知識圖譜平臺綜述

摘 要：近年來，知識圖譜被廣泛研究和應用。為了能夠更加準確、高效地維護知識圖譜的全生命周期，以及對知識圖譜進行更多復雜的操作，大量知識圖譜平臺被設計、開發和應用。而開發者通常是基于他們所擁有的知識圖譜而進行設計和開發的，缺少對知識圖譜平臺整體上的認識以及對應用場景特殊性需求的理解。通過調研當前主流的43個知識圖譜平臺，分別從知識圖譜平臺的功能、架構和應用三個角度對其進行系統性的分析和研究，旨在使平臺開發和使用人員對知識圖譜平臺有更深入的認識，進而促進知識圖譜平臺被高效地開發和使用。

關鍵詞：知識圖譜；知識圖譜平臺；知識圖譜平臺功能；知識圖譜平臺架構；知識圖譜平臺應用

中圖分類號：TP391.1 文獻標志碼：A 文章編號：1001-3695（2022）11-001-3201-10

doi： 10.19734/j.issn.1001-3695.2022.04.0145

Survey of knowledge graph platform

Wang Chuanqing^{1， 2}， Li Yangyang¹， Fei Chaoqun¹， Huang Xikun^{1， 2}

（1.Academy of Mathematics amp; Systems Science Key Lab of MADIS， Chinese Academy of Sciences， Beijing 100190， China; 2.University of Chinese Academy of Sciences， Beijing 100049， China）

Abstract：In recent years， the knowledge graph has been studied and applied. In order to maintain the whole life cycle of the knowledge graph more precisely and effectively， and do some more complicated operations on the knowledge graph， amounts of knowledge graph platforms were developed and applied. However， developers are keen on how to design a knowledge graph platform based on the knowledge graph they have， but lack of understanding on the overall of knowledge graph platforms as well as the special requirements of application scenarios. This paper did a systematically analysis and research on the functions， architectures and applications of knowledge graph platforms respectively by investigating 43 mainstream knowledge graph platforms， and aimed to provide a deeper understanding of knowledge graph platforms to the developers and users so that the knowledge graph platforms could be developed and used effectively. Key words：knowledge graph; knowledge graph platform; knowledge graph platform function; knowledge graph platform architecture; knowledge graph platform application

收稿日期：2022-04-01；修回日期：2022-05-19 基金項目：國家自然科學基金資助項目（61232015，61472412， 61621003）；國家重點研發計劃資助項目（2016YFB1000902）

作者簡介：王傳慶（1992-），男（通信作者），河南周口人，博士研究生，主要研究方向為知識圖譜、知識工程、知識編程語言設計與開發（wangchuanqing15@mails.ucas.ac.cn）；李陽陽（1989-），女，河北邢臺人，助理研究員，博士，主要研究方向為幾何深度學習、圖神經網絡、知識圖譜；費超群（1992-），男，河南周口人，博士（后），主要研究方向為知識圖譜、知識工程、自然語言處理；黃錫昆（1992-），男，山東棗莊人，博士研究生，主要研究方向為復雜網絡、圖神經網絡、知識圖譜.

0 引言

知識圖譜（knowledge graph，KG）首次于2012年被Google提出^［1］，經過近10年的發展，已經成為人工智能領域的研究熱點之一。借助天生適配的語義網技術^［2］，基于KG的知識存儲一方面能體現人類對知識的獲取和認知方式，另一方面也使一些智能系統能夠更容易地解決復雜問題。同時，歸功于結構化的知識表示方式，KG能夠方便人類對知識進行分析和推理操作。除此之外，近些年知識可視化技術的發展使人們對知識圖譜有更直觀的認識，這無疑為人們對知識圖譜進行更深入的研究和應用提供了基礎，在一定程度上也將知識圖譜從研究人員推廣到了普通大眾。

當前圍繞知識圖譜的研究熱點主要有知識獲取、知識存儲、知識表示、知識推理和知識可視化等。互聯網的快速發展以及網絡速度的不斷提升，使得知識能夠以不同的數據源類型進行傳遞，常見的數據源類型包括文本、表格和圖片類型等，目前已有一些研究用于介紹從不同類型的數據源中獲取知識的方法^［3～5］。對于KG中的知識，其通常以（subject， relation， object）的形式進行表示，其中subject和object通常表示一個實體或類別，relation表示關系。將這種表示方式對應到圖上，實體即為圖中的節點，關系即為圖中連接節點的邊，它們共同構成一個帶標簽的有向圖。對于人類而言，最適合閱讀和理解的知識表示方式為N-triples 形式的RDF（resource description framework）^［6］三元組，不過面對不同的數據和應用需求，仍存在其他的知識存儲（或稱為序列化）方式。Ehrlinger等人^［7］介紹了幾種不同的知識存儲方式，如RDF/XML、N3、Turtle等，這些不同的存儲方式能夠使用一些程序和工具進行相互轉換。對于將知識表示為計算機能夠理解的方式的探索一直在蓬勃發展，自word2vec^{［8， 9］}和TransE^［10］被提出以來，知識表示技術日新月異^{［11～14］}。基于知識表示的應用也開始展現它們的價值，如商品推薦^{［15～17］}、缺失知識預測^{［18～21］}等。而知識推理則是最能體現知識圖譜價值的功能，相較于傳統數據存儲及推理方式，使用知識圖譜存儲知識并結合相應的推理技術^{［22， 23］}能夠更快、更方便地獲取到想要查詢的知識，這極大地增加了知識圖譜的應用價值。同時，為了方便人們對知識有直觀上的認識，知識可視化也越來越受到人們的關注，如Cui等人^［24］和Nararatwong等人^［25］介紹的多種不同的知識可視化技術，能夠從不同的可視化角度將知識呈現給用戶。

知識圖譜和智能系統的密切適配關系使知識圖譜得到更多的關注，當前知識圖譜已被廣泛應用于多個行業，例如在線購物推薦^{［15～17］}、聊天機器人問答^{［26～28］}、醫學藥物發現^{［29～31］}等，這些成功的應用案例也證實了知識圖譜所具有的價值。但實際上，知識圖譜的構建與應用往往面臨著數據規模大、數據源多、應用場景復雜和模型建立困難等難題，并且也需要使用一種適當的方式使用戶能夠方便了解和應用知識圖譜。知識圖譜平臺（knowledge graph platform，KGP）有時也稱為知識圖譜系統，開始得到人們的研究和關注。

KGP通常是能夠維護KG全生命周期的知識系統，即包括KG的構建、管理、更新和應用；同時，其也包含大量用于操縱知識的功能、提供人機交互的知識服務功能以及用于對用戶和平臺管理的功能，以方便用戶和平臺管理員使用。一般來說，知識圖譜平臺是最能直接體現和發揮知識圖譜價值的工具，其實際應用主要體現在兩方面：a）對于企業而言，知識圖譜平臺能夠基于企業內外部的海量多源異構數據，提供知識圖譜構建方法，實現知識抽取、知識融合、知識推理、知識存儲和知識應用，助力企業快速完成知識圖譜的一站式構建，打造豐富的業務場景應用，挖掘數據價值，賦能企業數字化轉型；b）對于用戶而言，知識圖譜平臺能夠使用戶直接操縱和管理知識圖譜，并且以可視化的方式展示知識，直接促進用戶對知識圖譜的認知，加深用戶對所查詢知識的印象。近年來，以知識圖譜為核心，以知識圖譜平臺為驅動所創建的公司在逐年增加，不同的公司依據自己的基礎條件和客戶需求開發出不同類型的KGP，如更著重數據分析用于對人物進行關聯分析的AMiner知識圖譜平臺^［32］，更著重數據安全應用于金融行業的海致星圖金融圖譜平臺^［33］等。雖然KGP的數量以及種類在不斷地提升，但對于具體的KGP而言，開發人員在設計和開發時往往只考慮客戶需求，采用簡單直接的方式圍繞客戶需求對KGP進行設計和開發。這樣一方面導致了KGP的功能具有局限性，且對其后期維護和更新帶來了諸多不利因素；另一方面，一個設計規范的平臺系統架構往往不僅能夠提高平臺開發效率，還能使得所開發的KGP具有更好的穩定性和靈活性。因而，對KGP所擁有的功能有一個整體上的認識，以及對KGP的架構有充分的了解，在設計和開發一個靈活、穩定的KGP時是必不可少的。同時從不同應用場景的KGP中發掘出它們的共同點也有利于了解KGP的核心要素及更深層次的邏輯結構。

