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。

技术
主要作用
RDF
把数据表示成可以连接的图
OWL
定义概念、关系和逻辑含义
SPARQL
查询和操作图中的数据
SHACL
检查数据是否符合业务要求

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:


1ex:zhangsan ex:places ex:order1001 .

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:

  1. 张三是 VIP 客户;
  2. VIP 客户属于客户;
  3. 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:


1SELECT ?customer ?product2WHERE {3  ?customer ex:places ?order .4  ?order ex:contains ?line .5  ?line ex:item ?product .6}

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…
— 以上为试看内容(约 40%),开通会员后阅读全文 —