多模型RDF存储与图形数据库
我已在某处阅读了问题: 我理解将OWL/RDF用于语义数据有很多优势,因为它们很紧凑,只是一组边。我本来打算尝试一个triplestore(比如Jena),但对某些我无法在上面执行的图形算法(比如最短路径和加权边)很谨慎 自从我开始建立谷歌知识库(Google Knowledge Base)这样的东西以来,我遇到了混合或多模型数据存储(RDF store+Graph DB),比如Blazegraph、Amazon Neptune、Google Cayley(不是真正的谷歌产品)、Virtuoso、Grakn等等 这让我想知道为什么我不能将所有RDF数据导出到一个简单的图形数据库中?像Neo4j或OrientDB?毕竟,RDF数据仍然是一个图形为什么知识图的创建者坚持使用混合存储?为什么不使用一个普通的、旧的图形数据库?如果你认为答案是优化,那么为什么不使用一个hypergraph数据库呢图形数据库上没有混合数据库上的哪些操作?让我逐字引用一个: 组织和管理复杂的、高度互联的数据(即所谓的知识图)的新兴范式带来了知识和数据表示挑战的独特组合。基于知识图的应用程序需要在语义丰富、结构良好且受约束的图数据上高效运行虽然关系建模技术和图形数据库是解决某些特定问题的有用工具,但它们无法为整个任务提供全面的技术和概念基础架构。 实际上,它在图形数据库(如OrientDB)的顶部提供了一个RDF层。这难道不会进一步降低混合数据库的吸引力吗?当RDF数据本身就是一个图形时,我不理解在图形数据库上构建RDF实现的意义?以下是基于以下内容的链接:多模型RDF存储与图形数据库,rdf,graph-databases,owl,multi-model-database,knowledge-graph,Rdf,Graph Databases,Owl,Multi Model Database,Knowledge Graph,我已在某处阅读了问题: 我理解将OWL/RDF用于语义数据有很多优势,因为它们很紧凑,只是一组边。我本来打算尝试一个triplestore(比如Jena),但对某些我无法在上面执行的图形算法(比如最短路径和加权边)很谨慎 自从我开始建立谷歌知识库(Google Knowledge Base)这样的东西以来,我遇到了混合或多模型数据存储(RDF store+Graph DB),比如Blazegraph、Amazon Neptune、Google Cayley(不是真正的谷歌产品)、Virtuoso