知识图谱（Knowledge Graph）是一种以图结构形式表示知识的人工智能数据结构，用于建模实体及其语义关系。它将数据节点（实体）与边（关系）组织在一起，使机器能够进行语义推理与知识发现，被广泛应用于搜索引擎、推荐系统和自然语言处理。
核心结构：节点（实体）与边（关系）组成的语义网络
主要目标：实现机器可理解的知识组织与推理
典型表示语言：RDF、OWL、SPARQL
主要应用者：Google、Microsoft、Meta等科技公司
首次广泛提出：2012年由Google在搜索系统中应用
知识图谱的理念源于语义网（Semantic Web）研究，旨在通过统一的语义模型整合异构数据。2012年，Google提出“Knowledge Graph”，推动了这一概念的产业化。随后，学术界与业界广泛采用该结构构建大规模知识系统，如Freebase、Wikidata和DBpedia等。
知识图谱由三元组（subject, predicate, object）构成，每个三元组代表一个事实。例如：(巴黎, 是首都, 法国)。构建过程包括实体识别、关系抽取、实体对齐与融合。常用技术涉及自然语言处理、信息抽取和机器学习。
知识图谱在智能问答、语义搜索、推荐系统、企业知识管理等领域发挥关键作用。例如，Google搜索通过知识图谱提供结构化答案而非仅列出网页。企业内部知识图谱帮助组织打通数据孤岛，实现智能决策支持。
随着大语言模型与图学习的结合，知识图谱正向“神经符号混合系统”演进。这种趋势旨在融合符号知识的可解释性与深度学习的表示能力，以增强人工智能的可理解性与可控性。
