知识图谱（1）

       知识图谱旨在描述真实世界中存在的各种实体或概念，以及他们之间的关联关系。它的每一个实体用全局唯一确定的ID来标识，就如每个人都有一个身份证号码；第二个就是用属性-值对来刻画实体的内在特性，用关系来连接两个实体，刻画他们之间的关联。

      从知识图谱的一个发展史及其定义可以看出知识图谱具有5个视角优势，首先是Web视角，建⽴数据之间的语义链接、⽀持语义检索，第二个就是NLP视角，对⽂本进⾏结构化语义抽取。然后就是KR视角（知识表示），利用计算机的符号表示和处理知识。再者就是AI视角，利用知识图谱辅助理解人的语言，目前AI大部分是在垂直领域落地，会建立自己的知识库，帮助垂直领域人工智能的实施。DB视角，就是以图的方式存储知识。知识图谱展开其实是一个很大的知识网络，存储时会利用各种的图数据库存储。

      目前知识图谱应用场景分为两块，一种是通用领域，一种是垂直领域。通用领域如Google的搜索领域，国内的百度和搜狗也在搜索领域应用；还有些聊天领域，如智能机器人、智能手表。这种应用有一个特性就是依赖通用知识图谱，构建依赖国外维基百科，国内有百度百科、搜狗百科，将页面中结构化数据抽取出来构建知识图谱来支撑通用领域的问答和搜索。垂直领域应用越来越多，如金融、电商、公共安全、农业、电信等，如金融里面的反欺诈，公共安全领域的追捕犯罪分子。不管是通用领域还是垂直领域落地有几个共性条件，第一个必须有一个结构化的数据，这个数据还要高质量，尽可能的海量数据；第二在数据基础上会抽象出一个本体库，从本体层面去定义实体类型，以及表示他们的关系，第三就是有可以利用数据和本体库的智能应用场景，依据知识图谱具有的优势和现有条件来确定业务场景是否需要知识图谱。目前知识图谱支撑的领域有搜索、问答、推荐、图数据关系挖掘。

 

在智能搜索方面借助知识图谱AI+Web视角, 提升搜索意图理解；在智能推荐方面利用知识图谱的AI+DB视角；推荐相关的数据，在智能问答方面利用知识图谱NLP+AI视角，实现问答系统。