知识图谱（Knowledge Graph）是由谷歌公司2012年提出来的新名词，其初衷是优化搜索殷勤返回的结果，增强用户搜索质量及体验。
实际上，知识图谱并不是一个全新的概念，早在 2006 年就有文献提出了语义网（Semantic Network）的概念，呼吁推广、完善使用本体模型来形式化表达数据中的隐含语义，RDF（resource description framework，资源描述框架）模式和 OWL（Web ontology language，万维网本体语言）就是基于上述目的产生的（引自知乎）。
通俗讲：知识图谱也可以叫做多关系图（Multi-relational graph），通常包含多种类型的关系和边。 知识图谱中主要包含了两个部分：实体和关系
实体：对应图中的节点，指的是现实世界中的事物。关系：对应图中的边，指的是实体之间的关系图计算：G=(V, E, D), V=vertex（顶点或者节点），E=edge（边）， D=data（权重） 对于一个消费者的原始购买行为，有两类节点，分别是用户和产品，边表示购买行为，权重是边上的一个数据结构，可以是购买次数和最后购买时间。 对于我们面临的物理世界的数据问题，都可以利用图结构来抽象表达：社交网络，网页链接关系，用户传播网络，用户网络点击、浏览和购买行为等等。
图数据结构很好的表达了数据之间的关联性，关联性计算是大数据计算的核心——通过获得数据的关联性，可以从噪声很多的海量数据中抽取有用的信息。比如，通过为购物者之间的关系建模，可以很快找到喜好相似的用户，并为之推荐商品。
有许多新型的基于图的计算平台和引擎出现。例如专注于图结构化存储与查询的图数据库Neo4j，infinitegraph等。Google的图计算框架Pregel（基于大块的消息传递机制），CMU的开源图计算框架——GraphLab（基于内存共享机制）。Spark也有支持图计算机器学习的模块——GraphX，可以实现复杂的图数据挖掘。
（1）存储三元组（Triple） （2）标准的推理引擎 （3）W3C标准 （4）常用于发布数据 （5）多数为学术界场景 RDF三元组为“主谓宾”的结构。
（1）节点和关系可以带有属性 （2）没有标准的推理引擎 （3）图的遍历效率高 （4）事务管理（ACID） （5）基本为工业界场景
（1）属性存储 RDF三元组实体和关系不包含属性，而属性图中可以包含属性。 比如实体李明的年龄是25岁，在RDF中只能表示为两个实体之间的关系，即李明和年龄分别作为两个实体，它们之间通过属性Age_of相连。在属性图中，年龄可以表示为实体李明的一个属性。
（2）区别2：命题。 示例：李明拨打张三的电话三次。 （3）区别3：RDF主要用于学术界，易于数据的发布、分享；图数据库主要来自于工业界的需求，拥有一般数据库拥有的特性，比如事实管理、权限管理等等，图数据库用来做高效率的图查询。
关系型数据库不能很好地处理关系。 建模难：不熟悉就不能建模和存储数据和关系 性能低：随着关系数量和层次的增加，数据库尺寸的增加，性能降低 查询难：需要JOIN操作，查询复杂性增加 扩展难：增加新类型的数据和关系，需要重新设计模式，增加上市时间。
这些劣势导致传统的数据库不适用于有实时价值的数据关系。
