一、亞馬遜網(wǎng)絡(luò)服務(wù) (AWS) — Amazon Neptune

AWS 的主要圖形數(shù)據(jù)庫(kù)服務(wù)是Amazon Neptune，這是一款完全托管的圖形數(shù)據(jù)庫(kù)引擎。Neptune 功能多樣，既支持 使用 SPARQL 查詢(xún)的RDF 模型，也支持使用 Apache TinkerPop Gremlin 查詢(xún)的屬性圖模型。這種雙重支持使 Neptune 適用于各種 KG 實(shí)現(xiàn)——您可以使用 RDF/OWL 存儲(chǔ)語(yǔ)義知識(shí)圖并通過(guò) SPARQL 進(jìn)行查詢(xún)，或者將屬性圖方法與 Gremlin 結(jié)合使用。

1.Neptune 強(qiáng)調(diào)云原生和可擴(kuò)展性：它可以處理數(shù)十億個(gè)關(guān)系，并具有讀取副本等功能，可水平擴(kuò)展讀取吞吐量，并通過(guò)集群實(shí)現(xiàn)高可用性。Neptune 值得注意的集成之一是Neptune ML，它利用 Amazon SageMaker 對(duì)圖形數(shù)據(jù)執(zhí)行機(jī)器學(xué)習(xí)。 Neptune ML 使用深度圖庫(kù) (DGL) 基于您的 Neptune 數(shù)據(jù)訓(xùn)練圖神經(jīng)網(wǎng)絡(luò)模型，從而能夠直接在數(shù)據(jù)庫(kù)中的圖上執(zhí)行鏈接預(yù)測(cè)或節(jié)點(diǎn)分類(lèi)等任務(wù)。這使得在知識(shí)圖譜之上構(gòu)建人工智能變得更加容易，而無(wú)需將數(shù)據(jù)拉入單獨(dú)的機(jī)器學(xué)習(xí)管道。

2.在功能方面，Neptune 支持時(shí)間點(diǎn)恢復(fù)、靜態(tài)加密和 VPC 隔離，以滿(mǎn)足企業(yè)需求。其市場(chǎng)用例包括知識(shí)圖譜、身份圖譜、欺詐檢測(cè)網(wǎng)絡(luò)、推薦引擎等。例如，Amazon Alexa 團(tuán)隊(duì)使用 Neptune 來(lái)存儲(chǔ)和查詢(xún) Alexa 知識(shí)圖譜以進(jìn)行問(wèn)答。

3.在定價(jià)方面： Neptune 的定價(jià)模式是 AWS 數(shù)據(jù)庫(kù)的典型定價(jià)模式，您需要按實(shí)例小時(shí)數(shù)（實(shí)例大小不同）、使用的存儲(chǔ)空間和 I/O 操作付費(fèi)。根據(jù)最近的定價(jià)，db.r5.large美國(guó)地區(qū)的一個(gè)實(shí)例每小時(shí)費(fèi)用約為 0.23 美元。如果您需要副本來(lái)實(shí)現(xiàn)讀取擴(kuò)展，則每個(gè)副本都是另一個(gè)以類(lèi)似方式收費(fèi)的實(shí)例。存儲(chǔ)按每月每 GB 收費(fèi)，I/O 請(qǐng)求按每百萬(wàn)次請(qǐng)求收費(fèi)。除了 SageMaker 的訓(xùn)練實(shí)例費(fèi)用外，Neptune ML 沒(méi)有其他費(fèi)用（AWS 指出，Neptune 不會(huì)對(duì) ML 集成收取額外費(fèi)用）。這意味著，如果您啟用 Neptune ML，則需要為所使用的 ML 實(shí)例/時(shí)間付費(fèi)。AWS 采用按需付費(fèi)模式，小型開(kāi)發(fā)者可以相對(duì)便宜地在 Neptune 上進(jìn)行實(shí)驗(yàn)，甚至還有幾個(gè)月的免費(fèi)試用套餐，而企業(yè)則可以配置大型集群（使用多可用區(qū)以提高彈性）。

