• 通用知识图谱阶段：此阶段以从开放数据集中抽取SPG（Subject-Predicate-Object）三元组构建静态知识库为主，旨在提升搜索推荐精准度与用户体验；

• 领域知识图谱阶段：知识获取方式从开放支持域到封闭支持域为主，融合专家经验规则，旨在挖掘专业领域内稀缺知识，主要用于如风控、信贷等场景；

• 企业级知识管理：当前阶段与大模型相结合，知识图谱目标变成关注知识标准化、跨域数据互联与复用等问题。

• 知识定义：将知识分为实体、概念和事件三类。实体为与业务紧密相关的客观实例，可通过属性描述与画像刻画（如用户、企业）；概念为从具体到一般的抽象，描述一组实体集合，具有相对静态与较强的泛化性；事件则为附有时空约束的实体类型，例如行业事件、企业事件、诊疗事件等。

SPG能力的进化与分级共包括五个阶段，其能力逐渐增强并且逐步进行兼容：

• 兼容模式：目标是实现大数据体系下结构化与非结构化数据能够快速建立简单属性图，以及能够使用图推理能力；
• 领域模型约束：加入更多schema约束，对普通属性进行抽象，将其抽象成一些概念或者标准的实体，此时这些主体属性不再是一个简单的属性，而是链指到一些具体的概念上；
• 数据到知识的迭代演化：随着不断迭代，通过加入更多链指以及融合算子，来强化主体唯一性，发现主体间更丰富的语义关联。例如，知识图谱中已经存在的商店，和另一个域下有口碑描述或抽象出来的商店，可能为同一个店铺。为了消除同一实体的不一致性，通过加入内置的融合算子(fuseOp)，将它融合成一个实体；
• 谓词语义及逻辑符号：对于谓词的抽象，例如preferences在传统的属性图里就是一个简单的属性，我们把这个属性抽象成类目的概念，类目下可能有成都火锅，为此链指一条边，用户user到Category类目下可能也有一条边，于是通过链指的方式，就可以做更多的模糊推理或推荐。
• 符号语句化阶段：定义谓词之间的关系，例如可以定义两个谓词间的互反和互斥的关系，通过符号化的表示来定义逻辑的规则，从而进行推理。

如何在知识图谱推理中使用 TuGraph 能力？首先在知识推理中，利用OpenSPG逻辑规则执行引擎，其大致可以分为三部分：

• 最上层为用户的输入，用户可以通过我们自定义的符号KGDSL来输入，同时也接受ISO接口标准输入；
• 中间层是我们的解析编译与优化过程，可以通过Lube将它解析优化成最终执行计划。右边catalog是在编译过程中或解析过程中对一些谓词，事件概念，大模型进行管理；
• 最下层Adapter，可以去对接TuGraph-Analytics，或者是TuGraph-DB。

• OLAP场景：在OLAP场景中，由TuGraph来提供类似于Cypher查询语言。首先用户通过Schema建模后，将想要的数据导入TuGraph-DB中，之后用户每一个query进来后都有推理引擎来执行编译与优化，生成ISO-GQL语言，最终通过与TuGraph-DB通信完成查询或完成修改目标。