本文系統性地研究了國內外流行的知識圖譜平臺，主要依據是平臺被具有權威的產品認證機構所認證，如《2021最佳知識圖譜平臺TOP10》^［34］、平臺開發單位具有廣泛的知名度、平臺具有發表的論文介紹等，并篩選出43個知識圖譜平臺，分別為Whyis^［35］、HAPE^［36］、NeXtProt^［37］、Stardog^［38］、Ontotext^［39］、JoveMind^［40］、ESKAPE^［41］、MAANA^［42］、PlantData^［43］、public culture^［44］、PoolParty^［45］、Eccenca^［46］、AISWare^［47］、TCMKG^［48］、HyperGraph^［49］、Monolith^［50］、metaphactory^［51］、UWKGM^［52］、SKS^［53］、AllegroGraph^［54］、MixedEmotions^［55］、AMiner^［32］、Graph-Aware^［56］、GRAKN.AI^［57］、Data4Cure^［58］、華為KG^［59］、柯基知識圖譜平臺（簡稱柯基）^［60］、睿力數據云圖知識圖譜管理平臺（簡稱睿力）^［61］、明略SCOPA^［62］、百度知識中臺^［63］、海致星圖金融圖譜平臺^［33］、坤圖^［64］、同盾云圖^［65］、TRS安拓^［66］、騰訊TKG^［67］、淵亭DataExa^［68］。考慮到有些開發者在構建知識圖譜時將一些對KG的操作功能也一同引入，對于這類知識圖譜，用戶通常能夠使用SPARQL Endpoint對其進行訪問和進行一些基本操作，稱此類知識圖譜為知識圖譜系統，同時也將其視為KGP。本文所調研的具有此種類型的KGP包括DBpedia system^［69］、knowledge vault system^［1］、NELL system^［70］、CN-DBpedia system^［71］、CN-Probase system^［72］、Xlore system^［73］、OpenKN system^［74］。對于上述兩類KGP，本文從平臺功能、平臺架構和平臺應用三個方面對它們進行分析和研究，并從不同角度對它們進行分類和比較。進而在探討構建KGP時，如何根據應用場景和應用需求設計合適的平臺架構，以及如何合理地部署平臺內的功能，為研究人員以及開發者提供借鑒和參考。本文的主要貢獻如下：

a）首次對KGP進行系統性的分析和研究。本文從多個角度對KGP進行分析和比較，揭示不同KGP之間的本質差異，以便研究人員能夠對KGP有系統性的認識。

b）對KGP的功能進行分析和分類。總結出當前KGP所具有的八大類功能，并結合具體的KGP分析它們的通用功能和針對特殊應用而開發的專有功能，以及探索各功能之間的關系，如相似功能之間的聚集化程度以及不相似功能之間的離散化程度。

c）對KGP的架構進行歸納和總結。分析KGP的內部部件的組織形式，即KGP的整體架構。從結構上對KGP進行詳細的劃分和研究，比較不同類型的KGP架構所具有的優缺點，探討如何根據需求設計合適的架構來開發新的KGP。

d）對KGP的應用及場景需求進行探討。分析當前KGP在現實場景中的應用情況，探討在不同領域中KGP所應側重的領域需求，總結幾類常見應用場景中KGP所應具有的功能。

1 知識圖譜平臺功能

當前市場上存在著各式各樣的KGP，而不同KGP的功能存在著較大差異。對于客戶而言，他們較少關心KGP的內部組織形式，更多關心的是KGP是否具有滿足他們需求的功能，以及功能執行的效率能否達到他們的預期。所以一個KGP能否被廣泛使用或占有更大的應用市場，在很大程度上取決于其是否能夠提供足夠的功能以及功能在運行時的效率是否足夠高。在一定程度上可以說，KGP功能是最能直接反映KGP應用價值的部分，因此在設計和開發KGP時，需要明確客戶需求，對將要開發的功能進行詳盡分析和調研，以便能夠做到有效開發和高效使用。

為使開發人員對KGP的功能類別以及功能之間的關聯關系有更深入的認識，本章分別從KGP的功能分類、KGP的通用功能分析和KGP功能之間的耦合性分析這三個方面對KGP的功能進行探討。為方便描述，在以下敘述中，將基本的具體功能（如從網頁上抓取特定數據這一功能）以及基本功能的組合（如將從不同資源中獲取數據的幾種基本功能組合到一起形成一個能從多源數據中獲取數據的功能）統稱為功能元素。

1.1 KGP功能分類

現有的KGP主要是針對用戶的需求而設計的，因此它們所具有的功能存在著較大差異。但由于KGP是基于KG的應用產品，所以不同KGP之間存在著相同功能。大體上，圍繞KG的功能主要可以劃分為知識圖譜構建和知識圖譜管理兩大類。本文通過所調研的43個KGP，將這兩大類功能進行了進一步的劃分。具體地，將KGP的知識圖譜管理功能細分為七類，分別為知識存儲、知識管理、知識操作、知識可視化、平臺安全管理、平臺API管理和新興功能。以下對這八種功能類型進行具體介紹，表1總結了這八種功能類型所包含的主要具體功能。

1）知識圖譜構建 KG構建用于將數據轉換為知識，其主要包括數據獲取、信息抽取、知識融合和知識加工四個步驟^［75］，構建流程通常如圖1所示。隨著數據源的多樣性，多模態知識圖譜構建開始得到越來越多的關注。王萌等人^［76］對當前多模態知識圖譜關鍵技術進行了詳細的探究與分析。對于沒有專業知識背景的客戶而言，一個好的KG構建技術不僅能夠減少他們處理數據的工作量，還能提高整個KGP的執行質量。

2）知識存儲 知識存儲是KGP最基本的部件，其用于存放KGP所需的數據，并通常能夠為數據的快速檢索提供算法支持。王鑫等人^［82］詳細地介紹并分析了知識圖譜的數據管理方式。常用的知識存儲工具有Neo4j^［80］、MongoDB^［83］、Jena^［84］等，使用這些存儲工具能夠方便地對知識和數據進行存儲，也能夠對存儲的知識和數據進行便捷的操作。而為了應對知識規模不斷增長的KG，分布式知識存儲以及云存儲開始得到重視，同時這兩類存儲在一定程度上還能提高平臺的可靠性和知識的一致性。

3）知識管理 知識管理主要用于對知識及知識庫的維護，如對知識準確性的檢測和對知識源信息的記錄等。其還能用于維持知識庫的穩定，如對知識庫進行備份和恢復（即對知識庫版本的控制），如此才能確保整個平臺能夠正確且穩定地運行。

4）知識操作 知識操作包含對KG使用最頻繁的功能，也通常涉及KG領域最先進的技術，如知識推理、知識表示等。因此對于一個KGP而言，具有類型豐富且性能良好的操作功能，能夠大幅度提高它的使用效率。因而知識操作能夠衡量一個KGP的易用性以及高效性。

5）知識可視化 知識可視化用于將知識以不同的方式進行展示。對人類而言，相較于易于程序分析的表格形式的知識展示，圖像化的知識展示形式能夠使人們對知識結構有直觀上的認識，從而能夠加快人們理解知識的速度。圖2中分別使用表格和圖對相同知識進行展示，很明顯，圖更有利于人們對知識的記憶及分析。

6）平臺安全管理 平臺安全管理主要用于管理平臺內數據的隱私以及用戶的訪問權限。對于企業而言，其所擁有的數據是私密且寶貴的，同時對不同等級的用戶設置不同的訪問權限能夠為公司帶來更大的利益，所以對用戶和數據的安全管理至關重要。

7）平臺API管理 一個靈活的KGP能夠容易地對其內部功能進行相關操作，如增加、刪除和升級等，同時為了滿足用戶個性化需求，還應在安全范圍內允許用戶將第三方的API集成到KGP中，由此既提高了KGP的應用能力，也降低了用戶在KGP內執行自己創建的API的難度。