4.在AI集成方面：除了 Neptune ML，AWS 還提供其他可與圖數(shù)據(jù)集成的 AI 服務(wù)。例如，Amazon Comprehend（用于自然語(yǔ)言處理）可以從文本中提取實(shí)體，然后將其添加到 Neptune 以豐富知識(shí)圖譜。此外，還有用于數(shù)據(jù)集成的 AWS Glue，可以將數(shù)據(jù)輸入 Neptune。AWS 已經(jīng)發(fā)布了一些示例，例如“欺詐圖譜筆記本”展示了如何使用 Neptune 進(jìn)行欺詐團(tuán)伙檢測(cè)，并將其與 SageMaker 連接進(jìn)行預(yù)測(cè)建模。總體而言，AWS 的策略是提供一個(gè)穩(wěn)定的圖形數(shù)據(jù)庫(kù)核心（Neptune），并允許用戶(hù)將其連接到 AWS 生態(tài)系統(tǒng)中的各種分析和機(jī)器學(xué)習(xí)工具。

二、Google Cloud——企業(yè)知識(shí)圖譜及相關(guān)服務(wù)

 Google 在內(nèi)部大規(guī)模使用知識(shí)圖譜，Google 知識(shí)圖譜支持 Google 搜索的功能，可以回答諸如“埃菲爾鐵塔有多高？”之類(lèi)的事實(shí)性問(wèn)題。對(duì)于外部客戶(hù)，Google Cloud 除了 API 和解決方案框架外，沒(méi)有同名的單一“Google 知識(shí)圖譜”產(chǎn)品：

1.知識(shí)圖譜搜索 API：谷歌提供了一個(gè)功能有限的知識(shí)圖譜搜索 API，允許開(kāi)發(fā)者通過(guò)名稱(chēng)或關(guān)鍵字查詢(xún)谷歌公共知識(shí)圖譜中的實(shí)體。這將返回實(shí)體元數(shù)據(jù)（例如 ID、描述和一些已知屬性）。然而，該 API 的使用范圍相當(dāng)有限，主要用于基本的實(shí)體識(shí)別或查找，而非完整的圖數(shù)據(jù)庫(kù)解決方案（并且受到配額等限制）。

2.企業(yè)知識(shí)圖譜解決方案： 2022-2023 年，谷歌云推出了企業(yè)知識(shí)圖譜 (EKG)解決方案，本質(zhì)上是在 GCP 上構(gòu)建知識(shí)圖譜的工具包。它并非單一的托管圖形數(shù)據(jù)庫(kù)，而是提供實(shí)體協(xié)調(diào) API (Entity Reconciliation API)等服務(wù)，并提供使用現(xiàn)有 GCP 服務(wù)構(gòu)建知識(shí)圖譜的指南。例如，實(shí)體協(xié)調(diào) API 是一種人工智能驅(qū)動(dòng)的服務(wù)，用于跨數(shù)據(jù)集匹配和去重實(shí)體（例如，解析一個(gè)數(shù)據(jù)庫(kù)中的“Bob J. Smith”和另一個(gè)數(shù)據(jù)庫(kù)中的“Robert Smith”是同一個(gè)人）。它利用谷歌的知識(shí)和機(jī)器學(xué)習(xí)進(jìn)行大規(guī)模模糊匹配，在底層聚類(lèi)分析中處理多達(dá)“數(shù)十億個(gè)節(jié)點(diǎn)和數(shù)萬(wàn)億條邊”[37]。本質(zhì)上，谷歌正在利用其在實(shí)體解析方面的經(jīng)驗(yàn)將其作為一項(xiàng)服務(wù)提供，這是從孤立數(shù)據(jù)構(gòu)建干凈的知識(shí)圖譜的關(guān)鍵一步。 EKG 還包含將關(guān)系數(shù)據(jù)轉(zhuǎn)換為 RDF 圖的工具（文檔中提到將 BigQuery 表轉(zhuǎn)換為 RDF 三元組）。因此，谷歌的方法更面向解決方案：他們提供構(gòu)建企業(yè)級(jí)知識(shí)圖譜的構(gòu)建模塊——存儲(chǔ)可以存儲(chǔ)在 BigQuery 中（使用鄰接表或圖結(jié)構(gòu)），并通過(guò) AI API 進(jìn)行分析。

