一文读懂 Ontology 背后的四大技术:RDF、OWL、SPARQL、SHACL
上一篇文章《一文读懂 Ontology:连接数据、业务与 AI 的关键语义层》中,我们从企业数据和 AI Agent 的视角,介绍了 Ontology(本体)是什么,以及它为什么正在重新受到重视。
简单来说,Ontology 通过实体、属性和关系,把数据库中的表、字段和记录,转换为客户、订单、产品、工厂等业务概念,让计算机不仅能够找到数据,还能理解数据代表什么、彼此之间有什么关系。
但理解 Ontology 的价值之后,一个新的问题也随之而来:
这样一套统一的业务语义体系,在技术上究竟是如何构建出来的?
数据应该如何表示?业务概念和逻辑关系如何定义?知识图谱如何查询?进入图谱的数据又该如何验证?
这些问题,通常需要四项核心技术共同解决:
RDF、OWL、SPARQL 和 SHACL。
它们看起来是一组不太容易理解的英文缩写,实际上分工非常清晰:
- RDF 负责表示和连接数据;
- OWL 负责定义概念与语义;
- SPARQL 负责查询和操作数据;
- SHACL 负责检查数据是否符合要求。
上一篇讲的是“Ontology 是什么、为什么需要它”,本文继续向下深入,看看 Ontology 在技术上是如何实现的。
为什么构建 Ontology 需要四项技术?
企业中的数据通常分散在不同系统里。
CRM 中保存客户信息,ERP 中保存订单和产品信息,生产系统中保存工厂和设备数据。
虽然这些系统都在描述同一个业务世界,但它们使用的表名、字段名和数据结构往往完全不同。
Ontology 要解决的问题,就是在底层数据和现实业务之间,建立一层统一的语义模型。
而完成这件事,仅靠一种技术是不够的。
可以把它们理解为一座城市中的不同系统:
RDF 是道路和地址系统; OWL 是城市规划和交通规则; SPARQL 是地图查询工具; SHACL 是质量验收标准。
它们不是相互竞争的产品,而是一套分工明确、相互协作的技术体系。
RDF:把数据连接成一张图
RDF 的全称是 Resource Description Framework,中文通常翻译为“资源描述框架”。
它最核心的思想,是使用下面这种结构描述一条事实:
主语——谓语——宾语
例如:
张三——提交——订单 1001 订单 1001——包含——订单项 01 订单项 01——对应——手机 A102 苏州一号工厂——生产——手机 A102
每一条这样的描述,都叫作一个三元组。
用 RDF 常见的 Turtle 语法表示,大致是这样:
这一行表达的就是:
张三提交了订单 1001。
当大量三元组连接在一起时,原本分散的数据便形成了一张业务关系图。
传统数据库更关心:
数据位于哪张表; 字段叫什么; 多张表如何 JOIN。
RDF 更关心:
这是什么对象; 它和谁有关; 它们之间是什么关系。
因此,RDF 很适合用来整合不同系统中的客户、订单、产品、工厂和设备等数据。
为什么还要引入“订单项”?
在实际建模中,订单通常不会直接连接产品,而是通过“订单项”连接。
因为购买数量、单价、折扣和批次等信息,既不完全属于订单,也不完全属于产品,而是属于“这一次购买行为”。
因此,更合理的关系是:
客户 → 订单 → 订单项 → 产品 ← 工厂
例如:
订单记录一次交易; 产品表示一个长期存在的商品; 订单项则记录某次交易购买了什么、买了多少、价格是多少。
这也是本体建模中的一个常见原则:
当一段关系本身还具有属性时,应当把它建模为一个独立实体。
OWL:让计算机理解概念的含义
RDF 可以把数据连接起来,但它本身并不知道这些数据背后的业务含义。
例如,RDF 可以记录:
张三是 VIP 客户。
但它并不知道:
VIP 客户也是客户。
这时就需要 OWL。
OWL 的全称是 Web Ontology Language,主要用于定义:
类和子类; 属性和关系; 等价概念; 互斥概念; 逆向关系; 基数和逻辑限制。
例如,我们可以在 OWL 中定义:
VIP 客户是客户的一种; 手机是产品的一种; “生产”和“由……生产”互为反向关系; 客户和工厂属于不同类型的对象。
有了这些定义,计算机就可以进行一定程度的推理。
例如:
张三是 VIP 客户; VIP 客户属于客户; 因此,可以推断张三也是客户。
所以,OWL 可以理解为企业数据世界中的:
概念体系、业务词典和逻辑说明书。
它不仅描述数据之间“连着什么”,还进一步说明这些概念和关系“意味着什么”。
SPARQL:按业务关系查询数据
数据被组织成 RDF 图以后,还需要一种查询语言。
这就是 SPARQL。
SPARQL 是 RDF 图数据的标准查询语言。它和 SQL 有些相似,但查询思路并不完全一样。
SQL 通常围绕表和字段进行查询,例如:
查询客户表; 关联订单表; 再关联订单项表和产品表。
SPARQL 则更关注需要匹配的对象和关系路径。
例如,我们想查询:
哪些客户购买了哪些产品?
可以使用类似下面的查询结构:
它描述的不是具体表名,而是一条业务关系:
客户 → 订单 → 订单项 → 产品
因此,使用者首先考虑的是“业务上要查什么关系”,而不是“数据究竟位于哪几张表中”。
除了普通查询,SPARQL 还支持:
条件过滤; 数据聚合; 多跳关系查询; 构造新的图数据; 更新 RDF 图; 跨多个知识图谱进行联邦查询。
对于 AI Agent 来说,SPARQL 也可以成为访问企业语义数据的一种标准接口。
Agent 不必直接理解所有底层数据库结构,而可以按照 Ontology 中定义的业务概念和关系查询数据。
当然,SPARQL 的表达能力越强,查询也可能越复杂。
在生产环境中,通常还需要设置查询超时、结果数量限制、并发限制和权限控制,避免无边界的多跳查询消耗过多资源。
SHACL:给知识图谱设置质量门槛
OWL 负责描述概念和逻辑,但企业系统还需要检查真实数据是否合格。
例如,一条订单数据可能必须满足:
必…