8）新興功能 隨著KG相關技術的發展，一些新興的功能逐漸被納入KGP中，如基于嵌入技術的知識圖譜向量化轉換^{［10～14］}、基于機器學習的圖譜分析^{［85，86］}、基于KGP的通信與合作^［87］等，在這些新興功能的加持下，KGP能夠更加容易地對KG進行更復雜的操作，以及更加方便地為用戶服務。

1.2 KGP功能通用性分析

盡管不同的KGP所具有的功能不盡相同，對于大多數KGP而言，它們都擁有部分相同功能。表2列舉了六個具有代表性的KGP和它們所具有的主要功能類型以及主要功能，可以看出部分KGP具有相同的功能/功能類。本文稱這些被大多數KGP所擁有的功能為通用功能，除這些通用功能外，其他的KGP功能則為平臺專有功能（或領域特定功能、或場景特定功能）。這些平臺專有功能通常能夠突出KGP的特色，例如JoveMind的圖譜分析、HyperGraph的分布式數據存儲功能等，是KGP開發設計者所重點研究的功能部分。關于在不同場景下KGP應具有的功能以及對功能的側重要求在第4章進行分析和總結，本節僅對KGP的通用功能及專有功能進行總結。

由于通用功能和專有功能均包含在表1中，為節省空間，將通用功能或功能類在表1中使用星號“*”進行標記，如RDF類型存儲功能屬于通用功能，單模態知識圖譜構建類屬于通用功能，分布式知識存儲屬于專有功能。

1.3 KGP功能耦合性分析

KGP是一個比較復雜的軟件系統，在設計和實現KGP內的功能時，需要對各功能元素進行合理部署。類似于計算機程序之間的關聯程度，即程序間的耦合性，在KGP中，功能元素部署的關聯程度（本文也稱耦合性）對KGP的執行性能、穩定性、靈活性和易維護性有很大影響。本節剩余部分對KGP內部功能元素之間的耦合性進行分析，并探討功能元素之間的耦合性對KGP整體性能以及操縱知識的影響。

通過對大量KGP架構圖進行分析，為了能夠揭示KGP功能之間的關聯程度以及更好地刻畫KGP功能的組織形式，本文對KGP的功能模塊進行如下的劃分和探究：

1）功能塊 從1.1節中的分類可以看出，某些類型的功能元素內部各功能之間通常不進行調用或僅進行少量的調用，如圖3（a）中HAPE（heaven ape）的知識展示引擎（knowledge displaying engine）功能模塊內部的基本功能，包括普通文本展示（plain text displaying）、表展示（table displaying）和圖展示（graph displaying）等，它們僅僅是以不同的方式展示知識而不會對知識進行其他操作。所以知識展示類型的基本功能之間的耦合程度較低，稱此類功能元素為功能塊，表示其內部的功能為相互獨立的模塊。當功能塊被開發之后，由于其內部功能之間的耦合性較低，能夠較為容易地對其內部功能進行改動，包括增加、刪除和修改等，所以這樣的功能組織結構能夠提高系統的靈活性。

2）功能體 與此對應的是內部各功能之間耦合程度較高的功能元素，如圖3（b）中CN-DBpedia的知識抽取模塊^［71］，其內部包含數據抓取（crawling）、數據解析（parsing）和事實抽取（fact extraction）三個基本功能，它們以有序的順序進行連接并被依次執行。首先使用數據抓取功能從不同數據源中抓取數據，然后使用數據解析功能對抓取到的數據進行解析，最后再使用事實抽取功能從解析的數據中抽取事實，稱此類功能元素為功能體，表示其內部的功能連接形成一個功能整體。當功能體被開發后，由于其內部功能之間的聯系性較高，所以其具有較高的穩定性以及執行性能。但與此同時，在對其內部功能進行修改時不僅需要考慮所要改動的功能部分，還需要考慮與之相關的其他功能，這增加了系統的維護成本。

3）復雜功能體 除了功能塊和功能體外還存在更為復雜的功能元素，其由多個不同的功能塊和功能體共同組成，稱此類功能元素為復雜功能體。圖4是public cultural知識圖譜平臺的知識獲取模塊的一部分，其包含功能塊數據收集（data collection）和功能體知識抽取（knowledge extraction）。不難發現，這類功能元素通常是為了解決更為復雜的問題而設計的，而且在設計時通常會綜合考慮其內部的功能元素，采用合適的方式將它們進行組織，增加執行時的穩定性，同時也會采用一些優化手段來提高執行效率。當分析復雜功能體時，可將其視為一個小的軟件系統并對其進行內部功能分解，即分為多個單獨的功能塊和功能體，進而將對其的分析轉換為對功能塊、功能體以及KGP整體功能的分析。

通過對眾多KGP的分析及上述示例對功能模塊的劃分方式，本文從兩方面對KGP的功能耦合性進行了探究。具體地，對于整個KGP平臺而言，耦合性較低的部署方式能夠增加平臺的靈活性和易維護性，而耦合性較高的部署方式能夠增加平臺的執行性能和穩定性。對于所操縱的知識而言，耦合性較高的功能部署方式意味著兩個功能所操縱的知識具有很高的關聯性。形式上，對于兩個高耦合的功能F₁和F₂，若它們的組織方式如下（其中K₁表示起始知識，K₂表示K₁經過F₁處理后得到的知識，K₃表示K₂經過F₂處理后得到的知識，符號→表示輸入，→→表示輸出）：

則從某種意義上可以將知識從K₁到K₂再到K₃的過程視為知識的演化過程。在這個過程中，功能F₁和F₂扮演著“篩選”的角色，只篩選出符合演化規律的知識。而耦合性較低的功能部署方式則無法說明兩個功能所操縱的知識之間的關聯性，如表展示功能和圖展示功能，由于它們所接收的知識可以是任意的，并且知識經過它們作用后在本質上并未發生改變，所以無法確定知識之間的關聯性。

2 知識譜圖平臺架構

一個軟件系統的外部表現通常是由其具有的功能體現的，而這些功能背后的支撐是軟件系統的架構。架構對于一個軟件系統而言至關重要，它能夠直接決定軟件系統的多種性質，如系統的穩定性、安全性、便攜性等。如何設計一個好的軟件架構是軟件工程領域的熱門話題，開發者們也根據不同的應用需求設計了多種多樣的系統架構。最常見的架構類型為客戶端—服務器類型，這種類型的架構通常部署在兩個不同的節點（計算機）上，其中服務器節點通常為一個具有大容量存儲以及大的計算資源的機器上，其能夠為用戶請求執行的操作提供快速的數據計算。客戶端節點通常為用戶的個人電腦，其所具有的存儲能力和計算能力較小，通常用于數據的請求、展示和簡單計算。客戶端和服務器通過網絡進行連接，它們之間的通信通常不受物理距離的影響，但通信的質量受到多種條件的約束，如網絡帶寬、網卡性能等。

KGP往往具有較為豐富的應用功能，如何設計或選擇合適的架構來組織這些應用功能是必要的。而當確定了架構之后，在架構內部還需要對功能進行合理部署，如相似的功能在邏輯上水平接近，相互依賴的功能在邏輯上垂直接近。在調研的43個KGP中，獲取到35個KGP的架構圖，本文通過分析，沿用軟件工程^［88］中對系統架構內部部件劃分的描述，按照架構內部包含的子系統數量將這些KGP的架構分為四類，分別為集中式架構、兩端式架構、多層式架構和組合式架構。以下幾節將分別探討這四類架構模型并進行總結。為方便標識子系統，在以下描述的架構圖中，使用加粗的矩形框標識一個子系統，并在矩形框內使用背景為藍色且字體加粗的矩形描述子系統的名字，如圖5中的抽取管理器子系統。

2.1 集中式架構

集中式架構是在軟件開發初期最常使用的架構類型，該架構主要包含一個核心子系統，以及必要的數據存儲模塊和數據輸出模塊等，子系統內幾乎包含了系統的全部功能部分。用戶能夠在部署該系統的節點（通常為一臺計算機）上或使用網絡接口使用系統，所有的數據操作全部發生在該節點上。因此，對于集中式結構的系統，其通常需要部署在性能較高的節點上，如具有大存儲、強計算能力的計算機。此外，對于功能較少、計算需求不高的系統，采用集中式架構的設計模式往往省時省力且能夠滿足用戶需求。

