# Knowledge Graph

> Use when working with knowledge graphs — Neo4j, RDF, entity extraction, graph databases

- Skill: `liaosw97/knowledge-graph` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add liaosw97/knowledge-graph`
- Raw SKILL.md: https://api.skillmd.com/api/skills/liaosw97/knowledge-graph/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Research & Search
- Author: liaosw97 (https://skillmd.com/u/liaosw97)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/liaosw97/knowledge-graph

---


## 核心原则
- 知识完整性：构建覆盖领域核心概念的完整知识体系
- 语义一致性：确保实体、关系、属性定义的语义清晰和一致
- 可扩展架构：支持知识的动态更新和领域扩展
- 质量保障：建立知识验证和纠错机制，维护图谱质量
- 应用驱动：以实际应用需求指导图谱设计和优化

## 技术栈
- Neo4j：业界领先的图数据库，支持Cypher查询语言和ACID事务
- Apache Jena：RDF/SPARQL语义网框架，支持本体推理和规则引擎
- RDF/SPARQL：W3C推荐的资源描述框架和查询语言标准
- 图神经网络（GNN）：GraphSAGE、GAT等用于知识图谱嵌入和推理
- 实体链接（Entity Linking）：将文本提及映射到知识库实体的技术
- BERT/ERNIE：预训练语言模型用于知识抽取和语义理解
- DGL/PyG：深度图学习库，支持大规模图神经网络训练

## 最佳实践
1. **本体设计**：采用自顶向下与自底向上相结合的方法构建本体；定义清晰的实体类型层次和关系约束；使用OWL和SHACL进行形式化约束表达；建立本体版本管理和演化机制

2. **知识抽取**：实施命名实体识别（NER）提取实体；使用关系抽取（RE）发现实体间关系；采用事件抽取捕获复杂语义结构；利用大语言模型辅助知识抽取和质量提升

3. **知识融合**：实施实体对齐消除重复实体；使用属性融合整合多源数据；采用冲突检测与消解处理数据矛盾；建立数据溯源机制追踪知识来源

4. **知识推理**：基于规则推理执行演绎推理，发现隐含知识；使用图嵌入学习进行归纳推理，预测缺失关系；实施多跳推理支持复杂查询回答；利用常识知识增强推理能力

5. **图谱应用**：构建语义搜索支持自然语言查询；实现智能问答基于图谱知识回答问题；开发推荐系统利用图结构信息；支持决策分析发现隐藏关联和洞察

## 关键约定
1. 实体ID采用统一命名规范，建议格式：{namespace}:{type}:{local_id}
2. 关系定义应包含定义域和值域约束，确保语义一致性
3. 属性值需指定数据类型，日期格式统一使用ISO 8601标准
4. 图谱更新操作需记录变更日志，支持版本回溯
5. 建立知识质量评估机制，定期检测实体覆盖率、关系完整性和一致性