本體論 是什麼？

Ontology：本體論 的完整解釋

本體論是明確指定領域概念及其關係的正式表示，用於知識共享和推理，是知識圖譜的基礎。

容易混淆

本體論 vs 資料庫綱要

資料庫綱要像圖書館的書架編號，只管書怎麼放；本體論像圖書館的分類系統，不僅定義書的類別，還定義類別間的關係和屬性，更重視知識的語義。

最關鍵的區別：一個管語意關係，一個管資料欄位。

本體論 vs 資料庫綱要

ontology 不只管欄位，還管概念之間怎麼互相關聯

最關鍵的區別：一個重語意，一個重資料結構。

記住這句就好

先定義概念，再定義概念之間的關係

實際案例

案例 1：把醫療術語、症狀、檢查和診斷關係先畫清楚

這種情況下，本體論 會幫你把原本手工或靠直覺的步驟變得更穩。

案例 2：把公司產品、部門和流程做成可推理的知識結構

另一個常見場景也能看出 本體論 的價值，因為它處理的是同一種核心問題。

算法與應用

核心意思就是：先定義概念，再定義概念之間的關係。

常用在知識圖譜、語義推理和跨系統知識整合

如果定義不一致，後面再多資料也很難推理正確

兩個 ontology 不要搞混

這個字在中文有兩種譯法，對應兩個相關但不同的東西。

在 AI 語境下講 ontology，講的幾乎都是第二種。它是知識圖譜（knowledge graph）的骨架，也就是那份規定「有哪些類別、每個類別有哪些屬性、類別之間有什麼關係」的規格。

名字來自哲學，因為做的事情本質相同：先講清楚這個世界裡有哪些種類的東西。但在工程上它是一份可執行的規格，不是一場思辨。

一份 ontology 由什麼組成

類別（class）：概念的種類，例如「藥品」「疾病」「症狀」。類別可以有階層，例如「抗生素」是「藥品」的子類別。

屬性（property）：類別之間或類別與數值之間的關係，例如「藥品 治療 疾病」「藥品 有劑量 數值」。

實例（instance）：具體的個體，例如「阿莫西林」是「抗生素」的一個實例。

公理與約束（axiom）：規則，例如「一個人只能有一個出生日期」「抗生素與抗病毒藥互斥」。這是 ontology 跟單純的分類表最大的差別，有了規則，機器就能推理出沒有明講的事實。

常見的技術標準是 RDF 與 OWL，查詢語言是 SPARQL。

跟 AI 現在的關係：大型語言模型知識存在參數裡、無法驗證也無法即時更新，ontology 與知識圖譜提供的是可稽核、可更新、可推理的結構化知識。兩者常搭配使用，這也是 GraphRAG 這類做法的基礎。

情境判斷

Q1（直覺題）： 把醫療術語、症狀、檢查和診斷關係先畫清楚 這種情況，會先想到 本體論 嗎？

→ 會，因為它正好在處理這件事的核心問題，只是還要看資料乾不乾淨、流程穩不穩。

Q2（判斷題）： 只有一張表結構，沒有概念關係，算本體論嗎？

→ 不算，這比較像資料表設計；本體論還要定義語意和推理關係

常見問題

本體論和知識圖譜有什麼區別？

本體論是知識圖譜的模式（Schema），定義了知識圖譜中節點和邊的類型和關係。 知識圖譜是基於本體論構建的具體知識庫，包含了大量的實例和關係。 本體論是藍圖，知識圖譜是根據藍圖建造的建築。

如何選擇合適的本體論語言？

常用的本體論語言包括RDF、RDFS和OWL。 RDF是基礎的知識表示語言，RDFS提供了基本的類別和屬性定義功能，OWL則提供了更豐富的語義表達能力和推理功能。 選擇哪種語言取決於應用的需求，如果需要複雜的推理功能，則應選擇OWL。

構建本體論需要哪些技能？

構建本體論需要領域知識、知識表示技術和邏輯推理能力。 領域知識用於理解和描述特定領域的知識，知識表示技術用於將知識形式化地表示出來，邏輯推理能力用於驗證本體論的一致性和完整性。 此外，還需要熟悉常用的本體論工具和語言。