圖5為DBpedia system的架構圖^［69］，該平臺主要用于從數據中抽取知識并構建知識圖譜。可以看出，該KGP的核心模塊為抽取管理器（extraction manager）模塊，其能夠從外部獲取數據源，然后對數據進行抽取操作并將抽取得到的知識以N-triple的形式進行存儲。抽取管理器內部主要包含抽取器（extractors）和解析器（parsers）這兩個工作部件，其中抽取器集成了大量不同的知識抽取功能，而解析器則封裝了多種類型的解析功能。因而對于外部進入抽取管理器的數據而言，由于抽取器和解析器被部署在同一個節點上，一方面，抽取器和解析器之間能夠進行頻繁的交互以便快速完成對知識的抽取，而不必過于擔心因兩者之間的通信所帶來的低效問題；另一方面，這種功能一體化的集成方式也減少了在知識抽取過程中其他數據操作對抽取操作的影響，在一定程度上提高了抽取準確度。除此之外，當數據進行更新時，由于原始數據或其備份仍保留在該節點上，所以能夠通過一些技術手段如文章隊列（article-queue）快速識別更新的數據和原始數據的某種關系，進而加快對更新數據的知識抽取。集中式架構的知識交互方式通常有兩種：a）直接在節點機器上與知識進行交互，此方式簡單、快速但受限于節點設備性能和物理距離；b）借助瀏覽器等設施通過訪問設定的網絡端口如SPARQL endpoint和鏈接數據網址來實現與知識的交互，此方式雖受限于網絡性能，但能夠實現遠程與知識交互的能力。

總體來說，集中式架構的KGP對宿主機的性能具有較高要求，其通常只具備解決某一類問題的能力，且在解決該類問題時通常具有較高的效率，能夠獲取較好的結果。此外，集中式架構KGP具有較高的工作穩定性及數據安全性，架構開發成本和部署成本較低，但系統的靈活性較低，系統架構的功能不便于擴展。

2.2 兩端式架構

兩端式架構是研究最多也是最基礎的軟件系統架構，其通常被稱為客戶端/服務器架構。客戶端/服務器架構由兩個子系統組成，分別為客戶端子系統和服務器子系統，其中服務器子系統通常包含提供數據存儲的部件和提供數據處理的部件。由于客戶端/服務器架構是一種邏輯上的架構，所以它的兩個子系統可以被部署在同一臺物理機上，但通常情況下，它們被部署在兩個不同的物理機上，稱為客戶機和服務器。客戶機和服務器之間通過網絡進行信息交互，客戶機提供圖形化界面以方便用戶的查詢操作和對查詢結果的展示以及進行少量計算，服務器提供數據存儲和數據計算功能，其通常具有大存儲、強計算能力、多并發、安全性好、穩定性強等特點。客戶機/服務器的執行流程通常為：客戶機接收用戶的輸入，然后主動地向服務器提出請求，服務器收到請求后作出相應的操作，然后將操作結果通過網絡發送給客戶機。

在KGP領域，客戶端/服務器架構是被廣泛使用的架構類型。圖6為HAPE的架構圖^［71］，從整體上看，該架構圖能夠直觀地反映出客戶端和服務器端在功能部署上的明顯差異。客戶端主要具有對知識或部分知識元素（如snapshot和topic等）的查詢、展示和挖掘等功能，服務器主要具有對知識的存儲、管理和計算等功能。這樣的分工方式充分體現了客戶端和服務器端的特點，即計算能力較弱的客戶端著重用于對知識的展示以及對少量知識的計算任務，而計算能力強勁的服務器則著重用于類型豐富且性能高效的計算任務。具體到子系統客戶端和服務器可以發現，單個子系統內的功能均由一個個的功能塊組成，且不同的功能模塊在邏輯上位于互不重疊的位置，功能相近的模塊具有相近的邏輯距離。這使得HAPE內的功能能夠較為容易地被區分和被單獨使用；同時所帶來的好處是整個系統的靈活性得到了提升，子系統的更新和維護更加方便，子系統內部功能的部署更具伸縮性。這也符合HAPE的設計理念，即為一個集大知識計算和上千個微服務于一體的高性能KGP。

對于客戶端/服務器架構的知識交互，用戶通常只通過客戶端來操縱少量的知識計算任務以及向服務器傳遞復雜的知識處理任務，無法與服務器進行直接交互，而服務器端通常由管理人員進行維護。此種交互方式一方面保護了數據的安全性以及平臺的穩定性，同時還能夠通過專業人員及時地對服務器的功能進行維護；另一方面，借助于網絡的便利性，客戶端和服務器之間的交互不再受物理距離的影響，因此能夠更加便捷地對知識進行操縱。同時在開發KGP時期，還能夠對KGP的兩端進行開發，以便提高開發效率。在具體開發時，開發人員也能夠更加專注于對適合在本子系統部署的功能模塊的開發，同時得益于功能塊和功能體的組織方式，在KGP開發過程中，開發人員能夠專注于某一功能模塊內的單個基本功能的開發，后續再逐步擴充該功能模塊內的功能，最終完成所有KGP功能的開發和部署。然而，由于客戶端/服務器架構依賴于網絡通信，而網絡通信受多種因素影響，如網絡帶寬、網線和網卡等，在客戶機和服務器進行網絡通信時可能會出現異常現象，如無法連接服務器、查詢結果不完整等，所以客戶端/服務器架構的KGP在進行知識操作時在一定程度上會降低執行效率和操作結果的準確度。

2.3 多層式架構

本文將多層式架構的KGP限定為兩種形式：一種是KGP本身由多個子系統構成，如圖7中JoveMind知識圖譜平臺的架構^［36］，其由三個子系統構成，分別為基礎層、平臺層和應用層，稱此類架構為三層式架構；另一種是KGP的核心部分由多個子系統構成，如圖8中的睿力平臺的架構^［40］，其整體上包含圖譜構建和圖譜應用兩部分，而其核心部分為圖譜構建部分。從架構圖中可以看到，圖譜構建部分包含三個子系統，分別為知識抽取子系統、知識存儲子系統和查詢分析子系統，所以該KGP的架構類型也為三層式架構類型。不難發現，多層式架構內的子系統之間通常具有層次關系，如圖7中的JoveMind知識圖譜平臺架構，其最底端的基礎層用于檢索和處理數據，中間的平臺層用于構建知識圖譜，最上方的應用層用于對圖譜的應用。通常情況下，邏輯位置層級較低的子系統用于將數據轉換為知識這一流程，較高層級的子系統用于對知識的應用和展示，數據的流動方向為從低層次子系統流向高層次子系統。

從KGP架構圖7～10中不難發現，多層式架構KGP的子系統內部功能之間的關聯性或相似性比較高，每一個子系統通常是為了專門解決某一類問題而開發設計的。類似于1.3節通過KGP功能耦合性對功能模塊的劃分，為了更好地對子系統進行更加深入的描述和分析，按照子系統內功能之間的耦合度將子系統分為功能塊子系統、功能體子系統以及聯合體子系統，分別簡稱為系統塊、系統體和聯合體。系統塊通常是用于解決某一類特定問題的功能集合，集合內各功能之間的耦合度較低，集合內的每個功能通常能夠不依賴集合內的其他功能而被單獨執行，如圖8中睿力平臺的查詢分析子系統，其內部包含的SPARQL查詢、Java API查詢、關系發現分析和圖數據分析算法四個主要功能，每一個功能都能夠單獨被執行。系統體是為解決某一類特定問題而對相關功能進行特定形式組合的子系統，相對于系統塊，系統體內部功能之間的耦合度較高。如圖3（b）中CN-DBpedia system的知識抽取模塊，其作為知識抽取子系統，內部包含的三個功能元素為順序調用關系，兩個相鄰的功能元素之間緊耦合連接。因此，一般來說，系統塊內部各功能之間是并聯關系，而系統體內部各功能之間是串聯（或流水線）關系。整合系統塊和系統體的特征，聯合體內部功能既包含并聯結構又包含串聯結構，如圖9中public cultural平臺架構圖^［44］中的公共文化知識獲取（public cultural know-ledge acquisition）子系統，其內部的功能元素數據收集（data collection）和數據預處理（data preprocessing）是串聯關系，而這兩者作為一個整體和功能元素知識模式（knowledge schema）是并聯關系。可以看出，聯合體具有更為復雜的結構特點，其所能處理的問題類型也更為豐富。

