1，知识图谱理想上双层结构，实际单层
知识图谱是个双层结构。模式层和实例层，模式层，又称为本体层，模式层分成两个部分，一个是概念的上下层级，另一个是概念之间的关系层或者概念的自身属性信息层。前者规定了概念类之间的类关系，赋予了概念之间可以继承的特性，后者定义了不同类自身的属性和关系变体。严格意义上来说，知识图谱中的模式层对数据项的取值是有严格定义的，例如数据库中的各种数据类型(字符串型、float型、list型)，但这种做法在工业界往往用不到，因为充分适应这种数据类型的规定是非常需要费时费力的。在很多人的认知里，知识图谱就是知识三元组，仅保留实例层，这是现实中的大现实，因为这来的快，拿来就用。表面上看起来很舒服，搞上面这一层太费脑筋，而且有太多业务知识，很多人办不到，尤其是焦虑的工业界。
2，知识图谱是可解释性，也是个灾难。
知识图谱=可解释性，这种论断被炒的很火，不能说对，也不能说错，标杆在于对可解释的定义。大体认为知识图谱是可解释的是沿袭了“眼见为实”的思维，即，我看到的实实在在的东西，可以形式化的显示性地表达出来时，我才认为我可以把一个问题解释给对此毫无背景的人听。也就是看重的是一种过程性的符号佐证，一种缺乏思考能力和基础知识却想掌握某一现象的人来说的。而深度学习中学习到的系数或值缺少实际的物理意义，从而被认为是不了解释的，因为缺乏形式化。如果我们认可了这样一种标杆，那么也自然成立，但这种成立性带来了巨大的灾难，即可解释性的数据荒灾难，为了支持一个既定的事实，背后需要大量的知识作为支撑，但现在的规模是远远不够的，几千亿，几万亿估计都不够。退回来说，这个知识的来源，人工编辑收集的方式很局限，不可面面俱到。基于抽取的方法可以海量的挖掘，撇开技术性能不说，海量挖掘的目的在于知识的曝光度，曝光才是抽取的前提，但有太多长尾的知识是压根不被报道或写出来的，换句话说，目前可以拿到的数据资源可能只是所有重要知识的百分之几，甚至千分之几，万分之几。所以，认定了知识图谱是通向可解释智能的路，那么这条路注定是个big problem.
3，认知需要层级性的动作性和实体性知识基础
知识图谱是认知智能的语义基石，基于知识图谱中所存储的知识，机器可以像人一样去进行知识应用，知识推理笔记看过很多博文的人都会有这种的认同感，这没有什么问题。认知，是人类相较于其他动物最大的区别，在我看来，认知能力主要包括概括能力和类推能力两种，概括能力是能够基于大量既定事实总结经验规律模式，并形成具有一定层级的模式思维能力。类推能力，更像是概括能力的反向用力以及应用，即常说的思考或举一反三。因此，既然认定知识图谱是认知的基础，那势必需要满足这两种基础，即概括基础和类推基础。
概括基础形式化体现出来，是具有概括性的能力，以概括抽象性的能力以及抽象概念性知识库作为输出。说到这个，又要说到人的认知体系问题，人类的认知体系是以名词性实体为核心还是以动词性事件为核心的，不同的核心决定了不同的概括需求。事实上，作为一个由社会活动驱动的人类，是动词性事件为核心的，动词性事件支配名词性实体，因此概括性能力应该包括名词性能力和动词性能力。但即便是如此，人类在显式的表达自己的知识时，还是以选择名词性实体进行表达，是因为名词性实体比事件更为细粒度，也更为稳定，也是好习得，好操作，即先知道what is what再知道do what 。
名词性能力这方面代表性的工作有大词林、wordnet，这两个是我认为真正意义上做到这点的工作，一个是抽象，二是分层，没有进行分层的概念性是零散的(一堆高度稀疏的isa），这方面的工作包括cnprobase，以及conceptgraph。但是，对于这种概括性知识图谱而言，还是基本上集中在名词性实体上，究其原因，一是因为好建模(可以利用实体链接，背后有百科类实体作为支撑，好操作)，二是因为数据的可获得性，有大量认为预定好的层级(目录树，网页导航，黄页)等。当然，在这个方面，各大电商，医疗，工业，领域等积累了大量的材料，如阿里商品等，基于商品的挖掘，可以快速搭建一个面向商品消费的层级性实体概括性知识库。
