图模型作为当前流行的信息处理加工技术，自提出以来，迅速在
学术界和工业界得到了普及，在智能推荐、决策分析等方面有着广泛的应用。
图模型由节点和边组成。节点表示实体或概念，边则由属性或关
系构成。实体指的是具有可区别性且独立存在的某种事物，如某一个人、某一个城市、某一种植物、某一种商品等，是图模型中的最基本元素；概念是对特征的组合而形成的知识单元，主要指集合、类别、对象类型、事物的种类，例如人物、地理等；属性主要指描述实体或
概念的特征或特性，例如人员的国籍、生日等。
图模型构建包含几个关键步骤：
第一步：业务场景定义。
业务场景决定信息涵盖范围，以及信息颗粒度的表示。以支撑业
务连续性为例，因为不可抗力的影响，部分区域的供应商工厂无法正常生产和发货，涉及的信息包括供应商的信息、产能、元器件及内部物料、合同和客户信息，要求能够根据用户输入的当前物料储备和合同状态，获取影响内部物料、产品、合同交付和客户的清单和范围。
这种应用涉及对产品目录和配置的解读，需要对收集的信息进行最小
采购器件的抽取。
信息颗粒度在图模型建设中是个不可忽视的问题，根据应用场景
决定信息颗粒度以及图模型的精确性与有效性。比如手机，有品牌、型号、批次，直至手机整机。同样的信息范围，颗粒度越细，图模型应用越广泛，关系越丰富，但冗余越多，知识消费越低效。信息颗粒度的原则是“能满足业务应用的最粗颗粒度”。
第二步：信息收集。
信息的选取要考虑两个方面的内容。
1）与应用场景直接相关的信息。例如，判断不可抗力供应中断影
响的范围，直接相关的信息有物料信息、产品配置、合同信息等。
2）与应用场景间接相关，但可辅助理解问题的信息。这包括企业
信息、专业领域信息、行业信息以及开放域信息。
第三步：图建模。
相同的数据可以有若干种模式的定义，良好的模式可以减少数据
冗余，提高实体识别的准确率，在建模的过程中，要结合数据特点与应用场景来完成。同样的数据从不同的视角可以得出不同的图模型。
第四步：实体、概念、属性、关系的标注。
企业图模型中涉及的实体和概念可分为三类：公共类，如人名、
机构名、地名、公司名、时间等；企业类，如业务术语、企业部门等；行业类，如金融行业、通信行业等。
第五步：实体和概念的识别。
企业图模型中实体、概念的识别可将业务输入与数据资产中已有
的信息作为种子，运用命名实体识别（NER）的方法扩展出新实体概念，经业务确认后，列入实体、概念库。
第六步：属性识别与关系识别。
企业图模型中的属性与关系一般是根据业务知识在模式层设计时
定义，属性与关系相对稳定，其扩展场景不是很多。
企业图模型的存储技术要综合考虑应用场景、图模型中节点和联
接的数量、逻辑的复杂度、属性的复杂度，以及性能要求。一般建议采用混合存储方式，用图数据库存储关系，关系型数据库或键值对存储属性。偏重逻辑推理的应用场景用RDF的存储方式，偏重图计算的应用场景选择属性图的存储方式。发挥两类数据存储和读写的各自优
势。
知识计算主要是根据图谱提供的信息得到更多隐含的知识，如通
过模式层以及规则推理技术可以获取数据中存在的隐含信息。知识计算涉及三大关键技术：图挖掘计算、基于本体的推理、基于规则的推理。图挖掘计算是基于图论的相关算法，实现对图谱的探索和挖掘。
图挖掘计算主要分为如下6类。
图挖掘计算在当前的应用场景中，基于业务连续性，通过查询遍
历图模型，识别影响节点和影响范围，基于最短路径，辅助决策物流线路，在企业中的应用较为普遍。
图模型在企业中的价值，很大程度上取决于企业基于对象节点可
以构建多完善的关系，这个关系的构建是一个逐步完善的过程，基于业务场景不断补充和完善关系，这就是图模型的优势。当形成一个足够完善的企业级图模型后，领域分段的业务场景应用只需要裁剪部分节点和关系，就可以满足业务的需求，达到快速响应业务需求、降低
开发成本的目的。
