2.5 總結
知識表示是傳統符號人工智能研究的核心。知識表示的方法在早期語義網的發展過程中主要用來為知識圖譜的概念建模提供理論基礎。現實的知識圖譜項目由于規模化構建的需要，常常降低表示的邏輯嚴格性。目前，較為常見的知識圖譜實踐包括RDF圖模型和屬性圖模型。盡管很多知識圖譜并沒有應用復雜的知識表示框架，Schema工程對于知識圖譜的構建仍然是基礎性和必要性的工作，高質量的知識圖譜構建通常從Schema設計開始。
在知識圖譜的深度利用中，如復雜語義的表達、規則引擎的構建、推理的實現，會對更有豐富表達能力的知識表示方法有更多的需求。圖模型是更加接近于人腦認知和自然語言的數據模型，RDF作為一種知識圖譜表示框架的參考標準，向上對接OWL等更豐富的語義表示和推理能力，向下對接簡化后的屬性圖數據庫以及圖計算引擎，仍然是最值得重視的知識圖譜表示框架。知識（圖譜）的表示學習是符號表示與神經網絡相結合比較自然且有前景的方向。知識的向量表示有利于刻畫隱含不明確的知識，同時基于神經網絡和表示學習實現的推理在一定程度上可以解決傳統符號推理所面臨的健壯性不高和不容易擴展等眾多問題。