经典三元组模型比较简单，只讨论了二元关系，在实际应用中要基于三元组拓展时空知识表达能力，多模态等。需要将其拓展成四元组，五元组
1）RDF
RDF就是资源描述框架，可以理解成一种资源表示的模板，就是一种知识表达形式。就是只有实体及关系没有概念（domain和range）.形式上也就是大家最常见的<实体-关系/属性-实体/属性值>三元组。
RDF是一种逻辑模型，要进行存储还要进行序列化。RDF的序列化方式有N-Triples，Turtle，JSON-LD等形式。
但是RDF本身有其问题：Rdf只能表示实体与实体之间的关系，属性。但是没法定义实体的概念，概念具有的属性。但是不论是在智能的概念上，还是在现实的应用当中，概念都是相当重要的；也是知识图谱本身十分强调的。
2）RDFs
RDFschema就是为了解决RDF表示法，无法表示概念的缺陷的。RDFschema像是在RDF上层加了个外衣。定义了概念，概念的属性，属性值，概念与概念之间的关系以及约束关系。具体定义的schema的存在也让图谱具备了一些基于本体的推理能力。
3）OWL
OWL，即“WebOntologyLanguage”。是对RDFs的一个扩展，添加了额外的预定义词汇。使其具备更强的推理能力。
复杂关系表示：经典三元组模型只能对于一些复杂的知
1）多元关系
比如典型的事件描述场景
2）时空知识表示
需要五元组来表示。例如：公元前407年柏拉图在雅典跟随苏格拉底学习。为了表达这个，把三元组拓展成5元组<亚里士多德，导师，柏拉图>。被拓展成<亚里士多德，导师，柏拉图，（北纬38，东经23），公元前407年>的五元组。
3）多模态的表示
1.有向图
RDF模型可以天然的转化成有向图模型。所以基于RDF模型的图谱，也可以通过转化，存到图数据库中。
2.属性图
属性图示目前被图数据库业界采纳最广的一种图数据模型。属性图由节点集和边集组成，且满足如下性质：
1）每个节点具有唯一的id
2）每个节点具有一组属性，每个属性是一个键值对；
3）每条边具有唯一的id
4）每条边具有一个标签，表示联系
5）每条边具有一组属性，每个属性是一个键值对
1.关系表方式存储
可以选择的数据库有传统的关系型数据库，noSql数据库例如mongoDB。优点：简单，方便。缺点：需要做多次自连接，对于查询复杂的关系，效率会比较低。
2.图数据库
目前业界主要利用属性图模型来构建的。基于图的存储方式通常会构建基于图结构的索引。这类索引编码了图上的结构信息，因此对于复杂查询（特别是表达复杂的子图的查询）来说十分高效。但是在简单查询如直接查询某个实体的特定属性值方面性能优势并不明显，对于属性值多的节点，可能还比较慢。当然也有一些优化方法，比如把属性存储在mongoDB。查属性时通过mongoDB去查。
3.分布式存储
1.SPARQL
是专门针对RDF模式表示的图谱的查询语言。是一种类SQL的语言。SPARQL能够让我们通过选择、抽取等方式从被表示为RDF的知识中获取特定的部分。使用sparkql需要将三元组存储于三元组存储库(triplestore)。当数据被加载进三元组存储库之后，就可以使用SPARQL协议来发送SPARQL查询去查询。
2.Cypher
Cypher是一个描述性的图形查询语言，允许不必编写图形结构的遍历代码对图形存储有表现力和效率的查询，和SQL很相似。大家熟悉的neo4j的语言就是cypher。
3.Gremlin
图谱数据的数据库选择主要考虑图谱操作的复杂度。图谱上的操作越是复杂，图数据库的必要性越是明显。图谱上的全局计算（比如平均最短路径的计算），图谱上的复杂遍历，图谱上的复杂子图查询等等都涉及图上的多步遍历。图上的多步遍历操作如果是在关系数据库上实现需要多个联结（Join）操作。多个联结操作的优化一直以来是关系数据库的难题。图数据库系统实现时针对多步遍历做了大量优化，能够实现高效图遍历操作。