AI-Workshop 文献分享 #9 -- OWL 与知识图谱：前 AI 时代的知识建模工具

分享人：qyr | 日期：2026-07-04

主题：OWL 本体语言与知识图谱入门

一、OWL 是什么

OWL（Web Ontology Language）是一种基于 XML 的、用于描述 RDF 的语义网语言。它既是数据格式，也是知识建模语言，核心目标是让计算机能够以结构化的方式理解和推理世界知识。

1.1 语法侧：XML

XML 用标签描述数据。OWL 本质上是一种 XML 方言，使用标签定义本体中的类、属性和实例。

1.2 语义侧：RDF

RDF（Resource Description Framework）关注的核心里念是三元组（Triple）：主语 - 谓语 - 宾语。

RDF 天然具有图结构，节点是实体，边是关系。每个宾语都可以成为新的主语，从而扩展成知识网络。

在此基础上，RDFS（RDF Schema）增加了规范： - Class（类）：表示实体类型 - Subclass（子类）：定义继承关系 - Domain（定义域）和 Range（值域）：限定属性的适用范围 - Object Property（实例属性）：指向另一个类的实例，构成图的关键 - Data Property（数据属性）：指向具体值

1.3 OWL 的四类核心标签

命名空间	用途
owl:	本体核心——类、属性、约束
rdf:	资源标识与关系，分配全局 IRI
rdfs:	人类可读信息——标签、注释
swrl:	推理规则——逻辑推导

1.4 推理能力

通过 SWRL 规则，OWL 能基于已有知识自动推理出新知识： - 子类关系推理 - 数据属性推断 - 实例属性推断

推理是知识图谱区别于传统数据库的核心能力——知识不仅被存储，还可以被推导和补全。

1.5 OWL 与知识图谱的关系

类比面向对象编程：OWL 相当于类（定义抽象知识模式），知识图谱相当于对象（具体的实体实例）。知识图谱依据 OWL 的约束和 SWRL 规则进行推理，不断丰富和扩展。

二、OWL 与知识图谱的价值

维度	AI / 大模型	知识图谱
核心机制	基于概率选最大输出	基于确定性规则，类似 if-else
知识来源	从数据中学习统计模式	显式定义的结构化知识与约束
可解释性	较弱，黑箱	强，可解释可追溯
一致性	可能有幻觉和矛盾	通过约束保证逻辑一致性

知识图谱可视为更高级的 Agent Memory 工具。相比于 RAG 的相似度匹配，知识图谱召回的知识是确定且有逻辑的。

三、工程实践：OWL 约束与 owlready2

3.1 OWL 约束

类层面约束：继承、互斥、等价类、互补

属性层面约束：定义域、值域、函数属性（每个实例只能取一个值）

3.2 owlready2 库

Python 库，用于读取、创建和操作 OWL 本体。通过 Python 类表示 OWL 的类、属性、约束等元素。

注意：OWL 的类只有属性没有方法，且支持多重继承。

from owlready2 import *

onto = get_ontology("http://example.org/onto.owl")

with onto:
    class Student(Thing):
        pass

    class has_name(DataProperty):
        domain = [Student]
        range = [str]

    class has_classmate(ObjectProperty):
        domain = [Student]
        range = [Student]

zhangsan = Student("zhangsan")
zhangsan.has_name = ["张三"]

四、总结

OWL 是 XML 语法与 RDF 语义的结合，用于形式化描述知识
RDF 通过三元组建模，天然具有图结构
OWL 提供丰富的约束与推理能力，是知识图谱的模式层
知识图谱与 AI 互补：AI 擅长概率推理，知识图谱擅长确定性推理
通过 owlready2 可在 Python 中高效构建和操作 OWL 知识图谱