知识图谱

本体（Ontology）与知识图谱（Knowledge Graph）的区别

2026 年 6 月 3 日

本文通过建筑类比，清晰区分了本体与知识图谱，帮你从“规则”与“事实”两个层面理解知识体系。核心内容： 1. 本体与知识图谱的核心定义与建筑类比 2. 两者在关注对象、作用与层次上的核心区别 3. 本体作为骨架、知识图谱作为血肉的协同关系

在知识工程、语义网和人工智能领域，本体（Ontology）与知识图谱（Knowledge Graph）经常被同时提及，甚至有时会被混为一谈。实际上，两者既密切相关，又处于不同层次。简单来说：

本体定义知识如何组织，知识图谱存储具体知识。

如果用建筑来类比，本体相当于建筑设计图，规定了房间、楼层、管线之间的结构关系；知识图谱则是根据设计图建成的实际建筑，里面填充了具体的房间、家具和住户信息。

什么是本体（Ontology）

本体是一种对领域知识进行形式化描述的方法，其目标是定义某个领域中的核心概念、属性以及概念之间的关系。

例如，在医疗领域，本体可能会定义“医生”“患者”“疾病”“药物”等概念，并规定“医生可以治疗患者”“患者可能患有疾病”“药物可以治疗疾病”等关系。

因此，本体关注的是：

领域中有哪些概念（Classes）

概念具备哪些属性（Properties）

概念之间允许存在什么关系（Relations）

这些关系受到什么约束

本体本质上是一套语义规则和概念模型，它回答的是：

“这个领域中的事物应该如何被定义和理解？”

因此，本体属于知识体系中的概念层（Conceptual Layer）或模式层（Schema Layer）。

什么是知识图谱（Knowledge Graph）

知识图谱是在本体定义的框架下，对现实世界中的实体及其关系进行组织和表示的知识网络。

例如：

张三是一名医生

李四是一名患者

李四患有感冒

张三治疗李四

这些都属于具体事实，而不是抽象规则。

在知识图谱中：

张三、李四、感冒属于实体（Entity）

“治疗”“患有”属于关系（Relation）

实体与关系共同构成图结构

因此，知识图谱关注的是：

“现实世界中到底存在哪些对象，以及它们之间发生了什么关系？”

知识图谱属于知识体系中的数据层（Data Layer）或实例层（Instance Layer）。

本体与知识图谱的核心区别

从本质上看，本体与知识图谱的区别在于“规则”与“事实”的区别。

维度本体（Ontology）知识图谱（Knowledge Graph）

关注对象概念和语义规则实体和事实数据

作用定义知识结构存储和组织知识

层次模式层（Schema）实例层（Instance）

内容类、属性、关系约束实体、关系、事实

类似于数据库Schema 数据库记录

回答的问题什么是医生？谁是医生？

举例来说：

本体规定“医生可以治疗患者”，而知识图谱记录“张三治疗李四”。

本体规定“患者可以患有疾病”，而知识图谱记录“李四患有感冒”。

前者是规则，后者是事实。

二者之间的关系

知识图谱通常建立在本体之上。

本体负责定义统一的语义规范，而知识图谱按照这些规范组织具体数据。没有本体，知识图谱中的关系可能缺乏统一标准；没有知识图谱，本体则只是抽象规则，无法承载实际知识。

因此可以理解为：

本体是知识图谱的骨架，知识图谱是填充在骨架上的血肉。

在实际系统中，常见的结构是：

本体（Ontology） → 模式层（Schema） → 知识图谱（Knowledge Graph）

本体提供语义约束，知识图谱提供事实内容，两者共同构成完整的知识表示体系。

从语义网技术角度理解

在语义网（Semantic Web）技术栈中，本体和知识图谱分别对应不同层面的技术标准。

例如，RDF（Resource Description Framework）主要用于表示事实数据，以三元组形式存储知识：

（张三，治疗，李四）

而OWL（Web Ontology Language）主要用于定义本体，例如规定“医生属于人”“治疗关系的主体必须是医生”等语义规则。

因此在很多系统中可以简单理解为：

RDF负责描述事实

OWL负责定义语义

二者结合后，才能形成具有推理能力的知识图谱系统。

为什么知识图谱离不开本体

随着知识规模不断扩大，仅仅存储实体和关系已经无法保证数据的一致性和可解释性。

例如，一个系统中同时出现：

Doctor

Physician

医生

如果没有统一的本体规范，系统很难判断它们是否属于同一个概念。

本体提供了统一的语义标准，使知识图谱能够实现：

概念统一

数据融合

逻辑推理

语义检索

知识共享

这也是为什么在医疗、金融、政务、工业等领域，构建知识图谱时往往首先要设计本体。

AI时代下的变化

在传统知识工程体系中，知识组织流程通常是：

Ontology → Knowledge Graph → Reasoning

即先建立本体，再构建知识图谱，最后进行逻辑推理。

而在大模型时代，越来越多系统采用：

文本数据 → Embedding → 向量数据库 → LLM

这种方式能够快速利用海量非结构化数据，因此在部分场景中降低了对严格本体设计的依赖。

然而，在医疗、金融、工业制造、企业知识管理等高可靠性场景中，本体依然不可替代。因为这些领域不仅需要获取答案，更需要保证概念定义准确、推理过程可解释以及数据语义一致。

本体（Ontology）和知识图谱（Knowledge Graph）的关系可以概括为：

Ontology定义“知识应该如何组织和理解”，Knowledge Graph记录“现实世界中有哪些知识和关系”。

前者是规则与语义模型，后者是实体与事实网络；前者解决“定义问题”，后者解决“表达问题”。因此，本体是知识图谱的基础，而知识图谱则是本体在现实数据中的具体实现。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

本体（Ontology）与知识图谱（Knowledge Graph）的区别

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单