知识图谱，是近年来最火热的研究方向之一，被认为是实现认知智能的核心基础技术。知识图谱以图的形式表现客观世界中的实体、概念及其之间的关系，致力于解决认知智能中的复杂推理问题。在我上一本看的关于人工智能方面的书《图神经网络》中，有更为详尽的介绍 知识图谱相关技术发展迅速，应用也非常广泛，但仍然有很多问题需要解决。从理论研究方面，知识图谱的基础技术仍然需要进一步推进，一些问题，例如语言歧义性、长尾知识获取、时序知识获取、多模态知识的融合、复杂推理，还没有较好的解决办法。且随着大数据时代的红利逐渐消失，以深度学习为基础的感知智能逐步触碰到天花板，理论突破也越来越难。而在认知智能的前进道路上，基于统计概率的深度学习模型仍然无法真正实现和人类相同的推理和理解能力。这部分短期还真看不出有何能突破的方向，只能慢慢熬。既使上述三个大问题能解决，也还有知识产权的问题，横亘在认知 (人工) 智能之前，是绕不开的。所以目前来说，将知识图谱运用在游戏设计跟工业制造上，应该是较为可行的方向。游戏咱们暂且不在这里讨论，光是单纯从工业实践上来看，由于数据源繁多，数据规模庞大，异构数据种类质量参差不齐，高质量通用知识图谱的构建，看来也还是有很长的路要走。且本书偏技术的东西较多，理论概括内容较少，虽然书中有不少实际应用案例项目的搭建介绍，但是不太适合非技术出身的项目经理或从业人员阅读。

知识是人类在实践中认识客观世界（包括人类自身）的成果，它包括事实、信息、描述以及在教育和实践中获得的技能。知识是人类从各个途径中获得的经过提升、总结与凝炼的系统的认识。因此，可以这样理解，知识是人类对信息进行处理之后的认识和理解，是对数据和信息的凝炼、总结后的成果。当前，无论是学术界还是工业界，对知识图谱还没有一个唯一的定义，本书的重点也不在于给出理论上的精确定义，而是尝试从工程的角度，讲解如何构建有效的知识图谱。在剩下的章节中，也会有一些常见概念，这里列举如下。■　实体：对应一个语义本体，例如 “姚明”“中国” 等。■　属性：描述一类实体的特性（例如 “身高”：姚明的身高是 229 厘米）。■　关系：对应语义本体之间的关系，将实体连接起来（例如 “国籍”：姚明的国籍是中国）。有些学者也将属性定义为关系，属于属性关系的一种。但本书将属性和关系作为两种不同的概念区别对待。