前缺的是 Schema 设计、还是抽取质量、还是查询性能？」这样更容易把知识落到实践。
六、小结
知识图谱是以图结构组织的语义化结构化知识：实体为节点、关系为边，支持多跳推理与持续扩展；具有结构化、语义化、图结构、可扩展四大特征。与关系数据库相比，更擅长关系密集与多跳查询；与传统搜索引擎相比，从「找文档」升级到「找事实与关系」。从Google 知识图谱到搜索/问答、推荐/风控，再到企业级与领域知识图谱，已成为智能应用的重要基础设施。本课程用 36 章、八大部分带你从零走到专家级视野。下一章我们会看从语义网到知识图谱的简史与演变——语义网愿景、关联数据与工业界落地，帮你建立更完整的技术脉络。