知识图谱本质上是一种大型的语义网络，它旨在描述客观世界的实体/概念以及及其之间的关系。以实体/概念为节点，以关系为边，提供一种从关系的视角来看世界。
1960年，语义网络(Semantic Networks)作为知识表示的一种方法被提出，主要用于自言语言理解领域。它是一种用图来表示知识的结构化方式。在一个语义网络中，信息被表达为一组结点，结点通过一组带标记的有向直线彼此相连，用于表示结点间的关系。简而言之，语义网络可以比较容易地让我们理解语义和语义关系。
之前的语义网络受限于我们处理的方法，更多是依赖于专家的经验规则去构建，在规模方面受限于特定领域的数据。大规模网络，谷歌在2012年首先提出知识图谱的概念，在freebase的基础上扩展了大量来自互联网的实体数据和关系数据。据说目前实体的数据已经达到数十亿级，有达到千亿级的实例关系，规模是非常巨大的。
构成知识图谱的核心是三元组：实体（Entity）、属性（Attribute）和关系（Relation），可以表示为 <实体1，关系，实体2> 或 <实体1，属性1，属性值1>，例如：<Google，is-a，人工智能公司>；<人工智能公司，subclass，高料技公司>
基于已有的知识图谱三元组，可以推导出新的关系。例如：<翅膀 part-of 鸟>，<麻雀kind-of 鸟>，可以推导出<翅膀 part-of 麻雀>。
1.2 知识图谱的分类
通用知识图谱 实际上是谷歌或者百度这样的大型的互联网公司在构建的，它主最主要是用于它的搜索引擎，它面向的是通用领域，它的用户是全部的互联网的用户，它构建常识性的知识为主，包括结构化的百科知识，它强调的更多的是一种知识的广度，对知识的深度方面不做更多的要求，它的使用者也是普通的用户。
行业知识图谱 面向一个特定的领域，它的数据来源是来源于特定行业的语料，它是基于行业的数据来构建，而且要有一定的行业的深度，它强调的是更多的是深度，而不是广度，能够解决行业人员的问题，它的使用者也是这个行业内的从业人员，或是这个领域里面的专业人员来使用。
通用知识图谱和行业知识图谱，个并不是说完全互相独立的，是具有互相互补性的关系。一方面，通用知识图谱会不断的吸纳行业或者领域知识图谱的知识，来扩充它的知识面，然后增加它的知识的广度。同时，我们在构建一个行业知识图谱或者领域知识图谱的时候，实际上也并不是说只局限在这个领域的基本的数据，我们同时还要去通用知识图谱里面去吸纳更多的常识性的知识来作为补充，只有这样才能构成一个非常完整的行业知识图谱。
温馨提示：答案为网友推荐，仅供参考