通過系統塊、系統體以及聯合體的方式，子系統能夠將KGP的內部具體功能以清晰且結構化的方式進行部署和展示。同時以這種方式將KGP的功能進行組織，能夠使開發人員對KGP的設計和構建有整體上的認識，并且在具體的開發過程中，不同的子系統能夠同時進行開發。而在開發具體的子系統時，還能夠根據最新的相關技術和方法及時將它們應用到具體的功能中。由于子系統內的具體功能之間通常也具有明顯的邏輯距離，所以在后期對KGP進行更新和維護時，能夠快速地定位到待更新功能所在的子系統，通過分析子系統內部具體功能的組織方式，可以更快地找到待更新功能的邏輯位置并分析其與其他功能之間的邏輯關系，從而實現快速更新。不同的多層式架構的KGP所具有的子系統通常不同，但位于邏輯位置最底層的子系統通常具有相似的功能，即一般包括對數據或知識進行處理和存儲的相關功能。

本節剩余部分展示兩類多層式架構類型且具有代表性的KGP，分別為四層式架構類型的public cultural平臺^［44］（圖9）和五層式架構類型的AISWare平臺^［47］（圖10）。

2.4 組合式架構

除了上述幾種架構類型之外，還存在一種特殊類型的架構，這種架構通常是為特殊場景所定制的，其組合了上述幾種架構的特點，且在架構設計時同時兼顧KGP開發單位所擅長的技術。以下介紹兩種不同的組合式架構類型的KGP，分別為HyperGraph知識圖譜平臺架構和Monolith知識圖譜平臺架構。

圖11為HyperGraph知識圖譜平臺的架構圖^［49］，其左側部分整合分布式圖數據庫、高性能分析引擎和行業知識庫于一體，可以視為一個集中式子系統；其右側包含了知識圖譜建模工具子系統、可視化套件子系統和多元化搜索套件子系統。該KGP具有較強的圖分析和數據轉換功能，并在應用端集成了高性能數據搜索和多視角數據可視化功能，這有利于對數據快速查詢以及發現數據的特性等。

HyperGraph知識圖譜平臺主要應用于金融風控、公安刑偵、互聯網大數據分析等場景，在這些場景下需要快速完成從數據到知識的轉換，并能夠快速查詢數據并分析數據的某些特點，因而能夠更好地結合其平臺架構特點來充分提高KGP的應用效率。

圖12為Monolith知識圖譜平臺的架構圖^［50］，該KGP主要用于對OBDM^［89］以及知識圖譜的管理，針對這兩類管理分別部署了相關服務，如OBDM方面的本體檢驗（ontology inspection）服務以及知識圖譜方面的圖譜導航（graph navigation）服務。這兩者之間的關聯性不強，可以把知識圖譜服務和OBDM服務分別看做子系統。從架構圖中可以看出，這兩個子系統內部之間的服務是并聯關系，所以這兩個子系統又都為系統塊。該平臺的底層子系統展示在架構圖中的左下方區域，該子系統的主要功能是鏈接和生成具有語義的企業知識圖譜，子系統的類型為聯合體。此種架構類型的設計充分體現了Monolith的設計理念，即一個語義企業知識圖譜平臺，能夠創建語義企業知識圖譜，并且能夠在語義知識圖譜上進行OBDM管理和圖譜管理。

通過上述對KGP架構的分析，表3將所調研的具有架構圖的35個KGP進行了分類，同時簡要地對各架構的優缺點進行了總結。表4統計了四類架構所包含的KGP數量。從表3和4中可以發現，在這四類架構中，多層式架構的KGP在數量上占據絕對優勢，反映了其為當前主流的架構類型，這主要歸結于多層式架構的KGP具有部署靈活、易維護、能夠滿足多需求場景等特點。組合式架構融合了集中式、兩端式以及多層式架構的特點，能夠充分結合特殊的領域需求以及開發單位的專長技術，對于解決特殊的領域問題具有更好的效果，其也逐漸成為KGP架構的發展趨勢。兩端式架構具有結構簡單、易部署等特點，適用于遠程操作和多方操作應用場景。集中式架構的KGP通常集主要功能于一體，適用于處理問題較為單一的場景。

3 知識圖譜平臺應用

知識圖譜的多樣性和領域性給人們在使用時帶來了不便，因而，對于不同領域的應用場景，需要開發設計不同的KGP來更好地滿足該應用場景的需求。例如在金融領域，數據的安全性和評估的準確性尤為重要。一方面，數據的安全保障客戶的隱私安全以及企業的財產安全；另一方面，通過對數據的準確評估，能夠為企業提供精準可靠的營銷及風控依據，有利于企業對客戶的了解以及企業業務的推廣。與金融領域相關的現實應用場景包括銀行數據管理、企業風險控制和保險業務評估等。此領域較為典型的KGP包括海致星圖金融圖譜平臺和AllegroGraph等。

從上述分析及例子中可以發現，所被側重的需求通常具有領域特殊性以及應用場景針對性，能夠直接反映該領域的主要特點及應用場景的主要應用功能。因此在實際的KGP設計開發時，不僅需要對所擁有的知識圖譜有充分的了解，還需要對具體的應用場景進行充分的調研，以便能夠掌握該應用場景所需的特殊功能以及功能的側重需求。

考慮到所調研的43個知識圖譜平臺涉及到較多的應用場景，為了體現不同應用場景的KGP所側重的不同需求，表5僅列出了幾種常見的應用場景，并給出了KGP在對應場景下的主要功能或功能類以及需要被側重考慮的需求。

4 知識圖譜平臺未來發展趨勢

基于知識圖譜切實的應用價值，當前有越來越多的企業和組織開始對知識圖譜產生興趣，隨之而來的是有越來越多具有不同特性的知識圖譜平臺被開發、部署和應用。隨著KGP在實際應用中帶來的經濟效益的增加，相關研究人員不再只專注于KGP的功能層面，而開始對KGP進行更深入的研究。與之而來的是，在未來的KGP開發過程中會綜合考慮多方面因素，如更全面的功能、更高效的執行、更靈活的配置、更方便的管理等。以下從三個方面對KGP的未來發展進行概括性的探討：

a）功能方面。由于圍繞知識圖譜的相關技術越來越成熟，信息抽取、知識表示、本體融合、知識存儲和知識展示等功能也有不同程度、不同角度的改進。針對不同的應用場景，所選擇的功能類型及功能數量會有所不同，所以未來需要對這些功能進行更深入的研究，如功能的實現方式、功能之間的耦合性等；同時也需要對功能進行進一步的細化，以便能夠最大程度地提升功能的靈活度、可移植性及執行效率。隨著應用場景的增加以及場景需求種類的增加，結合KG發展的新方向，如多模態KG^{［90～92］}和KG聯合查詢^［93］等，適配且高效的新功能將會得到更多的研究和關注。除此之外，對于人們的日常生活應用，結合知識圖譜的語音、圖片和視頻處理相關功能將會伴隨著智能生活的發展而被引進知識圖譜平臺中。

b）架構方面。不同的應用場景和場景的側重需求會對架構的內部組織形式帶來較大的影響，所以在設計前期需要充分了解應用場景及側重的需求，設計具有穩定且高效的架構。同時為了能夠靈活應對未來功能的升級以及需求的變更，KGP的架構應當統籌兼顧靈活性和穩定性。一個具有良好靈活性和穩定性的KGP能夠減少日后需求變更和平臺維護時所帶來的開銷，從而體現出KGP更大的實際應用價值，也有利于KGP的推廣。可移植性也是未來KGP需要考慮的因素，擁有良好的可移植性不僅能夠方便地將整個平臺部署在不同的操作系統上，以便更快地被客戶部署和使用，還能夠將平臺的不同子系統部署在不同的操作系統上，以便整合多個硬件資源，進行更有效的執行。此外，架構的可編程性是一個值得探討和研究的技術。即使用一般的編程語言也能夠將各功能元素進行封裝打包，利用特定的架構編程語言直接構造指定的架構并對功能元素進行合適的編排，此方式能夠快速且方便地完成對知識圖譜平臺的開發。

c）應用方面。當前KGP主要是面向特定領域或應用場景所開發的，其通常只能在該領域才能發揮出最佳的效果。現實中，被KGP所適用的應用場景比較有限，需要更多的研究來將KGP應用在更多的場景中。當前的KGP已經被應用于金融、國防、電商等行業，為其提供領域知識圖譜的全生命周期支持以及業務需求的智能分析與決策。未來，一方面需要將KGP應用到更廣的現實場景中，另一方面參考可重用的通用功能，通用的KGP將會減少開發KGP的成本，提升開發效率，因此探究近似應用場景中的通用KGP將具有很高的價值。此外，聯合多個不同領域的KGP來解決復雜的跨領域問題也是值得研究的方向。

