知识图谱技术要素：

    表示、存储、抽取、融合、推理、问答、分析、其他

    表示：属性图表示（property Graph）-RDF图模型-OWL本体建模-规则表示

    存储：关系图存储-原生图存储-图查询语言

    抽取：概念抽取-实体识别-关系抽取-事件抽取

    融合：实体对齐-本体映射-概念匹配

    推理：符号推理-规则推理-图推理-神经网络推理

    问答：问句理解-语义解析-答案生成

    分析：图算法-图嵌入-图神经网络-图可视化

    其他：众包-Scene Graph@CV-SemanticIOT

基于图的知识表示：

    有向标记图：最简单、最接近自然语言和人脑认知的数据模型。

    知识图谱最基本的组成单元是三元组：subject、predicate、object（主、谓、宾）

图数据存储与查询：

    图数据库充分利用图的结构建立微索引，其查询复杂度与数据集整体大小无关，仅正比与相邻子图的大小。

知识抽取：

    从不同来源、不同结构的数据中进行知识抽取，形成只是存入到知识图谱。

    文本一般不作为知识图谱构建的初始来源，多用来做知识图谱补全。

    知识图谱抽取：概念（Concept）、实体（Entities）、关系（Relation）、事实（Facts）、事件（Events）、规则（Rules）

知识图谱融合：

    融合层面：本体层面的融合、实体层面的融合。

知识图谱推理：

    属性补全、关系预测、错误检测、问句扩展、语义理解。

    推理的方法主要分为两类：

        基于符号逻辑的推理方法：OWL Reasoners、Datalog、Rete等。（优点：具有可解释性；缺点：无法处理隐含或不确定信息）

        基于图结构或表示学习的方法：PRA、AMIE、TransE、Analogy、

        Deeppath、NeuralLP等。（优点：推理效率高，能表征隐含知识；缺失：丢失了可解释性）

KBQA（知识问答）：

问句->语义解析->语义表示（基于符号的表示方法or基于分布式的表示方法）->语义匹配、查询、推理->知识图谱

图算法与图神经网络：

    图基础算法、图Embedding、图神经网络