【演讲回顾】知识图谱的演进与基于 OpenSPG+TuGraph 的推理实践

知识图谱发展阶段与趋势

知识图谱，说白了就是一个结构化的语义知识库，专门用来描述现实世界里的各种事物以及它们之间错综复杂的关系。回顾它的发展脉络，大致可以划成三个主要阶段：通用知识图谱、领域知识图谱，以及眼下与大型语言模型结合的阶段。

• 通用知识图谱阶段
  ：早期主要从公开数据集中抽取SPG三元组，构建静态知识库，核心目标是提升搜索推荐的精准度和用户体验。说白了，就是让搜索引擎更懂你。

• 领域知识图谱阶段
  ：知识获取从开放数据转向封闭的特定领域，融入专家经验和规则，目的是挖掘金融风控、信贷等场景里那些稀缺的专业知识。这阶段更像是在一个窄而深的地方打井。

• 企业级知识管理阶段
  ：到了当下，知识图谱和大模型走到了一起，关注的重点变成了知识标准化、跨域数据互联和复用。说白了，怎么让散落在不同系统的知识能互相对话，并且可以被大模型高效调用，成了新课题。

：随着阶段演进，光是往推理过程里加点文本信息、概念或者实体间的关系（比如交易、社交），效果并不明显。现在的趋势是强调实体的多要素信息深度协同，去挖掘那些稀疏实体之间隐含的语义关联，实现语义上可解释的稠密化。打个比方，以前只知道A和B有关系，现在要知道A的什么属性、在什么情境下、和B的哪个特征产生了关联。

SPG语义增强

任何复杂技术想大规模产业化，都得有个统一的技术框架，把那些复杂的技术细节屏蔽掉，让新业务能快速上手、跨场景迁移。蚂蚁知识图谱团队多年实践下来，提出了新一代知识语义框架SPG，并且把它开源了。这个框架的核心思路是借力LPG的结构性和RDF的语义性，搞出一套可编程范式的知识引擎架构，既支持各领域高效构建图谱，又能实现跨领域的知识语义对齐。

有意思的是，SPG在语义增强上走了一条和主流不太一样的路子，具体体现在以下几个方面：

：SPG把知识分成三类——实体、概念和事件。实体是跟业务紧密相关的客观实例，像用户、企业这些，可以通过属性和画像来描述；概念是从具体到一般的抽象，对应一组实体集合，相对静态且泛化性强；事件则附带了时空约束，比如行业事件、企业事件或者诊疗事件。

：传统属性图里，实体的一些简单文本属性，比如商店的省市字段，在SPG里会被链指到具体的概念上，建立起上下级关系。再比如邮箱，会被标准化处理，转成标准实体。这样一来，对实体的理解就不再是“省份是一个字符串”，而是“省份和某个行政区域概念挂钩”，从而实现更深度、更有效的关联。

SPG能力进化与升级

SPG能力的进化可以分为五个阶段，能力逐级增强，并且后一阶段兼容前一阶段：

• 兼容模式
  ：目标是让大数据体系下，结构化和非结构化数据能快速建成简单的属性图，并且能直接用上图推理能力。这是最基础的底座。

• 领域模型约束
  ：加入更多schema约束，把普通属性进行抽象。比如不再把“城市”当成一个字符串，而是抽象成“城市”这个概念或标准实体属性。这样一来，属性就不只是属性，而是链指到具体概念上了。

• 数据到知识的迭代演化
  ：通过不断加入链指和融合算子，强化主体的唯一性，发现更丰富的语义关联。举个例子，知识图谱里已经有一个商店，另一个域下也有一个口碑描述或者抽象出来的商店，它们可能是同一家店。为了消除不一致性，就内置一个融合算子（fuseOp），把两个实体合并成一个。

• 谓词语义及逻辑符号
  ：把谓词也抽象了。比如“偏好”在传统属性图里就是一个属性，但在SPG里可以抽象成类目概念。类目下有“成都火锅”，用户节点到“类目”这个节点也可能有一条边。这样一来，通过链指就能做更多模糊推理或推荐，而不是死板的属性匹配。

• 符号语句化阶段
  ：定义谓词之间的关系，比如互反、互斥。通过符号化表示来定义逻辑规则，进而进行推理。这一步有点像给知识图谱装上了“逻辑引擎”，让它能自动推导新知识。

利用TuGraph赋能SPG图谱推理

在知识图谱推理里，怎么把TuGraph的能力用起来？首先得说OpenSPG的逻辑规则执行引擎，它大体分三块：

• 最上层
  是用户输入。用户可以通过自定义的符号KGDSL来输入，同时也兼容ISO接口标准。

• 中间层
  是解析编译与优化。通过Lube把它解析优化成最终执行计划。编译过程中，Catalog会管理那些谓词、事件、概念和大模型相关的信息。

• 最下层
  是适配器（Adapter），可以对接TuGraph-Analytics或者TuGraph-DB。

在图谱推理里，主要分在线分析处理（OLAP）和离线场景两种：

• OLAP场景
  ：由TuGraph提供类似Cypher的查询语言。用户先做好Schema建模，把数据导入TuGraph-DB。每个query进来后，推理引擎就开始编译优化，生成ISO-GQL语言，再和TuGraph-DB通信完成查询或修改目标。

• 离线场景
  ：利用TuGraph提供的计算编程框架，用户可以嵌入自定义算子来支持SPG能力。整个流程需要用户新建离线任务，经过规则解析器解析生成执行计划，对每个执行计划做对应的OP操作。根据adapter的不同，生成基于TuGraph的每个OP实现，编译打包成插件提交给TuGraph-Analytics Engine运行，最终拿到逐步推理结果。左侧就是所有可用的OP列表。本质上，最后用到的还是TuGraph-Analytics那些节点管理、数据管理和数据计算的能力。

SPG知识图谱语义框架凭借其独特的语义增强方法和能力进化机制，加上TuGraph平台在存储、计算、推理上的支撑，正在让知识图谱的构建、推理和应用变得更高效。这套技术栈也正好契合了当前知识图谱从静态常识走向深度上下文、从单域走向跨域互联的趋势。