گراف دانش، موجودیت‌ها و رابطه‌هایشان را طوری ثبت می‌کند که بتوان مسیرِ رابطه را دنبال کرد. سه‌تاییِ «موضوع، رابطه، مقدار یا مقصد» یک شکل رایجِ بیان چنین داده‌ای است. در این مثال، پنج سه‌تاییِ کاملاً ساختگی را می‌خوانیم و دو گام «کتاب→نویسنده→شهر» را با شناسه‌ها اجرا می‌کنیم؛ نام یکسان را هویت یکسان نمی‌گیریم.
شناسهٔ موجودیت را از نامِ نمایشی جدا کنیم
دو شخص با شناسه‌های a1وa2هر دو نامِ نمایشیِ «آراد» دارند. کتاب b1با عنوان «دفتر آبی» بهa1وکتاب b2با عنوان «دفتر سفید» بهa2متصل است. شهرِ نمونه فقط برایa1ثبت شده است. همهٔ این‌ها داستانِ داده‌ایِ تحریریه‌اند؛ شخص، کتاب یا محل سکونت واقعی معرفی نشده است.
| شمارهٔ صفرمبنا | موضوع | رابطه | مقصد/مقدار |
|---|---|---|---|
| ۰ | b1 | written_by | شناسهa1 |
| ۱ | b2 | written_by | شناسهa2 |
| ۲ | a1 | lives_in | شناسهc1 |
| ۳ | b1 | title | رشتهٔ «دفتر آبی» |
| ۴ | b2 | title | رشتهٔ «دفتر سفید» |
رابطه جهت دارد؛ متنِ شبیه شناسه هم لزوماً شناسه نیست
در قرارداد ما b1→written_by→a1می‌گوید b1راa1نوشته است؛ جابه‌جاکردن دو سر، همان داده نیست. نوع objectهم با kindمشخص است: idبرای اشاره به موجودیت و literalبرای مقدارِ متنی. رشتهٔ لفظی «a1» با یک ارجاعِ دارای kind=idیکسان تفسیر نمی‌شود. کد هر دو تغییرِ جهت و نوع را واقعاً آزمایش می‌کند.
در RDFنیز سه‌تایی و تمایز شناسه و literalتعریف دارند، اما JSONاین صفحه قالبِ آموزشیِ خودمان است؛ سند RDF یا JSON-LDاستاندارد نیست و موتور SPARQLندارد. همهٔ گراف‌های دانش هم یک قالب یا یک محصول مشخص نیستند؛ این فایل، «گراف دانش گوگل» را تغییر نمی‌دهد.
دو گامِ قابل ردیابی
برای b1، سه‌تایی۰نویسندهa1را می‌دهد و سه‌تایی۲شهرc1را. خروجی علاوه بر دو شناسه، شماره‌های [۰،۲]را به‌عنوان شاهدِ داده‌ایِ مسیر حفظ می‌کند. برایb2نویسندهa2یافت می‌شود ولی رابطهٔ شهر برایa2در فهرست نیست؛ خروجی مسیر خالی است.
از خالی‌بودن نتیجه نمی‌گوییم a2در هیچ شهری زندگی نمی‌کند. فقط در این مجموعه مسیر ثبت نشده است. اگر نام دو «آراد» را بی‌دلیل یکی کنیم، شهرa1را بهa2هم نسبت می‌دهیم و نتیجه‌ای ساخته می‌شود که یالِ لازم ندارد. کنترل شناسه‌ها جلوی همین میان‌بر را می‌گیرد.
ثبت سه‌تایی، سند حقیقت نیست
این کد فقط روی دادهٔ ازقبلداده‌شده پرس‌وجو می‌کند؛ اطلاعات را از متن یا جهان استخراج و تأیید نمی‌کند. برای دادهٔ واقعی، هر ادعا به منبع، زمان، دامنهٔ اعتبار و مجوز استفاده نیاز دارد. مسیرِ دو یالِ نادرست، با درست اجراشدن برنامه معتبر نمی‌شود.
تشخیص موجودیت نامدار بازهٔ نام در متن و نوع آن را بررسی می‌کند؛ گامِ حاضر پس از داشتن شناسه و رابطه، مسیرِ داده را دنبال می‌کند. تشخیص دو رخداد نام، حل قطعی هویت یا ساخت رابطهٔ صحیح نیست.
تمرین و ادامه
برای تمرین، یک رابطهٔ شهر برایa2با منبعِ ساختگیِ روشن اضافه کنید و ببینید فقط نتیجهٔb2چه تغییری می‌کند. سپس نامِ نمایشیِ a1را عوض کنید؛ پرس‌وجوی شناسه‌ای نباید رابطه‌هایش را گم کند. فایل Python نتیجهٔ دو کتاب، تغییر جهت و تغییرِ نوعِ objectرا واقعاً کنترل کرده است؛ مدل یا پایگاه دادهٔ واقعی اجرا نشده است.
مبانیِ بیشتر در صفحهٔ آموزش هوش مصنوعی است. اگر قصد استفاده از دانش سازمان در پاسخ‌گویی دارید، منبعِ معتبر و دامنهٔ پاسخ را پیش از فناوری در مسیر پایگاه دانش اپرا روشن کنید؛ این آموزش وجود گراف دانش یا موتور RDFدر محصول را وعده نمی‌دهد.
فایل تمرین و منبع
پنج سه‌تایی و دو شخصِ هم‌نام با شناسهٔ متفاوت · پرس‌وجوی دو گام با شاهدِ شمارهٔ سه‌تایی و کنترل جهت/نوع
منابع در ۳ نوامبر ۲۰۲۶ خوانده شدند؛ این تاریخ، تاریخ انتشار منبع نیست. مثال‌ها و فایل‌های این راهنما آموزشی و ساختهٔ تحریریه‌اند.