分享一下学习总结：
知识图谱的构建主要涉及到知识建模、知识抽取、知识融合、知识存储、知识计算以及知识应用，具体可以归纳如下：
知识图谱架构如下图，这其中主要包括如下几个部分：
主要涉及到爬虫技术
可以采用如下两种方式
自顶向下：由专家创建
自底向上：
有很多现有的工具：如Protégé、Semantic Turkey、Swoop、OBO-Edit等，存在的缺点是需要个人编辑，不能多人并行编辑
针对不同的目标数据类型，可以提供文件导入、ETL、Wrapper、Extractor三种方式：
把结构化数据、半结构化数据、非结构化数据的知识表达形式都统一成RDF的形式，便于存储和查询。具体的知识融合主要包括如下两种类型：
开放数据集成框架：LDIF
知识存储的主流存储方式是图数据库，但具体实施时需要根据具体的业务需求来选择存储方式，下表总结了各种存储方式的特点：
问题：大量自连接操作的开销巨大
问题：
（1）、 RDF灵活性（高于一阶的关系查询很复杂）
（2）、 查询时必须指定属性，无法做不确定属性的查询
问题：
（1）、大量数据表
（2）、删除属性代价大
优点：
（1）、三元组模式查询（triple pattern）的高效执行
（2）、任意两个三元组模式的高效归并连接（merge-join）
缺点：
（1）、六重索引意味着6倍空间开销
（2）、更新维护代价大
优点：数据库本身提供完善的图查询语言、支持各种图挖掘算法，缺点：图数据库的分布式存储实现代价高，数据更新速度慢，大节点的处理开销很高。
事实的生成时间
某事实的有效时间段
某一对象在特定历史时刻的状态
知识图谱在过去特定时间的版本
关系型数据：使用图形数据存储
关联型数据：作为记录型数据存入合适的存储中，通过实体链接与图谱中实体关联。
属性型数据：作为实体的数值属性存入知识图谱
时态型数据：使用基础存储上的时态处理中间件进行存储与查询
知识表现主要涉及语义网的知识，其中与知识图谱相关紧密的是RDF、 OWL、SPARQL几种，具体的特征和用处如下表：
索引系统的构建，并对查询的结果进行排序
集成现有的可视化工具，实现知识图谱的可视化。常见的可视化工具如3D.js、Echarts等。
欢迎关注专栏：数联未来
