知识图谱是以图结构描述的知识。与传统数据库相比，知识图谱在存储、查询、检索方面具有诸多优势。传统数据库对数据的组织是以字段为单位，而知识图谱通过关系、属性和实体等数据类型，将数据组织成复杂的图，使其更容易理解。
由于关系和属性在知识图谱中占据非常重要的位置，因此，在进行知识图谱构建时需要使用专门的算法来实现对实体和属性的计算，即知识图谱算法。
知识图谱算法-实体识别
实体识别是指将给定的文本中的实体识别出来，并对识别出的实体进行分类的过程。实体识别算法可以分为基于规则的方法和基于机器学习方法。
基于规则的实体识别方法：通过对文本中的字符串进行分析，根据分析结果判断给定文本中是否有对应的实体。典型的规则是把一串字符串看成一个句子，根据句子中所包含实体的数量和种类，判断其中是否存在对应的实体。
基于机器学习方法：利用统计机器学习方法对文本中的实体进行识别。
知识图谱算法-关系抽取
关系抽取是一种针对给定实体对的实体关系提取，主要包括实体识别和关系抽取。 实体识别是将知识图谱中的实体与数据库中的相应实体进行匹配，识别出知识图谱中的实体。关系抽取是将知识图谱中的知识与关系进行匹配，判断知识图谱中两个概念之间的关系。
从知识图谱中抽取出的知识与领域相关，通常称为领域本体。领域本体是在理解领域的基础上，根据特定需求设计出来的表示领域内概念及其相互之间关系的抽象数据结构。
知识图谱算法-属性计算
属性计算是知识图谱中非常重要的一个任务，主要是根据已有的知识库，计算实体或属性的值。通过将知识库中的知识与已有数据进行比对，以获取知识的准确值，并在此基础上，对知识库中的新数据进行计算。
知识图谱算法-知识融合
知识融合是将两个或多个领域的知识进行融合，构建新的知识图谱。知识融合有以下几种主要类型：1)不同领域之间的知识融合；2)不同来源之间的知识融合；3)领域内部知识的融合；4)跨领域、跨语言的知识融合。
知识图谱算法-知识推理
知识推理是指从给定的知识中提取规则，并利用这些规则来推断出未知的事实的过程。知识推理通常分为以下几个步骤： （1）对已知知识进行分类和识别，提取出对应的规则； （2）根据规则设计推理算法，通过对数据的学习，实现对新数据的推理； （3）将新数据加入到已知知识库中，并重新训练模型。
目前知识图谱构建常用的算法有三种：基于规则的方法、基于机器学习的方法和基于图论的方法。这三种方法都各有特点。不同知识图谱算法适用于不同的应用场景。例如，基于规则的方法适合于已经有明确规则定义和模型描述的应用场景，而基于机器学习方法适合于没有明确规则定义和模型描述的应用场景。
悦数图数据库能够满足大规模实体、关系和属性的建模与存储要求，能够在大规模实体之间的复杂多维度关系的快速查询与更新，并与人工智能、自然语言处理等技术相融合，实现各种智能应用。