动作性的概括性图谱目前还相对空白。与名词概括性图谱不一样，名词性的概括性可以用is-a表达，而动词性概括图谱更多的是一种part-of关系，事件具有组成性的特征。相关的工作更多的是集中在事件的逻辑性的挖掘上(因果逻辑，条件逻辑，上下位逻辑)。有必要说明的是，其中的上下位(包括基于名词性实体的上下位以及基于动词性实体的上下位)是这种概括性图谱中的一部分。比如结婚这个动作，包括领证、办喜酒、发请帖等几个组成性事件。前者所描述的是一种诸如货币贬值下的美元贬值、人民币贬值、日元贬值。一种在形式上有交集，可以找到规则，另一种没有形式规则可言。所以，前者的挖掘难度要比后者简单地多，而意义上后者则要强得多。
4，事件类图谱的殊途同归：向上概括与向下泛化
漫步的抽象事理图谱。同一个事件知识，如果只关注单个事件集合之间的关系(上下位，组成、因果、时序)，那么就会走向具有三层结构的事件类知识库(抽象事理图谱)，这类图谱的特点是只考虑事件名以及事件名个体经过加工、抽象、模式规约后形成的体系关系，而不考虑具体的事件富信息。其中的三层结构，第一层是事件顶层，也可称为事件类型，用最顶层的事件类型名称对下沿事件进行统筹。第二层，是事件抽象模式层，也叫事件类簇代表，统筹基于该事件模式下存在不同表述的事件个体。第三层，是事件事例层，属于具体的事件名称(如巴西发生大火)。
周全的领域事件图谱。与漫步的抽象事理图谱不同，它考虑的更为周全，且体现在领域性上。周全，即在满足事件名的基础上，能够以事件槽的方式挖掘事件的不同侧面信息，例如杀人事件中的时间、被害人、犯罪嫌疑人、地点等。领域性，即该事件领域的刻画，领域的事件具有领域的属性特征，具有领域的槽位侧面，用于描述领域性的事件信息。当然，这种领域性包括通用领域和垂直领域(金融、社会治理等)，领域的槽位数量和角度都各不相同。领域事件图谱借助这种信息的复杂性，能够支持更多方位的信息检索、分析和追踪服务。但往往会因为包袱过重，无法大规模施展开来。这种包袱体现在槽位的定义，事件的定义上，通用的槽位数量太少(如SEM设计的事件本体）不足以体现领域特性和功效，领域的槽位(如ACE实在有限，framenet略多实则有限）需要精心设计，不具有扩展性，工程周期长。
漫步与包袱互助，事件快跑。抽象事理图谱甩掉了包袱，在抽象概括性知识上深耕，事件类图谱在实例事件上小步慢行。两者分别从向上和向向下两个角度在做(脑补亚里斯多德与阿基米德的画面)。两者融合是一个大方向(或许早已有之，但没有大规模工程化，技术手段需要深思考）能够树立起整个事件知识基石。抽象事理图谱的技术难点和核心在于“抽象”二字，把握抽象粒度，动态变通事件体系，在此基础上再进行平级逻辑挖掘，终极目标在于抽象能力的自主习得和体系的自我构建、更新与完善。领域事件类图谱核心和难点在于“领域”两个字，自动梳理和划分领域事件类别，自我习得既定类别的具体槽位，突破人工手动，解放业务专家。两类图谱，以事件名或者事件实例作为中间键进行连接。
5，实体性知识图谱与事件类图谱的融合
事件类图谱以事件为核心，事件中包括各类实体，在类型划分上，实体可以是领域性实体，也可以是开放域实体，一般来说，实体类型和实体信息越丰富，事件类图谱与实体类知识图谱的联通度和稠密度就越高。以金融领域来说，可以链接公司、商品、货币、医药、水果、人物、高管等实体，开放域的话，可以通过概念性实体的类型进行识别。识别的过程，包括实体识别和实体链接两个部分(对于具有歧义的实体尤其有必要，在实际操作中根据实际情况进行考虑)。