知识图谱（Knowledge Graph）的概念由谷歌 2012 年正式提出，旨在实现更智能的搜索引擎，并且于 2013 年以后开始在学术界和业界普及，并在智能问答、情报分析、反欺诈等应用中发挥重要作用。
知识图谱本质上是一种叫做语义网络（semantic network）的知识库，即具有有向图结构的一个知识库；图的结点代表实体（entity）或者概念（concept），而图的边代表实体/概念之间的各种语义关系，比如说两个实体之间的相似关系。
目前而言，知识图谱领域我们更能够看到和接触到的内容中，做的比较好的是医疗领域的UMLS（统一医学建模语言），可以作为我们构建知识图谱的时候，一个比较好的参考。统一医学语言系统( Unified Medical Language System，UMLS) 是美国国立医学图书馆( National Library of Medicine，NLM) 于1986 年开始建设的一体化医学知识语言，具有集成性、跨领域和工具化的特点。UMLS 在信息检索( Information Retrieval) 、自然语言处理( Natural Language Processing) 、电子病历( Electronic Patient Records) 、健康数据标准( Health Data Standards) 等方面得到了广泛的研究和应用。NLM 应用UMLS 的系统和项目主要有PubMed，提供对Medline 和其他相关数据库的免费检索; NLM Gateway，提供对NLM 多个系统的集成检索，包括Medline、OLD Medline、LocatorPlus、PubMed、AIDS Meetings、HSRProj 和MedlinePlus 等。
UMLS中对于语义类型、语义关系、本体对象的定义和表示，可以作为我们非常好的参考，对于医学领域是一个很好的行业标准，对于其他领域，是一个很好的跨域参考标准。
关于知识图谱的存储，首先明确一个原则，没有图数据库之前，知识型的内容，同样有处理办法，因此图数据库只是知识图谱存储的方式之一。任何一种问题，都有不止一个解决方案，只是方案之间有着不同的优势而已。知识图谱的存储方式，在不同时期，不同场景下有不同的技术方案，有着明显的时间特征和场景特征。常用的知识图谱的方式包括：关系型数据（RDBMS）、三元组（RDF）和图数据库（Graph DB）。
图数据库之间各有优劣，Neo4j可视操作，文档支持，企业服务支持做的比较好，是无绝对开发能力团队的首选，同时因为社区版本的免费，特别适合新手学习。Titan是基于分布式存储模式提交下的开源系统，适合存储体量比较大需求场景，但是已经很久没有更新，适合技术团队能力比较强的组织采用。
知识图谱的构建包括三个步骤：
(1)信息抽取：从各种类型的数据源中提取出实体（概念）、属性以及实体间的相互关系，在此基础上形成本体化的知识表达；
(2)知识融合：在获得新知识之后，需要对其进行整合，以消除矛盾和歧义，比如某些实体可能有多种表达，某个特定称谓也许对应于多个不同的实体等；
(3)知识加工：对于经过融合的新知识，需要经过质量评估之后（部分需要人工参与甄别），才能将合格的部分加入到知识库中， 以确保知识库的质量。新增数据之后，可以进行知识推理、拓展现有知识、得到新知识。
下面我们来尝试对疾病心律失常的病因进行构建，首先我们要先找到比较权威的知识来源，比如内科学、权威医学知识科普网站等，然后我们对其中的内容进行抽取，并通过Neo4j图数据库和医务人员的协助来进行创建各个节点和节点之间的关系，以完成知识融合和知识加工。
心律失常（arrhythmia）是由于窦房结激动异常或激动产生于窦房结以外，激动的传导缓慢、阻滞或经异常通道传导，即心脏活动的起源和（或）传导障碍导致心脏搏动的频率和（或）节律异常。心律失常是心血管疾病中重要的一组疾病。它可单独发病，亦可与其他心血管病伴发。其预后与心律失常的病因、诱因、演变趋势、是否导致严重血流动力障碍有关，可突然发作而致猝死，亦可持续累及心脏而致其衰竭。
病因
遗传性心律失常多为基因通道突变所致，如长QT综合征、短QT综合征、Brugada综合征等。
后天获得性心律失常可见于各种器质性心脏病，其中以冠状动脉粥样硬化性心脏病（简称冠心病），心肌病，心肌炎和风湿性心脏病（简称风心病）为多见，尤其在发生心力衰竭或急性心肌梗死时。发生在基本健康者或植物神经功能失调患者中的心律失常也不少见。其他病因尚有电解质或内分泌失调，麻醉，低温，胸腔或心脏手术，药物作用和中枢神经系统疾病等，部分病因不明。
知识图谱为互联网上海量、异构、动态的大数据表达、组织、管理以及利用提供了一种更为有效的方式，使得网络的智能化水平更高，更加接近于人类的认知思维。目前，知识图谱已在智能搜索、深度问答、社交网络以及一些垂直行业中有所应用，成为支撑这些应用发展的动力源泉。
在未来的几年时间内，知识图谱毫无疑问将是人工智能的前沿研究问题。知识图谱的重要性不仅在于它是一个全局知识库，更是支撑智能搜索和深度问答等智能应用的基础，而且在于它是一把钥匙，能够打开人类的知识宝库，为许多相关学科领域开启新的发展机会。从这个意义上来看，知识图谱不仅是一项技术，更是一项战略资产。
同样的，我们可以通过知识图谱连接全部医疗健康概念和知识，来帮助解决医学知识多、杂的问题。
