知识图谱把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。
类似于我们再记笔记常用的思维导图，也可以被称为一种知识图谱。
（2）知识图谱的作用
先按知识图谱应用的深度主要可以分为两大类：
一是通用知识图谱，没有特别深的行业知识及专业内容，一般是解决科普类、常识类等问题。比较常见的就是各个搜索引擎中的相关推荐，聊天机器人等。
二是行业知识图谱，通俗讲就是专业版，根据对某个行业或细分领域的深入研究而定制的版本，主要是解决当前行业或细分领域的专业问题。目前已经广泛被应用于金融、农业、电商、医疗健康、环境保护、工业制造场景等各种不同的垂直领域。
（3）如何构建一个知识图谱
建设一个知识图谱系统，需要包括：知识建模、知识存储和知识应用3个步骤：
1、知识建模：首先明确目前的的业务适不适合、需不需要利用知识图谱，并将业务中的抽象的知识、属性、关联联关系等信息，进行定义、组织、管理，转化成相应的知识图谱的模型。将不同来源、不同结构的数据转化成图谱数据。有时候也需要将多个来源、重复的知识信息进行融合，包括融合计算、融合计算引擎、手动操作融合等。
4、知识存储：根据业务场景提供合理的知识存储方案，存储方案具备灵活、多样化、可拓展性。存储上我们要面临存储系统的选择，但由于我们设计的知识图谱带有属性，图数据库例如neo4j等可以作为首选。但至于选择哪个图数据库也要看业务量以及对效率的要求。如果数据量特别庞大，那么 Neo4j 很可能满足不了业务的需求，这时候不得不去选择支持分布式的系统比如 OrientDB , JanusGraph（原 Titan） 等，或者通过效率、冗余原则把信息存放在传统数据库中，从而减少知识图谱所承载的信息量。 通常来讲 Neo4j 已经足够了。
5、知识应用：为已构建的知识图谱提供图谱检索、知识计算、图谱可视化等分析与应用能力。并提供各类知识计算的SDK，在图数据库的上层利用AI，大数据等相关技术构建相关应用。也可以利用知识图谱自带的算法库挖掘知识图谱内的隐含的关联关系，以neo4j为例，neo4j-algorithms可以支持的算法有相似度计算（余弦相似度、jaccard 相似度、pearson皮尔逊相似度）、最短路径算法、社区发现、中心度计算等等。并对算法分析的结果进行展示。
