目录
一、基础定义拆解
1. 本体论（Ontology）
2. 知识图谱（Knowledge Graph）
二、核心区别多维对比
三、内在联系
四、举例
往期精彩
一、基础定义拆解
1. 本体论（Ontology）
起源：哲学概念，计算机领域引申为领域语义的形式化规范
核心：对特定领域内概念、属性、关系、公理约束的严格、共享、无歧义定义
定位：Schema层核心，只定义“规则”，不存储具体数据
2. 知识图谱（Knowledge Graph）
定位：基于本体构建的结构化、可计算、规模化语义知识库
核心：由「本体层（Schema）+ 实例层（三元组数据）」组成
本质：工程化产品，解决知识的存储、查询、推理、应用问题
二、核心区别多维对比
对比维度 | 本体论 (Ontology) | 知识图谱 (Knowledge Graph) |
|---|---|---|
| 本质定位 | 语义规范、逻辑模型 | 工程化知识库、数据产品 |
| 抽象层级 | 纯高层抽象，无实例数据 | 抽象模型 + 具体实例，虚实结合 |
| 核心目标 | 定义语义共识，保证概念一致性 | 聚合知识、支撑检索/推理/决策 |
| 构成要素 | 概念类、对象属性、数据属性、关系、公理 | 本体Schema + 海量实体三元组(实例) |
对比维度 | 本体论 (Ontology) | 知识图谱 (Knowledge Graph) |
|---|---|---|
| 核心关注点 | 语义严谨性、可共享性、逻辑完备性 | 数据规模、存储效率、查询性能、落地应用 |
| 典型技术 | OWL、RDFS、Protégé、本体推理机 | Neo4j/NebulaGraph、SPARQL、知识抽取/融合 |
| 生命周期 | 侧重建模、规范迭代、语义校验 | 侧重构建、更新、运维、业务应用迭代 |
三、内在联系
本体是知识图谱的前提：无本体的知识图谱是杂乱无意义的三元组集合，无法保证语义一致性
知识图谱是本体的价值落地：本体仅为理论规范，需通过知识图谱填充实例数据，才能支撑实际业务
协同关系：本体迭代驱动知识图谱Schema升级，知识图谱的应用反馈反哺本体优化
四、举例
本体定义：
概念类：用户、商品、订单；
关系：用户→购买→订单、商品→属于→类目；
公理：订单必须关联1个用户+至少1个商品。
知识图谱实例：
填充具体数据：用户(张三)-购买->订单(20260330001)、商品(手机)-属于->类目(3C数码)。
往期精彩
SQL面试提问：NTILE等频分桶和自定义区间分桶到底有什么区别？
读者问：多维场景下，维度不存在时，同环比如何计算？
同环比分析：为什么生产环境中必须用LEFT JOIN，而不用LAG？| 附实战案例
数仓ETL全链路增量计算实战
数仓建模中业务过程与业务状态有什么区别、如何识别？| 易混淆概念
SQL如何多字段取极值？| 附多行业案例实战
最近数开一道面试题：AI为了结论漂亮造而造假数据/挑数据，如何处理？
订单履约数仓建模实现方案（Hive）| 企业常用
审批流程数仓建模方案（Hive）| 问的人最多
面试提问：数仓分层什么时候可以省略某一层？
面试题：怎么做用户ID的打通？一个用户存在不同端、不同渠道有不同的ID，怎么识别为同一个人？ | OneID体系
业务反馈你提供的用户活跃度指标和他们预期的不符，该如何排查？| 滴滴
标签体系设计与落地指南：从基础认知到实操落地【万字长文详解】