5 結束語

本文系統性地研究了43個當前主流的知識圖譜平臺，首次從知識圖譜平臺功能、架構和應用三個方面進行了分析和總結。在功能方面，提出了知識圖譜功能元素分類體系，從多個角度對知識圖譜平臺的功能進行了劃分，同時也研討了功能之間的耦合性并對功能的部署進行了分析。在架構方面，通過對35個知識圖譜平臺架構的分析，總結了幾種常用的架構類型，并對每一種架構類型進行了執行性能、靈活性和穩定性的分析，同時探討了不同架構對知識圖譜平臺功能和應用的影響，并對這些不同類型的架構進行了比較。在應用方面，首先列舉了一些被應用在不同領域的知識圖譜平臺，通過分析應用于特定領域的知識圖譜平臺所具有的特性，總結出對于不同的應用領域，知識圖譜平臺應當具有的功能以及需要側重考慮的需求。通過對知識圖譜平臺這三個方面的分析和總結，能夠為知識圖譜平臺研究者和開發者提供系統的、全面的和深層次的知識圖譜平臺信息，增加他們對開發知識圖譜平臺的把控能力，提高平臺的性能及平臺的開發效率。最后，通過對知識圖譜平臺未來發展趨勢的分析，進一步促進研究人員對知識圖譜平臺進行更深入的研究以及更廣范圍的應用。

參考文獻：

［1］Dong Xin，Gabrilovich E，Heitz G，et al. Knowledge vault： a Web-scale approach to probabilistic knowledge fusion ［C］// Proc of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York：ACM Press，2014： 601-610.

［2］McGuinness D L，Van Harmelen F. OWL Web ontology language overview［EB/OL］. （2004-02-10）. https：//www.w3.org/TR/owlfeatures.

［3］Poibeau T，Saggion H，Piskorski J，et al. Multi-source，multilingual information extraction and summarization ［M］. Berlin： Springer，2013.

［4］Zhao Xiaojuan，Jia Yan，Li Aiping，et al. Multi-source knowledge fusion： a survey ［J］. World Wide Web，2020，23（4）： 2567-2592.

［5］Li Bentian，Pi Dechang，Lin Yunxia，et al. Multi-source information fusion based heterogeneous network embedding ［J］. Information Sciences，2020，534： 53-71.

［6］Pan J Z. Resource description framework ［M］// Handbook on Onto-logies. Berlin： Springer，2009： 71-90.

［7］Ehrlinger L，W?βW. Towards a definition of knowledge graphs ［C］// Proc of Posters and Demos Track of the 12th International Conference on Semantic Systems-and the 1st International Workshop on Semantic Change amp; Evolving Semantics. 2016.

［8］Le Q V，Mikolov T. Distributed representations of sentences and documents ［C］//Proc of International Conference on Machine Learning. 2014： 1188-1196.

［9］Mikolov T，Chen K，Corrado G，et al. Efficient estimation of word representations in vector space ［EB/OL］. （2013-01-16）. https：//arxiv.org/abs/1301. 3781.

［10］Bordes A，Usunier N，Garcia-Duran A，et al. Translating embeddings for modeling multi-relational data ［C］// Advances in Neural Information Processing Systems. 2013.

［11］Lin Yankai，Liu Zhiyuan，Sun Maosong，et al. Learning entity and relation embeddings for knowledge graph completion ［C］// Proc of the 29th AAAI Conference on Artificial Intelligence. 2015： 2181-2187.

［12］Wang Zhen，Zhang Jianwen，Feng Jianlin，et al. Knowledge graph embedding by translating on hyperplanes ［C］// Proc of AAAI Confe-rence on Artificial Intelligence. 2014： 1112-1119.

［13］Yang B，Yih W K T，He X，et al. Embedding entities and relations for learning and inference in knowledge bases ［EB/OL］. （2014-12-20）. https：//arxiv.org/abs/ 1412. 6575.

［14］文洋，張茂元，周禮全，等. 基于實體相似性的知識表示學習方法 ［J］. 計算機應用研究，2021，38（4）： 1008-1012. （Wen Yang，Zhang Maoyuan，Zhou Liquan，et al. Entity similarity based know-ledge graph embedding ［J］. Application Research of Computers，2021，38（4）： 1008-1012.）

［15］Grad-Gyenge L，Kiss A，Filzmoser P. Graph embedding based recommendation techniques on the knowledge graph ［C］//Proc of Adjunct Publication of the 25th Conference on User Modeling，Adaptation and Personalization. New York： ACM Press，2017： 354-359.

［16］Sun Zhu，Yang Jie，Zhang Jie，et al. Recurrent knowledge graph embedding for effective recommendation ［C］// Proc of the 12th ACM Conference on Recommender Systems. New York： ACM Press，2018： 297-305.

［17］Liu Chan，Li Lun，Yao Xiaolu，et al. A survey of recommendation algorithms based on knowledge graph embedding ［C］//Proc of IEEE International Conference on Computer Science and Educational Informatization. Piscataway，NJ：IEEE Press，2019： 168-171.

［18］Rossi A，Barbosa D，Firmani D，et al. Knowledge graph embedding for link prediction： a comparative analysis ［J］. ACM Trans on Know-ledge Discovery from Data，2021，15（2）： 1-49.

［19］Zhang Qianjin，Wang Ronggui，Yang Juan，et al. Knowledge graph embedding by translating in time domain space for link prediction ［J］. Knowledge-Based Systems，2021，212： 106564.

［20］Zhang Zhanqiu，Cai Jianyu，Zhang Yongdong，et al. Learning hierarchy-aware knowledge graph embeddings for link prediction［C］// Proc of AAAI Conference on Artificial Intelligence. 2020： 3065-3072.

［21］張德亮，孫更新，賓晟. 基于組合關系路徑的知識圖譜補全方法研究 ［J］. 計算機應用研究，2020，37（10）： 3010-3013. （Zhang Deliang，Sun Gengxin，Bin Sheng. Knowledge graph completion me-thod based on composite relational path ［J］. Application Research of Computers，2020，37（10）： 3010-3013.）

［22］Chen Xiaojun，Jia Shengbin，Xiang Yang. A review： knowledge reasoning over knowledge graph ［J］. Expert Systems with Applications，2020，141（C）： 112948.

［23］Xian Yikun，Fu Zouhui，Muthukrishnan S，et al. Reinforcement knowledge graph reasoning for explainable recommendation ［C］// Proc of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York：ACM Press，2019： 285-294.

［24］Cui Weiwei，Qu Huamin. A survey on graph visualization ［D］. Hong Kong：Hongkong University，2007.

［25］Nararatwong R，Kertkeidkachorn N，Ichise R. Knowledge graph visualization： challenges，framework，and implementation ［C］//Proc of the 3rd IEEE International Conference on Artificial Intelligence and Knowledge Engineering. Piscataway，NJ：IEEE Press，2020： 174-178.

