什么是知识图谱？知识图谱的定义是什么？如何构建知识图谱？知识图谱应该怎么应用？
我想，对于刚接触知识图谱的同学，一定连连摇头。
今天，我们不介绍定义，也不详解具体的构建和应用过程，而是以最容易理解的方式，去了解知识图谱。
顾名思义，“知识图谱”应该拆开分析，“知识”和“图谱”。英文是Knowledge Graph，缩写是KG，如果是复数，还要写成KGs。
从名字来看，知识图谱实际上就是Graph，也就是“图”。
图是什么呢？如果学习过《图论》或《离散数学》等，那么一定对下面这个Graph很熟悉：
没错，这就是一个Graph。A、B、C、D....H这些被圈圈包起来的字母，我们一般称之为“节点”，或者是“顶点”，而标着数字的线段，把节点连接了起来，我们一般称之为“边”。
事实上，“知识图谱”正是这样的结构。只不过，节点不再是字母，边也不再是数字。我们可以用“节点”代表具体的人名、地名等，用“边”代表“节点”之间的关系。
举例来说，（美国，首都，华盛顿），就是说，我们有两个节点“美国”和“华盛顿”，这个时候我们应该在两个节点之间连接上一条边，这条边上边应该写上“首都”。如下图：
显而易见，这就是一条知识，代表了美国的首都是华盛顿。而且一般来说，这两者之间的关系是有向的，也就是说美国的首都是华盛顿，而不能说成是华盛顿的首都是美国。所以说，两者之间的关系是一个单向的箭头。
在知识图谱中，有大量的节点，也有海量的关系。无数条知识，就构成一个巨大的Graph。一般来说，在知识图谱中，我们把节点叫做“实体”（entity），边叫做“关系”（relation）。
到这里，我想有关知识图谱的介绍就可以告一段落了。后续阅读知识图谱相关的文章，不会有太大的障碍。
只不过，还需要额外补充的是，带Knowledge的Graph，和普通的Graph，有什么区别呢？
实际上，Knowledge Graph就是Graph。只是知识图谱更加特殊一点：首先，知识图谱里面的关系普遍是多种多样的，比如说，我们有（美国，首都，华盛顿）这样的知识，也有（莫言，获得，诺贝尔文学奖）这样的知识。知识图谱里面拥有 “首都”、“获得”等等多种多样的关系，是和普通的Graph最大的不同。其次，知识图谱更加强调现实世界的知识，比如说WordNet这个知识图谱，它存储的就是单词与单词之间的关系，而Freebase这个知识图谱，它存储的就是现实世界中人、地点、事物等之间的关系。
那么，在推荐系统这个方向，用到的人和商品之间的购买关系图，这是不是知识图谱呢？也可以是（虽然在科研领域一般不这么认为）。所以，是不是知识图谱，还是很主观的，他有节点，有边，他就可以是知识图谱。
需要注意的是，知识图谱Knowledge Graph原本是谷歌起的一个名字，是谷歌为了提升搜索服务的质量，提出的一个概念。而现在，Knowledge Graph一般不再特指谷歌知识图谱，而是一个非常宽泛，非常通用的概念。所以，在实际学习和应用的过程中，千万不要陷入误区，不要把知识图谱的范围局限的太小。
特别是不计划发表太高质量文章的同学，可以这样理解：万物都可以是知识图谱。人和人之间的社交网络可以是知识图谱吗？可以！文章之间的引用关系，可以是知识图谱吗？可以！在同步阅读“Graph”领域的文章和“Knowledge Graph”领域的文章，我们也许就会发现，大量Graph领域的思想，都用在了Knowledge Graph领域。比如知识图谱嵌入方向的R-GCN算法，它就是借鉴了图卷积的思想。
那么为什么两个领域可以互相借鉴呢？正是我们前面所说的，Knowledge Graph本质上就是一个Graph，只是这个Graph很特殊，关系的类型很多（这一点很重要），里面的数据一般是现实世界的知识。
再深入一点，我们可以把Graph分成两类，一类是同质图，一类是异质图。同质图，就是说，整张图里面的所有的“边”只有一种类型，而异质图就是说，“边”可能很有多种类型。所以我们可以发现，知识图谱就是一种异质图，所以需要设计专门针对异质图的算法来对知识图谱进行处理。
那么，我们怎么对知识图谱进行构建？构建以后如何存储和应用？知识图谱领域又包含了哪些研究方向？后面我们会再详细介绍。