3.圖形數(shù)據(jù)庫(kù)選項(xiàng)：有趣的是，谷歌云并沒(méi)有像 Neptune 或 Cosmos DB Graph 這樣的原生圖形數(shù)據(jù)庫(kù)產(chǎn)品。相反，他們與企業(yè)合作或鼓勵(lì)使用谷歌云市場(chǎng)上的平臺(tái)（例如，Neo4j 的云服務(wù) Neo4j Aura 可在 GCP 上使用）。谷歌也提到了其內(nèi)部圖形引擎，但并未正式發(fā)布。不過(guò)，人們當(dāng)然可以在 GCP 虛擬機(jī)上運(yùn)行開(kāi)源圖形數(shù)據(jù)庫(kù)，或者使用 BigQuery 的新圖形擴(kuò)展（BigQuery 推出了一些圖形分析功能和執(zhí)行遞歸 SQL 的能力，可以模擬某些圖形查詢(xún)）。谷歌云解決方案資源管理器提供了知識(shí)圖譜的模式，通常將 BigQuery 與機(jī)器學(xué)習(xí)相結(jié)合。此外，還有Vertex AI（谷歌的機(jī)器學(xué)習(xí)平臺(tái)），它可以與知識(shí)圖譜數(shù)據(jù)一起使用——例如，構(gòu)建一個(gè)引用知識(shí)圖譜特征的人工智能模型。

4.AI 集成與定價(jià)：谷歌的知識(shí)圖譜 (KG) 相關(guān)服務(wù)（例如知識(shí)圖譜搜索 API）按 API 調(diào)用次數(shù)計(jì)費(fèi)（有免費(fèi)配額）。實(shí)體協(xié)調(diào) API 可能會(huì)按使用量計(jì)費(fèi)（作為 Vertex AI 或數(shù)據(jù)集成成本的一部分）。谷歌傾向于對(duì)數(shù)據(jù)處理和存儲(chǔ)收費(fèi)（BigQuery 按掃描的 TB 和存儲(chǔ)的 TB 收費(fèi)）。如果您使用 BigQuery 托管知識(shí)圖譜（表格形式，例如三重表），則查詢(xún)將按掃描的每條數(shù)據(jù)收費(fèi)。用于知識(shí)圖譜構(gòu)建的 Vertex AI 流水線（例如運(yùn)行 TensorFlow 模型以嵌入知識(shí)圖譜）將產(chǎn)生計(jì)算費(fèi)用。谷歌也一直在探索圖譜 + 知識(shí)圖譜 (LLM) 集成——例如，他們已經(jīng)發(fā)表了關(guān)于將 PaLM 語(yǔ)言模型與知識(shí)圖譜信息相結(jié)合以獲得更佳答案的文章。在其 GenAI 產(chǎn)品中，“Vertex AI 搜索”和“Vertex AI 對(duì)話”工具可能會(huì)選擇在后端使用知識(shí)圖譜。例如，谷歌的生成式 AI 應(yīng)用構(gòu)建器可以查詢(xún)知識(shí)庫(kù)或向量數(shù)據(jù)庫(kù)作為響應(yīng)的一部分，盡管細(xì)節(jié)正在浮現(xiàn)。

綜上所述，谷歌云的戰(zhàn)略有些割裂：他們擁有面向消費(fèi)者的專(zhuān)有且龐大的知識(shí)圖譜（KG，搜索），以及面向企業(yè)的工具（EKG、API），幫助企業(yè)利用谷歌的技術(shù)構(gòu)建自己的知識(shí)圖譜。這些功能雖然強(qiáng)大（例如，通過(guò)實(shí)體解析對(duì)數(shù)十億條記錄進(jìn)行聚類(lèi)），但需要集成，而且不像 Neptune 那樣提供單一的交鑰匙數(shù)據(jù)庫(kù)。使用 GCP 的組織通常會(huì)將這些服務(wù)整合在一起：使用 Cloud Storage/BigQuery 處理數(shù)據(jù)，使用 AI API 進(jìn)行處理，或許還會(huì)使用第三方圖數(shù)據(jù)庫(kù)進(jìn)行查詢(xún)。

三、Microsoft Azure — Azure Cosmos DB（Gremlin API）和認(rèn)知服務(wù)