［26］Athreya R G，Ngomo A C N，Usbeck R. Enhancing community interactions with data-driven chatbots—the DBpedia chatbot ［C］// Proc of Web Conference. 2018： 143-146.

［27］Bao Qiming，Ni Lin，Liu Jiamou. HHH： an online medical chatbot system based on knowledge graph and hierarchical bi-directional attention ［C］// Proc of Australasian Computer Science Week Multiconference. 2020： 1-10.

［28］Wen Yufan，Liu Xiaoqiang，Xu Bo. Personalized clothing recommendation based on knowledge graph ［C］//Proc of International Confe-rence on Audio，Language and Image Processing. Piscataway，NJ：IEEE Press，2018： 1-5.

［29］Sang Shengtian，Yang Zhihao，Wang Lei，et al. SemaTyP： a know-ledge graph based literature mining method for drug discovery ［J］. BMC Bioinformatics，2018，19（1）： 1-11.

［30］Mohamed S K，Nounu A，Nováek V. Drug target discovery using knowledge graph embeddings ［C］// Proc of the 34th ACM/SIGAPP Symposium on Applied Computing. 2019： 11-18.

［31］MacLean F. Knowledge graphs and their applications in drug discovery ［J］. Expert Opinion on Drug Discovery，2021，16（9）： 1057-1069.

［32］Tang Jie. AMiner： toward understanding big scholar data ［C］// Proc of the 9th ACM International Conference on Web Search and Data Mining.New York：ACM Press，2016： 467-467.

［33］北京海致星圖科技有限公司. 海致星圖金融圖譜平臺［EB/OL］. ［2022-04-01］. http：//www. stargraph. cn/solution. html.（Beijing Stan Graphs Co.，Ltd. Star Graphs Finacial Atlas platform ［EB/OL］. ［2022-04-01］. http：//www. stargraph. cn/solution. html.）

［34］字母點評 ［EB/OL］. ［2022-04-01］. https：//baijiahao. baidu. com/s？id=1711133272613447377.（Letter comments［EB/OL］. ［2022-04-01］. https：//baijiahao.baidu.com/s？id=171113327261 3447377.）

［35］McCusker J，Rashid S M，Agu N，et al. The Whyis knowledge graph framework in action ［C］// Proc of International Semantic Web Conference. 2018.

［36］Lu Ruqian，Fei Chaoqun，Wang Chuanqing，et al. HAPE： a programmable big knowledge graph platform ［J］. Information Sciences，2020，509： 87-103.

［37］Zahn-Zabal M，Michel P A，Gateau A，et al. The neXtProt knowledgebase in 2020： data，tools and usability improvements ［J］. Nucleic Acids Research，2020，48（D1）： D328-D334.

［38］Stardog Union. Enterprise knowledge graph platform ［EB/OL］. ［2022-04-01］. http：//stardog. com/.

［39］Sirma AI. Ontotext platform ［EB/OL］. ［2022-04-01］. https：//www. ontotext. com/products/ontotext-platform/.

［40］中譯語通科技股份有限公司. JoveMind 知識圖譜構建與分析平臺 ［EB/OL］. ［2022-04-01］. https：//www. gtcom. com. cn/？c=productsamp;a=descamp;id=22.（Global Tone Communication Technology Co.，Ltd. JoveMind knowledge map construction and analysis platform［EB/OL］. ［2022-04-01］. https：//www. gtcom. com. cn/？c= productsamp;a=descamp;id=22.）

［41］Pomp A，Paulus A，Jeschke S，et al. Eskape： information platform for enabling semantic data processing ［C］//Proc of International Confe-rence on Enterprise Information Systems. 2017： 644-655.

［42］Spark Cognition. MAANA knowledge platform ［EB/OL］. ［2022-04-01］. https：//www. maana. io/knowledge-platform/.

［43］PlantData Technology Inc. Knowledge graph based cognition intelligent platform ［EB/OL］. ［2022-04-01］. https：//www. plantdata.cn/portal/home.

［44］Yang Yi，Zhang Guigang，Wang Jian，et al. Public cultural knowledge graph platform ［C］//Proc of the 11th IEEE International Conference on Semantic Computing. Piscataway，NJ：IEEE Press，2017： 322-327.

［45］Semantic Web Company. Classify link analyse understand your data ［EB/OL］. ［2022-04-01］. https：//www. poolparty. biz/.

［46］Eccenca GmbH. Eccenca corporate memory： enterprise knowledge graph platform ［EB/OL］. ［2022-04-01］. https：//eccenca. com/products/enterprise-knowledge-graph-platform-corporate-memory.

［47］亞信科技 （中國） 有限公司. 知識圖譜管理工具 ［EB/OL］. ［2022-04-01］. https：//www.asiainfo.com/zh_cn/product_aisware_ KG_detail. html.（AsiaInfo Inc.Knowledge map management tool［2022-04-01］.https：//www.asiainfo.com/zh_cn/product_aisware_ KG_detail. html.）

［48］Zheng Ziqiang，Liu Yongguo，Zhang Yun，et al. TCMKG： a deep learning based traditional Chinese medicine knowledge graph platform ［C］// Proc of IEEE International Conference on Knowledge Graph. Piscataway，NJ：IEEE Press，2020： 560-564.

［49］聯想集團有限公司. 企業知識圖譜分析平臺 ［EB/OL］. ［2022-04-01］. http：//dibg. lenovo. com. cn/leapHyperGraph. html.（Lenovo. Enterprise knonledge map analysis platform［EB/OL］. ［2022-04-01］. http：//dibg. lenovo. com. cn/leapHyperGraph. html.）

［50］Leporea L，Namicia M，Ronconia G，et al. Monolith： an OBDM and knowledge graph management platform ［C］//Proc of ISWC Satellites： Satellite Tracks （Posters amp; Demonstrations，Industry，and Outrageous Ideas） Co-Located with 18th International Semantic Web Conference.2019： 173-176.

［51］Haase P，Herzig D M，Kozlov A，et al. metaphactory： a platform for knowledge graph management ［J］. Semantic Web，2019，10（6）： 1109-1125.

［52］Kertkeidkachorn N，Nararatwong R，Ichise R. UWKGM： a modular platform for knowledge graph management ［C］// Proc of the 29th ACM International Conference on Information amp; Knowledge Management.New York：ACM Press，2020： 3421-3424.

［53］Zhou Yuanchun，Chang Qingling，Du Yi. SKS： a platform for big data based scientific knowledge graph ［J］. Frontiers of Data and Domputing，2019，1（1）： 82-93.

［54］Franz Inc. AllegroGraph ［EB/OL］. ［2022-04-01］. https：//allegrograph. com/products/allegrograph/.

［55］Buitelaar P，Wood I D，Negi S，et al. Mixedemotions： an open-source toolbox for multimodal emotion analysis ［J］. IEEE Trans on Multimedia，2018，20（9）： 2454-2465.

［56］Bachman M. GraphAware： towards online analytical processing in graph databases ［D］.London： Imperial College London，2013.

［57］Thompson D. GRAKN. AI ［EB/OL］. ［2022-04-01］. https：//medium. com/vaticle/get-started-with-grakn-ai-72bb210f915c.

［58］Data4Cure，Inc. Data4Cure ［EB/OL］. ［2022-04-01］. https：//www. data4cure. com/platform. html.

