知識圖譜要支援語意查詢和推理，用哪種圖模型？

情境

先感受問題：研究報告裡的知識怎麼變成可查詢的圖

「科睿智慧」公司有幾千份研究報告和專利文件，裡面充滿了知識關係：

「深度學習」是「機器學習」的子類型

「GPT-4」使用了「Transformer」架構

「Transformer」由「Attention Mechanism」組成

「某專利 US123」涵蓋了「自注意力機制」

工程師珮琳想讓這些知識「活起來」，可以問：「哪些技術和 GPT-4 相關？」「Attention Mechanism 被哪些模型使用？」甚至：「能不能推理出哪些技術涉及我們的專利範圍？」

這不只是查詢，還需要語意推理。

舊方法

其他資料儲存方式無法滿足語意推理需求

1. 純節點邊圖，沒有語意標準：自訂的節點和邊格式缺乏語意互通性，無法接上現有的推理引擎（如 OWL Reasoner），也無法和外部知識庫（如 Wikidata、DBpedia）整合。
2. 文件型資料庫靠標籤連接，語意薄弱：MongoDB 等文件型資料庫用 Tag 標記關係，但 Tag 只是字串，沒有語意定義，「is-a」和「part-of」對資料庫來說是一樣的，無法推理「是子類就繼承父類屬性」。
3. 關聯式資料庫的 JOIN 無法表達推理：RDBMS 可以表達「A 和 B 有關係」，但「A 是 B 的子類，所以 A 也是 C 的子類（因為 B 是 C 的子類）」這種傳遞推理，不是 SQL 能做的。
4. 缺乏標準 URI，無法全球互通：非 RDF 格式的知識圖譜用自訂 ID，無法和網路上其他知識庫對齊（Linked Data 概念），知識孤島化。
5. 語意擴展困難：要加入新的關係類型（如新領域的術語），需要修改資料庫 schema；RDF 可以動態加入新的謂語（Predicate），無需更動既有資料。

新方法

RDF 三元組：主語-謂語-賓語，語意推理的基礎

珮琳選擇 RDF 三元組格式建立知識圖譜：

(深度學習) → [是子類型] → (機器學習)

(GPT-4) → [使用了] → (Transformer架構)

(Transformer架構) → [由...組成] → (Attention Mechanism)

主語（Subject） → 謂語（Predicate） → 賓語（Object）

RDF 的三個關鍵優勢：

• 謂語有語意定義（用 OWL 本體論定義「是子類型」的涵義），推理引擎可自動推導新知識
• SPARQL 查詢語言可做複雜的語意查詢，包括跨多層關係的路徑查詢
• 使用全球唯一 URI 標識實體，可和外部知識庫（Wikidata、DBpedia）對齊整合

這就是選項 B 講的：將資料結構建為 RDF（Resource Description Framework）三元組（Subject-Predicate-Object）。

錯選項

為什麼其他選項是錯的

變形題

同個考點下次怎麼變形

延伸

想再往下看，這 5 個

• 本體論（Ontology）
  定義知識圖譜中關係類型的語意規則，是 RDF 推理能力的核心支撐。
• 知識庫（Knowledge Base）
  知識圖譜是結構化知識庫的一種形式，強調實體間的關聯和推理能力。
• SPARQL（SPARQL查詢）
  針對 RDF 三元組資料的查詢語言，能進行複雜的語意圖查詢。
• 圖檢索增強（Graph RAG）
  結合知識圖譜和大型語言模型的 RAG 架構，讓 AI 具備結構化推理能力。
• 三元組抽取（Triple Extraction）
  從非結構化文本自動抽取主語-謂語-賓語，是知識圖譜自動建構的核心技術。