Microsoft 主要通過(guò)適用于 Apache Gremlin 的 Azure Cosmos DB提供圖形功能。Cosmos DB 是 Azure 的全球分布式多模型數(shù)據(jù)庫(kù)，其 API 之一是 Gremlin（圖形）API，它支持屬性圖形數(shù)據(jù)和 Gremlin 查詢(xún)/遍歷語(yǔ)言。這實(shí)際上允許您將 Cosmos DB 用作類(lèi)似于 Neo4j 的托管圖形數(shù)據(jù)庫(kù)，但它是云原生的并且跨區(qū)域分布。Cosmos DB 的 Gremlin API 是無(wú)模式的（您可以隨時(shí)定義頂點(diǎn)和邊標(biāo)簽），非常適合需要高可用性和擴(kuò)展的應(yīng)用程序。Azure Cosmos 可以自動(dòng)跨分區(qū)對(duì)圖形進(jìn)行分片以實(shí)現(xiàn)擴(kuò)展，并提供有保證的延遲和吞吐量（您配置 RU/s - 每秒請(qǐng)求單位）。

這種定價(jià)模型是基于吞吐量的 ，您需要為預(yù)配置的 RU/s 和存儲(chǔ)付費(fèi)。例如，您可以配置 10,000 RU/s（對(duì)應(yīng)于每秒一定數(shù)量的讀/寫(xiě)容量），并按小時(shí)收費(fèi)，無(wú)論使用情況如何。如果過(guò)度配置，Cosmos DB 的成本可能會(huì)很高，但如果調(diào)整得當(dāng)，它可以確?？焖俚男阅?。Azure 還推出了適用于 PostgreSQL 的 Cosmos DB（帶有 pgGraph） ——但這在其他類(lèi)型的圖數(shù)據(jù)庫(kù)方面還處于預(yù)覽階段。除了數(shù)據(jù)庫(kù)之外，微軟還在Azure 認(rèn)知服務(wù)中利用知識(shí)圖譜。知識(shí)類(lèi)別中有一個(gè)認(rèn)知服務(wù)子集，歷史上包括 QnA Maker（現(xiàn)在是 Azure 語(yǔ)言認(rèn)知服務(wù)的一部分，用于從文檔構(gòu)建常見(jiàn)問(wèn)題機(jī)器人）。還有Azure 認(rèn)知搜索，它具有知識(shí)存儲(chǔ)的概念，它可以將從文檔中提取的豐富內(nèi)容存儲(chǔ)在類(lèi)似圖形的結(jié)構(gòu)中（鏈接實(shí)體的表格或 JSON）。

微軟的研究有幾個(gè)知識(shí)驅(qū)動(dòng)的項(xiàng)目：例如，知識(shí)探索服務(wù)(KES)，它支撐了一些學(xué)術(shù)搜索，以及現(xiàn)已退役的微軟學(xué)術(shù)圖譜 (Microsoft Academic Graph)。微軟的必應(yīng) (Bing) 雖然沒(méi)有直接以產(chǎn)品形式呈現(xiàn)，但它擁有自己的 Satori 知識(shí)圖譜，可在必應(yīng)搜索和 Windows 系統(tǒng)中使用（類(lèi)似于谷歌為谷歌搜索提供的 KG）。對(duì)于企業(yè)，Azure 建議使用Azure Databricks或Synapse等模式來(lái)處理數(shù)據(jù)，然后將關(guān)系存儲(chǔ)在 Cosmos DB 或帶有圖擴(kuò)展的 Azure SQL 中。Azure上的人工智能集成現(xiàn)在有一個(gè)流行的概念：圖譜 + RAG（檢索增強(qiáng)生成）。微軟發(fā)布了“GraphRAG”方法，將知識(shí)圖譜與 Azure OpenAI（提供 GPT 模型）結(jié)合使用，以改進(jìn)響應(yīng)。例如，與其僅使用文本塊作為 GPT-4 模型的知識(shí)，不如使用圖譜檢索相關(guān)事實(shí)的子圖并將其提供給模型，或者讓模型生成在圖譜上執(zhí)行的查詢(xún)。事實(shí)上，微軟在 GitHub 上的示例代碼 (GraphRAG) 展示了從文檔中提取知識(shí)圖譜并將其與 LLM 結(jié)合使用的流程。這反映了 Azure 如何將知識(shí)圖譜集成到其 AI 堆棧中，以支持需要更好數(shù)據(jù)基礎(chǔ)的企業(yè)用例。