［59］華為技術有限公司. 知識圖譜KG ［EB/OL］. ［2022-04-01］. https：//www. huaweicloud. com/product/nlpkg. html.（Huawei Technologies Co.，Ltd. KG knowledge map［EB/OL］. ［2022-04-01］. https：//www. huaweicloud. com/product/nlpkg. html.）

［60］南京柯基數據科技有限公司. 科技情報大數據智能服務平臺 ［EB/OL］. ［2022-04-01］. https：//www. kgtdata. com/#/product-kg.（Nanjing KGDATA Technologies Co.，Ltd. Intelligent service platform for big data of scientifit and technological formation［EB/OL］. ［2022-04-01］. https：//www. kgtdata. com/#/product-kg.）

［61］北京睿力科技有限公司. 數據云圖知識圖譜管理平臺 ［EB/OL］. ［2022-04-01］. http：//m. powerkeen. com/m/prod_view. aspx？TypeId=10amp;Id=173amp;Fid=t3： 10： 3.（Beijing Ruili technologies Co.，Ltd. Data clowld map knowledge map managemeat platform［EB/OL］. ［2022-04-01］. http：//m. powerkeen. com/m/prod_view. aspx？TypeId=10amp;Id=173amp;Fid=t3： 10： 3.）

［62］明略科技. 明略SCOPA ［EB/OL］. ［2022-04-01］. https：//www. mininglamp. com/.（Mininglmap Technology Miningmap SCOPA［EB/OL］. ［2022-04-01］. https：//www. mininglamp. com/.）

［63］百度在線網絡技術 （北京） 有限公司. 知識中臺 ［EB/OL］. ［2022-04-01］. https：//ai. baidu. com/industry/mpks.（Baidu. Knowledge platform［EB/OL］. ［2022-04-01］. https：//ai. baidu. com/industry/mpks.）

［64］杭州半云科技有限公司. 人工智能知識圖譜平臺 ［EB/OL］. ［2022-04-01］. http：//www. bywin. cn/product/kuntu. htm.（BYWIN. Artificial intelligence knowledge mapping platform［EB/OL］. ［2022-04-01］. http：//www. bywin. cn/product/kuntu. htm.）

［65］同盾科技有限公司. 同盾云圖金融風控圖譜平臺 ［EB/OL］. ［2022-04-01］. https：//www. tongdun. cn/product/knowledge？r=pp.（Tongdun. Tongdun cloud map financial risk control map platform［EB/OL］. ［2022-04-01］. https：//www. tongdun. cn/product/knowledge？r=pp.）

［66］拓爾思信息技術股份有限公司. TRS安拓知識圖譜平臺 ［EB/OL］. ［2022-04-01］. http：//www. trs. com. cn/xwzx/202009/t20200923_7711. html.（TRS. TRS knowledge map platform［EB/OL］. ［2022-04-01］. http：//www. trs. com. cn/xwzx/202009/t20200923_7711. html.）

［67］騰訊計算機系統有限公司. 騰訊知識圖譜 TKG ［EB/OL］. ［2022-04-01］. https：//cloud. tencent. com/product/tkg.（Tencent. TKG knowledge map platform［EB/OL］. ［2022-04-01］. https：//cloud. tencent. com/product/tkg.）

［68］廈門淵亭信息科技有限公司. DataExa-Sati認知智能平臺 ［EB/OL］. ［2022-04-01］. http：//www. dataexa. com/product/sati.（Utenet. DataFxa-Sati cognitive intelligence platform［EB/OL］. ［2022-04-01］. http：//www. dataexa. com/product/sati.）

［69］Morsey M，Lehmann J，Auer S，et al. DBpedia and the live extraction of structured data from Wikipedia ［J］. Program，2012，46（2）： 157-181.

［70］Mitchell T，Cohen W，Hruschka E，et al. Never-ending learning ［J］. Communications of the ACM，2018，61（5）： 103-115.

［71］Xu Bo，Xu Yong，Liang Jiaqing，et al. CN-DBpedia： a never-ending Chinese knowledge extraction system ［C］//Proc of International Conference on Industrial，Engineering and Other Applications of Applied Intelligent Systems. Cham： Springer，2017： 428-438.

［72］Chen Jindong，Wang Ao，Chen Jiangjie，et al. CN-Probase： a data-driven approach for large-scale Chinese taxonomy construction ［C］// Proc of the 35th IEEE International Conference on Data Engineering. Piscataway，NJ：IEEE Press，2019： 1706-1709.

［73］Wang Zhigang，Li Juanzi，Wang Zhichun，et al. XLore： a large-scale English-Chinese bilingual knowledge graph［C］// Proc of Internatio-nal Semantic Web Conference （Posters amp; Demos）. 2013： 121-124.

［74］Jia Yantao，Wang Yuanzhuo，Cheng Xueqi，et al. OpenKN： an open knowledge computational engine for network big data ［C］// Proc of IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining. Piscataway，NJ：IEEE Press，2014： 657-664.

［75］徐增林，盛泳潘，賀麗榮，等. 知識圖譜技術綜述 ［J］. 電子科技大學學報，2016，45（4）： 589-606. （Xu Zenglin，Sheng Yongpan，He Lirong，et al. Review on knowledge graph techniques ［J］. Journal of the University of Electronic Science and Technology of China，2016，45（4）： 589-606.）

［76］王萌，王昊奮，李博涵，等. 新一代知識圖譜關鍵技術綜述 ［J］. 計算機研究與發展，2022，59（9）： 1947-1965. （Wang Meng，Wang Haofen，Li Bohan，et al. Survey of key technologies of new generation knowledge graph ［J］. Journal of Computer Research and Development，2022，59（9）： 1947-1965.）

［77］Abadi D J，Marcus A，Madden S R，et al. Scalable semantic Web data management using vertical partitioning ［C］// Proc of the 33rd International Conference on Very Large Data Bases.2007： 23-27.

［78］Bornea M A，Dolby J，Kementsietsidis A，et al. Building an efficient RDF store over a relational database ［C］// Proc of ACM SIGMOD International Conference on Management of Data. New York：ACM Press，2013： 121-132.

［79］Sun Wen，Fokoue A，Srinivas K，et al. SQLGraph： an efficient relational-based property graph store ［C］// Proc of ACM SIGMOD International Conference on Management of Data. New York： ACM Press，2015： 1887-1901.

［80］Webber J. A programmatic introduction to Neo4j ［C］// Proc of the 3rd Annual Conference on Systems，Programming，and Applications： Software for Humanity. 2012： 217-218.

［81］Zou Lei，Tamer M，Chen Lei，et al. gStore： a graph-based SPARQL query engine ［J］. VLDB Journal，2014，23（4）： 565-590.

［82］王鑫，鄒磊，王朝坤，等. 知識圖譜數據管理研究綜述 ［J］. 軟件學報，2019，30（7）： 2139-2174. （Wang Xin，Zou Lei，Wang Chao-kun，et al. Research on knowledge graph data management： a survey ［J］. Journal of Software，2019，30（7）： 2139-2174.）

［83］Chodorow K. MongoDB： the definitive guide： powerful and scalable data storage ［M］. California： O’Reilly Media Inc.，2013.

［84］Apache Jena. Apache Jena Fuseki ［EB/OL］. ［2022-04-01］. https：//jena. apache. org/documentation/fuseki2/.

［85］Ko H，Witherell P，Lu Y，et al. Machine learning and knowledge graph based design rule construction for additive manufacturing ［J］. Additive Manufacturing，2021，37： 101620.

［86］Lei Zhenfeng，Sun Yuan，Nanehkaran Y A，et al. A novel data-driven robust framework based on machine learning and knowledge graph for disease classification ［J］. Future Generation Computer Systems，2020，102： 534-548.

［87］Oldman D，Tanase D. Reshaping the knowledge graph by connecting researchers，data and practices in ResearchSpace ［C］//Proc of International Semantic Web Conference. Cham： Springer ，2018： 325-340.

［88］Pressman R S. Software engineering： a practitioner’s approach ［M］. London： Palgrave Macmillan，2005.

［89］Lenzerini M. Managing data through the lens of an ontology ［J］. AI Magazine，2018，39（2）： 65-74.

［90］Liu Ye，Li Hui，Garcia-Duran A，et al. MMKG： multi-modal know-ledge graphs ［C］// Proc of European Semantic Web Conference. Cham：Springer，2019： 459-474.

［91］Sun Rui，Cao Xuezhi，Zhao Yan，et al. Multi-modal knowledge graphs for recommender systems ［C］// Proc of the 29th ACM International Conference on Information amp; Knowledge Management.New York：ACM Press，2020： 1405-1414.

［92］Chen Liyi，Li Zhi，Wang Yijun，et al. MMEA： entity alignment for multi-modal knowledge graph ［C］// Proc of International Conference on Knowledge Science，Engineering and Management. Cham：Springer，2020： 134-147.

［93］Hamilton W，Bajaj P，Zitnik M，et al. Embedding logical queries on knowledge graphs ［EB/OL］. （2018-06-05）. https：//arxiv.org/abs/1806.01445.