一、概念
Konwledge Graph来源于2012年谷歌提出的，用于增强其搜索引擎功能的知识库。
本质上，知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。现在的知识图谱已被用来泛指各种大规模的知识库。
具体体现在谷歌搜索中输入：杭州景点，能够得到结构化的知识，而不是简单的网页链接：
知识图谱是一种结构化的语义知识库，其基本组成单位是“实体-关系-实体”的三元组，以及实体及其相关属性-值对，通过实体间的关系构成网状的知识结构，如：
上图中，每一个节点（如：周迅）均为实体，实体具有属性-值对（如：明星名字：周迅），同时实体与实体之间通过关系（如：王菲-旧爱-谢霆锋）相互连接，构成一个特定领域（明星）的知识网络。
二、架构
1、逻辑结构
从逻辑上将知识图谱分为两层，数据层与模式层。
数据层主要由一系列的事实组成，而知识将以事实为单位进行存储，如：实体-关系-实体，实体-属性-值这样的三元组，对应到实际的数据。
模式层则建立在数据层之上，主要是通过本体库来规范数据层的一系列事实表达，对应到实际的数据规范，术语描述等。
（1）本体
本体一词来源于哲学，属于一种形而上的理念。在语义网的角度，本体实际上是定义组成某个“领域”的词汇表中的术语与其关系，以及结合这些术语和关系来定义词汇表外延的规则。
1）领域，本体一般会描述一个特定的领域，比如：明星、大学等等。
2）词汇表，用来描述某个领域中事物的词汇
3）术语，指定领域中的重要概念，比如：描述大学领域，会涉及学生、教职工、课程等等
4）术语间的关系，在领域的体系中，存在上下位、并列等等结构，需要明确的指定，比如：学生的下位关系中存在本科生、研究生等，同时，学生与教职工又存在并列关系。
5）词汇表外延的规则，可以理解为属性，定义了一种约束，如：学生必须拥有“专业”这个属性
简单来说，在数据层面，本体实际定义了一套如何描述数据的规则，要求所有的事实都按照同样的格式进行存储表达。
（2）概念
概念是实体的抽象化，知识图谱中，定义“概念-关系-概念”的形式，同时概念也拥有属性。类似到程序结构中，概念是实体的父类。简单来说，豪车是一个概念，奔驰也是一个概念，车轮也是一个概念，我们可以定义以下关系：
豪车–[拥有]–车轮，奔驰–[是]–豪车
（3）实体
实体是概念的具象化，接上文，奔驰GLC级是一种实体，这个实体同时拥有以上的定义的关系，它是豪车，同时也是奔驰，也拥有车轮，同时，通过属性定义可以知道，拥有车轮的数量是4个等等。
2、体系架构
体系架构指的是在实际工作中，构建整个知识图谱的过程，主要分为自顶向下与自底向上两种模式。
（1）自顶向下
自顶向下，首先定义好本体，确定领域的层次结构及各个概念属性及概念与概念间的关系，之后再将实体加入到知识库中，类似一种填充的模式，代表工作是Freebase，从维基百科中提取结构化数据。
（2）自底向上
自底向上指的是从开放的数据源中，抽取实体、属性及关系，往上构建概念，最终形成本体。目前，这个模式被大多数工作采用，代表工作有谷歌的Knowledge Vault。
下面是一般自底向上构建本体库的流程：
1）数据抽取
最底下的是数据获取及存储，从不同结构的数据中获取知识，如使用爬虫从开放的网页中抽取，结构化数据。
之后，从获取的数据中抽取实体，即命名实体识别，抽取实体关系，抽取实体属性等。
2）事实融合
我们从不同的数据源抽取出来的数据，可能是冗余、噪音及各种不确定、非完备的数据，这时候就需要消除歧义，比如，李娜，可能是打球的李娜也可能是唱歌的李娜，这是两个实体需要分辨出来；剔除冗余，剔除错误等等。
3）知识处理
上述事实融合处理，得到还不能称为知识，只是说是一种描述性的事实。比如，A的父亲是B，B的父亲是C，C的父亲是D，这样的数据，这时候就需要进行知识推理，直接得到C是A的爷爷等。同时，需要从构建完备的知识中抽取出概念，形成一套完备的本体。
4）知识更新
知识图谱的构建是一个长期的过程，通过本体库，增加新知识，剔除错误知识。
三、应用
1、优化搜索排序，展示特定的意图下的结构化知识
2、问答系统中实现知识推理
3、金融领域中实现反欺诈，智能投顾等
4、社交领域中的兴趣推荐、用户聚类等
四、参考
上文只是对知识图谱的简单介绍，其中涉及的种种自然语言处理、逻辑推理算法没法一一列出，具体参考：
1、知识图谱构建技术综述 刘峤等
2、知识图谱技术综述 徐增林等
3、https://blog.csdn.net/iloveayu/article/details/76714077