先谈一下知识图谱（Knowledge Graph）。
通俗来说，知识图谱是一个巨大的知识库，一种结构化的语义知识库，描绘出了巨大的物理世界中的实体概念及其相互关系。
类似于面向对j W Q u 1 y象编a U .程中的对象、属性和方法，知识图谱同样也依据物理世2 c c界中各种对象实体的属性、关系，通过各个实体之间的关/ j P联关系，构建了一个巨Z A s大的网状知识结构。
典型的知识图谱，表示的是物理世界中各个实体的属性及n H K & J @ ? z a相互关系
关于物理世界的一切知识，是人工智能的基石，只有构建一个充分的网状知识图谱，储备足够的结构化知识库，机器才有可能像人类一样，充分认识和理解这个物理世界。
认识和理解这个世界，是人工智能的前提。
目前，知识图谱已经日趋成熟，并$ $ J且广泛应用于搜索引擎中，可以很好地区分“南京市长江大桥”，到底是大桥，还是市长姓江的问题。但也不可否认，单单依赖聚焦e N % a于实体和实体之间的关L D c ( G b r系的知识图谱，人工智能还有很多问题不能解决。
也就是说，仅仅认] f z V 2 M r [识和理解这个世界是不够的，这只停留在知识层面上。人类世X z v - A C n w u界除了知识，还有逻辑。
就像一字不差的同样两句话，“你这个傻瓜”，在不同的语境r | 0 i中，可以是辱骂，可以是疼爱，也可以是调情……知识结构再丰富的机器人，也会懵逼。
这就需要机器掌握“逻辑Y e |”，也是事理x W } N图谱（Event Logic Graph）需要解决的问题。
我们看一下知识图谱和事理图谱在整个人工智能产业链中所处的位置：
事理图谱也是知识库，不过是D + e _ B 3 H一个关于“事理逻辑”的知识库，描述的是事件之间的逻辑关系。
事理图谱的出现，是为了弥补现有的知识F c i g o A图谱的不足，在实体及其属性和关系的基础之上，增加了对事件逻辑的描述。
在表现形式上，事理图谱跟知识图谱类似，也是一个有向有环图，其中节点表示事件，有向边表示事件之间的逻辑关系。
关于金融事件的事理图谱——数据地平线公司
在事 . k 2 5理图谱中，有向边表示的是事件之间的逻辑关系，而通常的逻辑包括因果关系、顺承关系、条件关系和上下位等关系，知识图谱的作用就是积累足够多的逻辑知识库，以供机器行为进行学习和参考。
因果关系，是指事件之间存在因果关系，前一个事件是原因，后一个事件是结果，而且两个事件存在时间上的先后关系。
顺承关系，类似于时间序列上的事件，两个或者几个相继发生的的事件之间的关系。虽然顺承关系也像因果y # X关系事件一样，存在时间上的先后关系，但顺承关系的事件之间，并无因果关系。
条件关系，是指前一个事件是后一个事件发生的条件V & t L。同样的，条件关系不等于因果关系，条件关系是某A Q B B _种假设性命题，它可以分析未发生的事；而因果关系更多的是针对已经发生的事实而言。“因为天气晴朗，所以我去爬山了。”这是因果关系，一定是天气晴朗已经晴朗，才去爬山。而“如果天气晴朗,就去爬山。”，则是假设下的条件关系。
上下位关系，简单理解就是事件的包含关系，比如“疫情严重”与“新冠病毒疫情严重”之间就存在上下位关系。
因果关系8 ^ . W s # D p、顺承关系、条件关系和上下位关系，构成了事理图谱的四大核心逻辑关系，也是机器认知逻[ = 7 ] u @辑世界的基础。
如2 J Q果把知识图谱看成一个广义上的知识库，用以存储各种对y h r + Q象实体的属性、关系，那么事理图谱就是一种存储逻辑关系的升级版的“知识图谱”。
机器有了逻辑，才能更好地理解物理世界。
在知识图谱基础上升级版的事理图谱，将大大增强机器的的理解和推理能力，更好地实现理解、分析、预测、应对等行为。