2 两类知识图谱的区别
2.1 相关理论渊源 以科学主体和学科知识为研究对象的“科学知识图谱”，用图形方式直观呈现科学主体(或学科知识)网络结构、知识单元互动和知识群体演化等隐含的复杂关系，其产生有深刻的理论渊源。相关支撑理论有揭示网络结构和演化关系的“社会网络分析”理论，强调知识创新的“知识单元离散和重组”理论，尤其是科学史和科学哲学领域中，库恩提出的“科学发展模式”理论[14,16]。库恩认为，科学发展进程实质是通过新旧“范式”交替更迭的模式，不断推动科学创新和科学革命。“科学知识图谱”是“跟踪科技前沿、选择科研方向、开展知识管理并辅助科技决策”的重要方法和工具[15]，以助益科技活动、强化知识管理等方式有力地促进了旧范式突破和新范式诞生，从而积极推动科学发展的进程。
作为大数据时代产物的“Google知识图谱”，紧密依存大数据理论，以及关注数据规范性和关联性的本体和语义网理论。由于信息技术飞速发展引起了数据生成，传播与存储方式的巨大变革，为更全面、精准和高效获取知识以及发现创新知识，“Google知识图谱”以本体建模为手段，通过领域概念术语的规范化，推动知识全面共享，借助于语义网络分析理论挖掘并发现新知识，应用语义网知识库关联方法实现海量知识的分布式存储。
2.2 知识管理视角 已有的相关研究文献对知识管理的过程划分并不完全一致，但一般包括知识获取(采集)、知识组织、知识存储(检索)、知识共享和知识创新等阶段[17-19]。两类知识图谱的共性在于二者都是服务于知识管理过程，区别在于二者分别参与不同的过程，完成不同的功能，如图1所示，“科学知识图谱”本质是知识管理的方法，一般与知识获取、知识组织、知识共享和知识创新密切相关，“Google知识图谱”本质是知识库，参与了知识获取、知识组织、知识存储和知识创新过程。
图1 基于知识管理的两类知识图谱比较
2.2.1 知识获取 以知识收集和整理为主要功能的知识获取是知识管理的首要环节。“科学知识图谱”一般利用已构建的专业数据库，这些数据大多来自于科学引文索引(SCI)、社会科学引文索引(SSCI)、艺术与人文引文索引(A&HCI)、中文社会科学引文索引(CSSCI)等数据库或其收录的核心期刊文献，如美国医学文献数据库(pubmed)、中国知网数据库(cnki)等，数据类型有期刊论文、会议论文、专利、基金、出版物等，这些专业的数据资源具有客观、准确的特点；另外，也将社会媒体数据、网站日志、人物履历数据等不属于文献的数据作为其知识获取的来源。
“Google知识图谱”是从包含各种结构化的数据库(如各类专业数据库)和非结构化的来自于互联网、物联网、云计算平台的海量数据(如图片、视频、日志等)获取知识。应用信息领域的专业工具，如Flume(flume.apache.org)，Kafka(kafka.apache.org)等，将结构化和非结构化数据导入和整合，并通过抽取、转换和装载工具(Extraction,Transformation,Loading,ETL)形成结构化的知识。
2.2.2 知识组织 知识组织是指对获取的知识进行表示、分类、编码使其有序化，以利于知识应用和管理，应用信息技术对知识建模是知识组织的核心环节[19]。“科学知识图谱”一般使用社会网络建模方法：基于各类专业数据库中的知识，依据相关需求，如科学家合作研究、引文分析、生物模块预测等，将知识抽象成节点，而节点之间的关系抽象成边，从而构建成网络模型，各类模型因节点关系的不同而具有不同的网络结构。如科学家合作网络可以将科学家作为抽象节点，以是否共同发表论文确定节点间是否存在边连接，构建社会网络分析模型。相关的建模工具有Ucinet(www.analytictech.com/ucinet/)，Pajek(vlado.fmf.uni-lj.si/pub/networks/pajek/)等。