四、IBM Cloud

 IBM 的知識(shí)圖譜方法通常通過(guò)解決方案而非單一的云服務(wù)實(shí)現(xiàn)。IBM 在知識(shí)表示方面有著悠久的歷史，例如IBM Watson 在 Jeopardy 上的成功就體現(xiàn)在問(wèn)答對(duì)和本體的知識(shí)圖譜上。IBM 提供的Cloud Pak for Data包含一個(gè)知識(shí)目錄——主要用于數(shù)據(jù)治理（元數(shù)據(jù)管理），但也可以看作是企業(yè)數(shù)據(jù)資產(chǎn)知識(shí)圖譜的一部分。IBM 的研究和咨詢(xún)部門(mén)經(jīng)常提供定制的知識(shí)圖譜解決方案，例如，為金融或醫(yī)療保健領(lǐng)域的客戶(hù)構(gòu)建知識(shí)圖譜。IBM 確實(shí)在 2017 年左右創(chuàng)建了一款名為IBM Knowledge Graph的產(chǎn)品，作為 IBM Cloud 上的一項(xiàng)服務(wù)，專(zhuān)注于從結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)創(chuàng)建知識(shí)圖譜，但現(xiàn)在它并不十分突出（IBM 的云經(jīng)歷了許多變化）。相反，IBM 目前的敘述將知識(shí)圖譜與其Watson AI 服務(wù)和Watsonx（他們的新 AI/LLM 平臺(tái)）聯(lián)系在一起。他們主張使用知識(shí)圖譜來(lái)實(shí)現(xiàn)值得信賴(lài)的人工智能。例如，IBM 數(shù)據(jù)科學(xué)博客 (2025) 中一篇關(guān)于實(shí)現(xiàn)Graph RAG 的文章在 Watsonx.ai 環(huán)境中使用了 Memgraph（一個(gè)開(kāi)源圖形數(shù)據(jù)庫(kù)）。IBM 的策略似乎是在需要的地方集成開(kāi)放技術(shù)——他們可能會(huì)部署 Neo4j 或 Neptune 來(lái)解決問(wèn)題，并結(jié)合 IBM 自己的 NLP 來(lái)填充圖形。IBM 強(qiáng)調(diào)知識(shí)圖譜在某些行業(yè)中的作用：在醫(yī)療保健領(lǐng)域，他們將知識(shí)圖譜與 NLP 相結(jié)合以協(xié)助臨床決策，例如，Watson for Oncology 系統(tǒng)使用了精心挑選的疾病、藥物、試驗(yàn)的醫(yī)學(xué)知識(shí)圖譜；在金融領(lǐng)域，他們將知識(shí)圖譜與可解釋的人工智能相結(jié)合以遵守法規(guī)；在制造業(yè)，他們將知識(shí)圖譜用于供應(yīng)鏈和物聯(lián)網(wǎng)（數(shù)字孿生）。IBM 已經(jīng)撰寫(xiě)了關(guān)于知識(shí)圖譜的文章，使人工智能更易于解釋、更透明，并符合負(fù)責(zé)任的人工智能原則。IBM 員工在《福布斯技術(shù)委員會(huì)》上發(fā)表的文章可能會(huì)指出，知識(shí)圖譜通過(guò)顯式編碼知識(shí)使人工智能系統(tǒng)更易于檢查和控制。

在功能方面： IBM 的知識(shí)圖譜解決方案通常包括從文本中提取實(shí)體和關(guān)系的工具（利用 IBM 的自然語(yǔ)言處理 (NLP)）、本體管理（IBM 多年來(lái)一直為 RDF/OWL 標(biāo)準(zhǔn)做出貢獻(xiàn)），有時(shí)還包括邏輯規(guī)則（IBM 在 ILP 和規(guī)則系統(tǒng)方面擁有專(zhuān)業(yè)知識(shí)）。它們通常采用開(kāi)源技術(shù)：例如，使用 JanusGraph（IBM 參與開(kāi)發(fā)，因?yàn)樗菑?Titan 分叉而來(lái)的）作為大規(guī)模圖存儲(chǔ)的后端。IBM 還有一款名為Watson Discovery 的產(chǎn)品，它通過(guò)構(gòu)建知識(shí)圖譜或至少是企業(yè)內(nèi)容的語(yǔ)義索引來(lái)進(jìn)行認(rèn)知搜索。

