知識圖譜是以圖結構描述的知識。與傳統數據庫相比，知識圖譜在存儲、查詢、檢索方面具有諸多優勢。傳統數據庫對數據的組織是以字段為單位，而知識圖譜通過關系、屬性和實體等數據類型，將數據組織成復雜的圖，使其更容易理解。

由于關系和屬性在知識圖譜中占據非常重要的位置，因此，在進行知識圖譜構建時需要使用專門的算法來實現對實體和屬性的計算，即知識圖譜算法。

知識圖譜算法-實體識別

實體識別是指將給定的文本中的實體識別出來，并對識別出的實體進行分類的過程。實體識別算法可以分為基于規則的方法和基于機器學習方法。

基于規則的實體識別方法：通過對文本中的字符串進行分析，根據分析結果判斷給定文本中是否有對應的實體。典型的規則是把一串字符串看成一個句子，根據句子中所包含實體的數量和種類，判斷其中是否存在對應的實體。

基于機器學習方法：利用統計機器學習方法對文本中的實體進行識別。

知識圖譜算法-關系抽取

關系抽取是一種針對給定實體對的實體關系提取，主要包括實體識別和關系抽取。 實體識別是將知識圖譜中的實體與數據庫中的相應實體進行匹配，識別出知識圖譜中的實體。關系抽取是將知識圖譜中的知識與關系進行匹配，判斷知識圖譜中兩個概念之間的關系。

從知識圖譜中抽取出的知識與領域相關，通常稱為領域本體。領域本體是在理解領域的基礎上，根據特定需求設計出來的表示領域內概念及其相互之間關系的抽象數據結構。

知識圖譜算法-屬性計算

屬性計算是知識圖譜中非常重要的一個任務，主要是根據已有的知識庫，計算實體或屬性的值。通過將知識庫中的知識與已有數據進行比對，以獲取知識的準確值，并在此基礎上，對知識庫中的新數據進行計算。

知識圖譜算法-知識融合

知識融合是將兩個或多個領域的知識進行融合，構建新的知識圖譜。知識融合有以下幾種主要類型：1)不同領域之間的知識融合；2)不同來源之間的知識融合；3)領域內部知識的融合；4)跨領域、跨語言的知識融合。

知識圖譜算法-知識推理

知識推理是指從給定的知識中提取規則，并利用這些規則來推斷出未知的事實的過程。知識推理通常分為以下幾個步驟： （1）對已知知識進行分類和識別，提取出對應的規則； （2）根據規則設計推理算法，通過對數據的學習，實現對新數據的推理； （3）將新數據加入到已知知識庫中，并重新訓練模型。

目前知識圖譜構建常用的算法有三種：基于規則的方法、基于機器學習的方法和基于圖論的方法。這三種方法都各有特點。不同知識圖譜算法適用于不同的應用場景。例如，基于規則的方法適合于已經有明確規則定義和模型描述的應用場景，而基于機器學習方法適合于沒有明確規則定義和模型描述的應用場景。

悅數圖數據庫能夠滿足大規模實體、關系和屬性的建模與存儲要求，能夠在大規模實體之間的復雜多維度關系的快速查詢與更新，并與人工智能、自然語言處理等技術相融合，實現各種智能應用。