知识表示语言 RDF / RDFS
RDF 资源描述框架
Resource:资源；Description:属性、特征、关系；Framework:框架、语言和描述的语法。
RDF 中，知识总是以三元组（triple）形式出现: 主+谓+宾
举例说明：将一条语句，转换为两条三元组。
RDF 可以被看做一个图。
在RDF三元组中，三元组的主谓宾都有一个全局标识URI。
RDFS 和 RDF 的区别是RDFS 预定义了一些词汇。基于这些词汇可以形成更丰富的三元组关系，并实现一定程度的推理。
即使没有schema, 本身也是一个知识图谱。只是这个知识图谱仅仅是一个数据层面的知识图谱，没有概念上的约束。
上面是模式层，下面是实例层（数据层）。加入约束之后，有利于我们去做一定的推理，既包括上下位的推理，也包括类别的约束的推理。
从下图中可以看到，haofen 的类别是Person, ccf_adl 的类别是Talk（会议），而Person和Talk都是Thing 类的子类。
同时speaker 的主语（定义域）domain 是Talk , speaker 的对象（值域）是Person。
- 第一个例子是利用类别的实例和类别之间的上下位关系，得到的推理结果。
- 第二个例子是利用schema的约束（类别的定义域和值域），和数据层的具体三元组实例，得到的推理结果。
知识表示语言 OWL
无论是OWL还是OWL2 , 都是在概念层定义一些新的预定义语言。在增加了表示能力的同时，他的推理复杂度也会提高。
在它增加了表示能力之后，我们就在之后会做知识推理的内容。
知识图谱查询语言的表示
SPARQL ：RDF 的查询语言
当没有上层的schema 约束时，查询会非常复杂。
基于本体层优化之后：
Json-LD
常规的JSON文件的内容，机器无法理解。因此JSON-LD需要引入规范的术语来进行表示。
“RDF+SPARQL” VS “ER+SQL”
虽然基于关系型数据库，使用三表查询的方式可以实现这个问答问题。但实际上下图中的SQL 查询语句是由人来实现的，所以说语义没有存在于人的定义当中，而是存在人的脑中。
使用RDF+SPARQL 的好处，是当这个问题发现改变，比如增加了深圳位于广东，广东位于中国，对于SPARQL来说没有变化，依然可以正确推理。而使用关系型数据库，需要重新由人来实现多表查询。
数据的智能性
在关系型数据库中，底层的数据可以理解为哑巴数据，更多的依靠上层的应用实现的智能化。
数据是非常显式的表示关系，而这些关系又通过我们预定义的一些关联，使得我们去做的是图。而图的这种结构增加边和点，是非常容易的。在关系数据库中，就需要修改表和字段。
自顶向下 VS 自底向上
对于开放知识图谱，更多的是先去做数据层，这样数据的抽取、知识的构建更加的方便。
对于领域知识图谱，会去先定义本体层，然后基于本体层的约束和推理的规则，使得数据更加聚焦，质量更好。
知名知识图谱项目的知识表示方式
以下知识图谱在进行知识表示时，都基本遵循RDF的描述，只是在处理多元关系时有各自的特点。
实用的知识表示
够用即好。
RDF/OWL 只是众多知识表示中的一种，不是必须的。但它们是非常基础的内容，还是有必要了解。
基于Protege 的知识建模实践
Protege 是用于手工建模用的。也就是不需要去做知识抽取，通过手工建模去得到这个知识图谱，在这个基础上也能实现知识推理。
