综合介绍
OpenSPG是由蚂蚁集团与OpenKG合作开发的开源知识图谱引擎，基于SPG（语义增强可编程图）框架。该引擎旨在提供显式语义表示、逻辑规则定义和操作框架等功能，支持领域知识图谱的构建和管理。OpenSPG结合了LPG结构的简单性和RDF语义的复杂性，适用于金融等多种业务场景。
功能列表
- 知识建模：支持领域模型约束的知识建模
- 语义表示：提供显式的语义表示和逻辑规则定义
- 操作框架：支持构建、推理等操作框架
- 插件适配：支持基础引擎和算法服务的插件化适配
- 数据可视化：提供直观的数据探索和分析界面
使用帮助
安装流程
服务端安装
服务端基于Docker Compose部署，主要包含4个镜像：
- openspg-server：提供schema服务
- openspg-mysql：存储schema数据
- tugraph：存储图谱数据
- elasticsearch：索引图谱数据
- 下载
docker-compose.yml文件，并在当前目录下执行以下命令，等待命令执行完成即完成服务端启动：docker-compose -f docker-compose.yml up -d - 当
openspg-server在本地启动后，可以打开 http://127.0.0.1:8887 端口看到前端可视化页面。如果openspg-server部署在远程，对应的IP地址需要做相应修改。
客户端安装
客户端也提供了Docker镜像，直接执行以下命令会拉取该镜像：
docker pull --platform linux/x86_64 spg-registry.cn-hangzhou.cr.aliyuncs.com/spg/openspg-python:latest
下载完镜像后，可以克隆OpenSPG源码：
git clone --depth=1 https://github.com/OpenSPG/openspg.git
源码克隆完成后，可以体验源码中自带的案例：
# 启动容器，将其中的${project_dir}替换成源码目录
docker run --rm --net=host -v ${project_dir}:/code \
-it spg-registry.cn-hangzhou.cr.aliyuncs.com/spg/openspg-python:latest \
"/bin/bash"
# 容器启动后，进入/code目录，即openspg项目源码目录
cd /code
# 后续可以安装案例教程，比如进入riskmining目录
cd python/knext/knext/examples/riskmining
# 参考案例教程，执行相应的knext命令，比如
knext project create --prj_path .
knext schema commit
knext builder execute ...
knext reasoner execute ...
另外，当本地基于IDE去编写图谱项目时，可以执行以下命令安装knext：
pip install openspg-knext
详细操作流程
服务端启动
- 克隆 OpenSPG 源码，并在IDE中打开：
git clone git@github.com:OpenSPG/openspg.git以下命令假定都执行在openspg代码库的根目录下。
- 执行 mvn 编译命令：
mvn clean install -Dmaven.test.skip=true -Dspotless.check.skip -Dspotless.apply.skip - 本地启动MySQL、ElasticSearch、TuGraph等容器：
sh dev/test/docker-compose.sh - 启动 server 入口位于：
com.antgroup.openspg.server.arks.sofaboot.Application
客户端启动
- 准备一个 Python 虚拟环境，版本3.8+。
- 将 mvn 编译好的 reasoner 和 builder 包复制到 knext 对应目录中：
cp dev/release/python/lib/builder* python/knext/knext/builder/lib cp dev/release/python/lib/reasoner* python/knext/knext/reasoner/lib - 本地安装 nn4k：
cd python/nn4k python setup.py develop - 本地安装 knext：
cd python/knext python setup.py develop - 完成之后就可以在该 Python 虚拟环境中执行knext命令。
核心能力模型
OpenSPG的核心能力模型包括：
- SPG-Schema语义建模：负责属性图语义增强的Schema框架设计，如主体模型、演化模型、谓词模型等。
- SPG-Builder知识构建：支持结构化和非结构化知识导入，与大数据架构兼容衔接，提供了知识构建算子框架，实现从数据到知识的转换。抽象了知识加工SDK框架，提供实体链指、概念标化和实体归一等算子能力，结合自然语言处理（NLP）和深度学习算法，提高单个类型中不同实例的唯一性水平，支持领域图谱的持续迭代演化。
- SPG-Reasoner逻辑规则推理：抽象了KGDSL（Knowledge Graph Domain Specific Language），为逻辑规则提供可编程的符号化表示。以机器可理解的符号表示支持下游规则推理、神经/符号融合学习、KG2Prompt联动LLM知识抽取/知识推理等。通过谓词语义和逻辑规则来定义知识之间的依赖和传递，并且支持对复杂的业务场景的建模和分析。
- 可编程框架KNext：KNext作为图谱可编程框架，提供了一套可扩展、流程化、对用户友好的组件化能力；抽象了图谱核心能力，沉淀为组件化、框架化、引擎内置的能力；实现引擎与业务逻辑、领域模型的隔离，方便业务快速定义图谱解决方案；构建以OpenSPG引擎为基础，知识驱动的可控AI技术栈，链接LLM、GraphLearning等深度学习能力。
- 云适配层Cloudext：业务系统通过SDK对接开放引擎，构建自身特色的业务前端；可扩展/适配自定义的图存储/图计算引擎；可扩展/适配适合自身业务特点的机器学习框架。