在定價(jià)方面：對(duì)于 IBM，如果使用 Cloud Pak for Data，則更像是一種許可模式（為軟件和云基礎(chǔ)設(shè)施付費(fèi)）。對(duì)于 Watson 服務(wù)，通常基于 API 調(diào)用進(jìn)行定價(jià)（例如 NLU、Discovery 按 1000 個(gè)項(xiàng)目定價(jià)等）。IBM 的方法通常是解決方案驅(qū)動(dòng)的，因此確切的定價(jià)會(huì)根據(jù)每個(gè)項(xiàng)目量身定制。例如，如果一家銀行聘請(qǐng) IBM 來(lái)實(shí)施欺詐知識(shí)圖譜，則成本包含 IBM 服務(wù)以及任何云使用費(fèi)用。

五、小結(jié)

每個(gè)超大規(guī)模器在其堆棧中集成知識(shí)圖譜的方式不同：

AWS：提供一個(gè)簡(jiǎn)單的托管圖形數(shù)據(jù)庫(kù) (Neptune)，可以作為知識(shí)圖譜的骨干，并與 AWS ML 服務(wù)緊密集成（使用 SageMaker 的 Neptune ML）。定價(jià)按小時(shí)和按請(qǐng)求計(jì)算，這是 AWS 數(shù)據(jù)庫(kù)服務(wù)的典型做法。

谷歌：谷歌在搜索領(lǐng)域利用其自身無(wú)與倫比的知識(shí)圖譜，同時(shí)為客戶(hù)提供企業(yè)級(jí)知識(shí)圖譜框架（具有谷歌規(guī)模的實(shí)體協(xié)調(diào)功能）等工具，并鼓勵(lì)使用其數(shù)據(jù)云 (BigQuery) 和機(jī)器學(xué)習(xí) (Vertex) 構(gòu)建知識(shí)圖譜。他們確實(shí)有一個(gè)面向開(kāi)發(fā)人員的知識(shí)圖譜搜索 API，用于基本信息檢索 。這些組件的定價(jià)通?；谑褂们闆r。

Azure：通過(guò) Cosmos DB 的 Gremlin API（全球分布，基于 RU 定價(jià)）提供圖形功能，并將知識(shí)圖譜集成到認(rèn)知解決方案中（例如，AI Search 的知識(shí)存儲(chǔ)、Graph RAG 模式）。Azure 的 OpenAI 服務(wù)可以與知識(shí)圖譜結(jié)合，構(gòu)建高級(jí)問(wèn)答或搜索功能。

IBM：專(zhuān)注于利用知識(shí)圖譜 (KG) 構(gòu)建可信的人工智能和領(lǐng)域解決方案，并結(jié)合使用 IBM 和開(kāi)源工具。他們強(qiáng)調(diào)咨詢(xún)式的混合方法——例如，展示如何在 IBM 的人工智能平臺(tái) (Watsonx) 中使用開(kāi)放圖譜數(shù)據(jù)庫(kù)。定價(jià)更偏向企業(yè)軟件導(dǎo)向或基于服務(wù)參與。

所有超大規(guī)模企業(yè)都認(rèn)識(shí)到知識(shí)圖譜是現(xiàn)代人工智能架構(gòu)的關(guān)鍵組成部分。Gartner 的 2024 年技術(shù)成熟度曲線顯示，知識(shí)圖譜對(duì)于增強(qiáng)人工智能戰(zhàn)略的重要性日益提升。它們的產(chǎn)品允許企業(yè)利用云規(guī)模的基礎(chǔ)設(shè)施構(gòu)建知識(shí)圖譜，并將其與人工智能服務(wù)集成，實(shí)現(xiàn)知識(shí)驅(qū)動(dòng)的人工智能。競(jìng)爭(zhēng)也促使它們不斷改進(jìn)：AWS 增加了Neptune Serverless等用于自動(dòng)擴(kuò)展的功能，谷歌投資AutoML 用于實(shí)體提取，微軟創(chuàng)建了從非結(jié)構(gòu)化數(shù)據(jù)到知識(shí)的無(wú)縫管道（通過(guò)認(rèn)知搜索和 Power BI 集成），IBM 專(zhuān)注于將知識(shí) + 治理作為人工智能的一部分。用戶(hù)現(xiàn)在有很多選擇可以在云端開(kāi)始使用知識(shí)圖譜，而無(wú)需從頭開(kāi)始管理自己的圖形數(shù)據(jù)庫(kù)服務(wù)器。