知識圖譜與機器學習技術對比
相似之處：
- 都使用海量標註數據集
- 都以替代人類進行分析實體特徵爲目標
- 知識圖譜中需要用到機器學習，機器學習也需要知識存儲
相異之處：
- 知識圖譜不需要訓練
- 知識圖譜可以容忍比較「髒」的異構數據
- 知識圖譜推理的中間結果很容易讓人類理解
建造流程
知識圖譜建造的流程一般是: 髒數據 -> 乾淨數據 -> 文檔樹/表 -> 圖譜 -> 本體 -> 邏輯。對於知識圖譜的建造範式有多種看法，有的着重於推理能力，有的着重於知識的表示能力，有的着重於工程實現。實際操作過程中我們在考慮成本的同時，一個典型的建造過程如下:
- 首先信息抓取的系統要能在只替換少量代碼的情況下適配大量異構、不斷更新的數據源
- 從股轉中心、證監會、微博、文檔OCR等渠道抓取的信息是髒（帶噪音）的，需要有比較寬容的方法能對不同的數據進行清洗
- 清洗過的數據根據應用需要，格式化到一定的程度，同時根據成本限制保留非格式化的部分
- 裝載格式化數據到圖譜裏，根據數據內容或數據特性添加它與其他數據的關係
- 從數據中抽象出本體，與人類擁有的世界知識相對應
- 從關聯中得到邏輯，這步成本比較高昂，根據應用可簡化
圖論數據庫與超圖
超圖（Hyper-Graph）是對傳統圖論的擴展，無向超圖中的邊的定義是節點的笛卡爾積，有向超圖更復雜一些，但本文中我們更關心工程實現，因此對有向超圖和圖上操作的定義將採用聲明式聲明式圖論語言（Cypher）給出。
當我們將超邊視作高維球體、節點處在球體內，有向超圖中的超邊可以具有梯度、散度、旋度等描述維度，可以用兩個節點之間的正勢描述出度，負勢描述入度。例如具有散度的一條超邊可以描述一種從一個源節點（Source）指向多個節點的關係，並且能簡單地定量描述出源節點到其他節點的出度，類似地，具有梯度的超邊可以描述對對多關係，具有旋度的一條超邊可以描述出「A男喜歡B女，B女喜歡C男，C男喜歡D女，D女喜歡A男」的關係。
有向超圖的表述能力比一般有向圖更適合金融場景，例如對供應鏈中各企業本體的連接就可以選用帶散度的有向超圖，勢的方向由上游企業指向下游企業。當供應關係發生變化，可以在「融貫超邊」內使表示舊的供應關係的超邊以 100% 的出度指向新的供應關係。