在知识组织过程中，“Google知识图谱”一般首先分析实体(即现实世界的各种概念)的元数据(即实体属性，用于表述实体的特征)，依据元数据构建本体模型，再依据实体之间语义关联构建语义网。按照语义网的构建规则，每个实体有唯一标识符(identifier)，实体之间存在关联，也称作关系(relation)。“Google知识图谱”一般以图(graph)模型来描述语义关系：其中的节点表示实体，而节点之间的边用来刻画属性或关系。实体、属性和属性值以W3C提出的资源描述框架RDF[20]或属性图(property graph[21])为构建规则，构成语义三元组，是语义网基本单位。在大数据背景下，大量的语义三元组的相互链接即构成大规模的语义网络知识库，其中本体建模工具有Protégé(protege.stanford.edu)，WebOnto(kmi.open.ac.uk/technologies/name/webonto)；语义网建模工具有D2R(d2rq.org/d2rserver)，LMF(code.google.com/p/lmf/)等。
2.2.3 知识存储 知识存储是将知识存储到各种载体，如书籍、期刊或数据库中。“科学知识图谱”本质是知识管理的分析方法，一般较少涉及知识存储过程。
“Google知识图谱”本质是以语义三元组为基础的结构化的海量知识库。依据知识应用目的可以分为通用知识图谱和行业知识图谱，如表1所示。通用知识图谱一般指常识性知识，如维基百科(Wikipedia)、百度知心等百科类知识库，其中“Google知识图谱”已经包含超过5亿个实体，35亿个属性和相互关系；行业知识图谱则是指具有行业领域知识特征的结构化知识库，如Geonames知识库是存储基因组本体的知识库，Linked Movie Database是存储影视本体的知识库，阿里巴巴知识库则是存储商品本体的知识库等。
2.2.4 知识共享和知识创新 知识共享和创新阶段主要涉及个体或组织(或群体)的知识学习以及知识传播，关注创新型知识的产生环境、机制和方法。“科学知识图谱”侧重于知识共享，兼具知识创新功能，而“Google知识图谱”则只偏重于知识创新。基于社会网络分析方法，“科学知识图谱”依据社会网络模型和聚类分析工具，能准确构建成员关系密切的社区及发现社区关键人物，在此基础上构建知识共享的网络路径，如通过社区中的关键人物共享和传播知识；基于cytoSpace(www.cytoscape.org/)和visAnt(visant.bu.edu/)等网络可视化平台，“科学知识图谱”能应用聚类等算法从纷繁复杂的知识网络中发现创新型知识，借助可视化工具清晰展示知识结构和脉络，绘制知识地图，以导航方式显示知识之间的重要动态联系，方便用户把握知识来源、知识流动和知识汇聚过程的来龙去脉。
“Google知识图谱”的长处是应用机器学习算法发现创新型知识。通过关联规则、图聚类等算法，分析所构建的语义网知识库，形成创新型知识，在此基础上基于实体检索方法提供智能检索和个性化推荐功能，为用户提供高质量的知识服务。
2.3 适用研究领域 除了本文重点讨论的图书情报领域之外，“科学知识图谱”的应用主要还集中在科学学、管理学和教育学等诸多领域。用于展示各领域的学科结构，可视化学科研究内容，揭示学科间的关系，以及识别和分析学科发展新趋势和预测学科前沿等。尤其对于科学学领域，在梳理科学发展历史，描述以科学家(团体)为代表的科学主体之间的科研合作情况，以及科技政策辅助分析和决策咨询等方面发挥日益重要的作用[22-23]。
“Google知识图谱”的应用重点集中在信息科学领域，依照万维网联盟W3C制定的领域本体规范，主要由大型互联网企业构建实施，以推进知识创新和提供高水平知识服务为目标，目前涉及的行业和部门有证券、医疗、商业、娱乐、图书馆和情报行业等。
