Graphs are a natural and fundamental representation of describing the activities, relationships, and evolution of various complex systems. Many domains such as communication, citation, procurement, biology, social media, and transportation can be modeled as a set of entities and their relationships. Resource Description Framework (RDF) and Labeled Property Graph (LPG) are two of the most used data models to encode information in a graph. Both models are similar in terms of using basic graph elements such as nodes and edges but differ in terms of modeling approach, expressibility, serialization, and target applications. RDF is a flexible data exchange model for expressing information about entities but it tends to a have high memory footprint and inefficient storage, which does not make it a natural choice to perform scalable graph analytics. In contrast, LPG has gained traction as a reliable model in performing scalable graph analytic tasks such as sub-graph matching, network alignment, and real-time knowledge graph query. It provides efficient storage, fast traversal, and flexibility to model various real-world domains. At the same time, the LPGs lack the support of a formal knowledge representation such as an ontology to provide automated knowledge inference. We propose Semantic Property Graph (SPG) as a logical projection of reified RDF into LPG model. SPG continues to use RDF ontology to define type hierarchy of the projected graph and validate it against a given ontology. We present a framework to convert reified RDF graphs into SPG using two different computing environments. We also present cloud-based graph migration capabilities using Amazon Web Services.

中文翻译：

---

用于可扩展知识图谱分析的语义属性图

图是描述各种复杂系统的活动、关系和演化的自然而基本的表示。许多领域，例如通信、引文、采购、生物学、社交媒体和交通，都可以建模为一组实体及其关系。资源描述框架 (RDF) 和标记属性图 (LPG) 是两种最常用的数据模型，用于在图中对信息进行编码。两种模型在使用基本图元素（例如节点和边）方面相似，但在建模方法、可表达性、序列化和目标应用程序方面有所不同。RDF 是一种灵活的数据交换模型，用于表达有关实体的信息，但它往往具有高内存占用和低效存储，这并不能使其成为执行可扩展图分析的自然选择。相比之下，LPG 作为执行可扩展图分析任务（例如子图匹配、网络对齐和实时知识图查询）的可靠模型而受到关注。它提供了高效的存储、快速遍历和灵活性来模拟各种现实世界的域。同时，LPG 缺乏形式化知识表示（例如本体）的支持，无法提供自动知识推理。我们提出语义属性图（SPG）作为具体化 RDF 到 LPG 模型的逻辑投影。SPG 继续使用 RDF 本体来定义投影图的类型层次结构，并根据给定的本体对其进行验证。我们提出了一个框架，可以使用两种不同的计算环境将具体化的 RDF 图转换为 SPG。我们还展示了使用 Amazon Web Services 的基于云的图迁移功能。LPG 作为执行可扩展图分析任务（例如子图匹配、网络对齐和实时知识图查询）的可靠模型而受到关注。它提供了高效的存储、快速遍历和灵活性来模拟各种现实世界的域。同时，LPG 缺乏形式化知识表示（例如本体）的支持，无法提供自动知识推理。我们提出语义属性图（SPG）作为具体化 RDF 到 LPG 模型的逻辑投影。SPG 继续使用 RDF 本体来定义投影图的类型层次结构，并根据给定的本体对其进行验证。我们提出了一个框架，可以使用两种不同的计算环境将具体化的 RDF 图转换为 SPG。我们还展示了使用 Amazon Web Services 的基于云的图迁移功能。LPG 作为执行可扩展图分析任务（例如子图匹配、网络对齐和实时知识图查询）的可靠模型而受到关注。它提供了高效的存储、快速遍历和灵活性来模拟各种现实世界的域。同时，LPG 缺乏形式化知识表示（例如本体）的支持，无法提供自动知识推理。我们提出语义属性图（SPG）作为具体化 RDF 到 LPG 模型的逻辑投影。SPG 继续使用 RDF 本体来定义投影图的类型层次结构，并根据给定的本体对其进行验证。我们提出了一个框架，可以使用两种不同的计算环境将具体化的 RDF 图转换为 SPG。我们还展示了使用 Amazon Web Services 的基于云的图迁移功能。它提供了高效的存储、快速遍历和灵活性来模拟各种现实世界的域。同时，LPG 缺乏形式化知识表示（例如本体）的支持，无法提供自动知识推理。我们提出语义属性图（SPG）作为具体化 RDF 到 LPG 模型的逻辑投影。SPG 继续使用 RDF 本体来定义投影图的类型层次结构，并根据给定的本体对其进行验证。我们提出了一个框架，可以使用两种不同的计算环境将具体化的 RDF 图转换为 SPG。我们还展示了使用 Amazon Web Services 的基于云的图迁移功能。它提供了高效的存储、快速遍历和灵活性来模拟各种现实世界的域。同时，LPG 缺乏形式化知识表示（例如本体）的支持，无法提供自动知识推理。我们提出语义属性图（SPG）作为具体化 RDF 到 LPG 模型的逻辑投影。SPG 继续使用 RDF 本体来定义投影图的类型层次结构，并根据给定的本体对其进行验证。我们提出了一个框架，可以使用两种不同的计算环境将具体化的 RDF 图转换为 SPG。我们还展示了使用 Amazon Web Services 的基于云的图迁移功能。LPG 缺乏形式化知识表示的支持，例如提供自动知识推理的本体。我们提出语义属性图（SPG）作为具体化 RDF 到 LPG 模型的逻辑投影。SPG 继续使用 RDF 本体来定义投影图的类型层次结构，并根据给定的本体对其进行验证。我们提出了一个框架，可以使用两种不同的计算环境将具体化的 RDF 图转换为 SPG。我们还展示了使用 Amazon Web Services 的基于云的图迁移功能。LPG 缺乏形式化知识表示的支持，例如提供自动知识推理的本体。我们提出语义属性图（SPG）作为具体化 RDF 到 LPG 模型的逻辑投影。SPG 继续使用 RDF 本体来定义投影图的类型层次结构，并根据给定的本体对其进行验证。我们提出了一个框架，可以使用两种不同的计算环境将具体化的 RDF 图转换为 SPG。我们还展示了使用 Amazon Web Services 的基于云的图迁移功能。我们提出了一个框架，可以使用两种不同的计算环境将具体化的 RDF 图转换为 SPG。我们还展示了使用 Amazon Web Services 的基于云的图迁移功能。我们提出了一个框架，可以使用两种不同的计算环境将具体化的 RDF 图转换为 SPG。我们还展示了使用 Amazon Web Services 的基于云的图迁移功能。