知识图谱的核心是语义网络，语义网络的概念最初由奎林（M.Ross Quillian）于1968年在他的博士论文中提出，这是一种心理学模型，用于描述记忆是如何通过概念之间的联系来实现的。

奎林认为记忆并非孤立地存储单个的事实或概念，而是将这些元素通过一系列的关联和联系组织起来。这种组织方式使得人们可以更有效地检索和使用记忆中的信息。基于这一理论，他将语义网络作为知识的表示方式。这种表示方式很快引起了人工智能研究者的兴趣，并被应用于自然语言理解系统中，以表示事物之间的关系和命题信息。

语义网络以网络格式表达知识的构造，使用语义和语义的关系表示知识的网络结构。所谓语义就是指实体或者概念，它们三个是一个意思，这个理解非常重要，否则就容易被这些概念搞混淆。语义网络中包含两种类型的知识。一种是人们总结的概念类知识，比如从猫到哺乳动物再到动物，这是一种概念的分类体系。另外一种是面向事实类的知识，比如北京是中国的首都。

那语义网络是怎样构成的呢？语义网络以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体-关系-实体”三元组，以及实体及其相关属性-值对，实体间通过关系相互联结，构成网状的知识结构。

这有点抽象，所以换个角度，从实际应用的角度出发，我们可以简单地把语义网络理解成多维关系图。什么是图（Graph）呢？图是由节点（Vertex）和边（Edge）来构成，例如折线图、鱼骨图、组织结构图等，但这些图通常只包含一种类型的节点和边。

而多维关系图一般包含多种类型的节点和多种类型的边。在语义网络中，用“实体（Entity）”来表达网络里的节点、用“关系（Relation）”来表达网络里的“边”。

前面说了实体即概念，指的是现实世界中的事物，比如人名、地名、食物、药物、公司、国家等一切概念名称，关系则用来表达不同实体之间的某种联系。实体与实体的关系常见的有：继承关系、关联关系、属性关系、包含关系、因果关系、时间关系、空间关系、拥有关系、功能关系、相似关系、对比关系、成员关系等。这些关系类型帮助我们定义和理解实体之间的复杂联系。在实际应用中，我们还可以根据需要定义更多的关系类型。

语义网络这个概念被提出来以后，同步在认知科学和计算机科学领域应用和发展，在认知心理学中知识表征的方式就包含语义网络、命题网络和图式等。

总结一下，在计算机人工智能领域，知识图谱的核心是语义网络，语义网络的最基本单位是三元组，即实体-关系-实体，面向事实的单一语义网络表达的是命题信息，多个语义网络就构成了命题网络，命题网络表达的是命题之间更复杂的层次结构信息和逻辑关系信息。