一、知识图谱的本质与起源

知识图谱，顾名思义，是将知识与图谱相结合的一种存储与表达方式。其中，“知识”指的是人们在长期实践中积累的认识和经验，“图谱”则是一种强调链接和关系的存储结构。知识图谱的提出，旨在更好地存储和表达知识，以便机器能够更有效地理解和运用这些知识。

早在1960年代，知识图谱的前身——语义网络就已经被提出，并主要应用于自然语言理解领域。随着人工智能技术的不断发展，知识图谱逐渐成为一项重要的技术项目，并被广泛应用于各种场景中。

二、图谱作为知识存储方式的优势

为什么选择图谱作为存储知识的方式，而不是传统的数据库呢？这主要得益于图谱的两大优势：

首先，图谱的存储结构相对简单。它采用“三元组”的形式来存储知识，即头实体、关系和尾实体。这种结构能够清晰地表示出实体之间的关系，并且几乎所有的符号型知识都可以用这种结构进行存储。

其次，图谱注重链接的存储方式，能够串联起不同领域的知识，从而挖掘出其中隐藏的价值。在万物互联的时代背景下，图谱的这种特性显得尤为重要。

三、知识图谱有什么用？

目前知识图谱应用主要有两个大方向：

1. 辅助语言理解

知识图谱在辅助语言理解方面起的作用有：

实体消歧：对文中提到的多义词进行精准判断，如上文提到的苹果案例。

指代消解：对文中的代词做出解释，如他和它。

其中代表性的应用如下：

（1）搜索

传统搜索只提供对网页的搜索（红框部分），图谱提供了对事物本身的描述，让结果更直观，更符合查询的语义。

（2）问答

垂直领域的问答系统会涉及到许多专业知识面的问题，举个保险行业的例子：

比如当客户问到：“xx保险能不能保障脊髓灰质炎？”

知识图谱可以通过结合保险领域知识与医疗知识进行推理，从而给出精准答案。

知识推理简化示意图

2. 辅助大数据分析

图谱可以结合各类领域的知识，打造领域型的知识图谱，目前在大数据分析方面，工业落地主要应用如下：

（1）推荐

知识图谱中包含了丰富的关联性，可以为推荐系统提供部分信息来源；比如常见的推荐有电影推荐、音乐推荐。

加入图谱推荐的好处主要是可解释性强，能基于设定好的推荐路径进行精准推送。

比如小丁喜欢听《艾米莉》，《艾米莉》的乐队是回春丹，那么同个乐队的歌可以作为推荐。

（2）风控

图结构能非常好的与SNA（社交网络分析）理论相结合，对团伙欺诈这类型的风险能起到非常好的挖掘作用；如洗钱行为可以综合多笔交易、企业信息等看是否出现资金汇集等。

图的优势在于能跨多度计算，能挖出埋藏较深度的风险关系，比起传统的侦察手段对团伙作案的风险能摸查得更全面。

四、无图谱，不AI？

这句话在现阶段，大家当pr稿理解就好了，事实上很多的AI落地应用，并没有用到知识图谱，知识图谱本身也存在着相当多的局限。

1. 工业落地视角

至少在目前阶段，许多项目中知识图谱的平替方案有很多，比如风控场景，通过传统的数据分析也能抓出许多问题案件；问答场景，搭建简单的问答知识库比直接建立知识图谱效率更高，投入更小。

究其原因还是在于这项技术需要非常大的资源投入，需要大量的具有丰富业务知识的专家，图算法专家等。

实际的工业落地项目中，几乎有70%的时间投入在图谱数据的获取、清洗、结构化上，而像知识框架的建设、图应用只占了不到30%的时间。

2. 技术视角

上文提到，知识图谱的三元组形式能表示几乎所有的符号型知识，即能被很好表达的显性知识，但现实中存在着很多知识是隐性的，比如一项技能，弹钢琴光知道乐理但没有熟练的指法也不行。

且知识图谱对于数据的结构化程度要求十分之高，但现实中大部分业务数据是非结构化的，如何将非结构化数据转为结构化，而这是一道还没有被解决的业界难题，是NLP的瓶颈。

结语

对每项新技术，我们应看到技术未来的发展空间，同时也要看到技术在当下的局限性。

保持对技术的理解、思考与反思，才能将技术真正落地。