如字面意思，知识图谱可以拆解为“知识”和“图谱”去理解。
知识，是人们在改造天下的实践中所得到的认识和履历的总和。
图谱，是一种强调链接的存储办法。
知识图谱实在便是存储及表达知识的一种办法。
但一个知识的储存办法为什么会被单独提出来？乃至被Google作为一项技能项目单独提出来？
首先得理解知识在认知中起到的浸染。
其实在Google之前，知识图谱的前身：语义网络早在1960年代就被提出，当时是作为知识表示的一种方法被提出，紧张运用于自然措辞理解领域（让机器能够理解措辞）。
知识图谱蜕变的主要节点
正如人去理解一段话所表达的意思时，也用到了知识，比如“阿伟手上拿着刚发布的苹果”，这句话要能被精确理解，离不开对应的知识，至少得知道苹果除了是吃的，还可以是个手机牌子。
也便是说知识图谱起源是为了让机器更好的理解措辞，通过建立起知识库，这种方法企图让机器拥有更多的“知识点”，能进行更多的遐想及推理，对信息的理解更到位。
知识图谱在人工智能中充当“影象”的角色
知识的浸染不仅限于文本，对图片也一样。
解读出的感想熏染是又油又土十分可笑，这个中也利用了知识遐想，遐想了演员在社交媒体中的人设形象，当前的表情及动作，遐想了发图者与自己的关系，于是会心一笑。
二、为什么是图谱？
为什么蜕变到目前阶段，是通过图谱去存储知识，而不是传统数据库？
我认为有两点：
第一是由于图谱的存储构造足够大略，图谱通过“三元组”存储知识，即头实体、关系，尾实体组成；
比如：苹果手机是苹果公司旗下的产品，抽象成知识表达的三元组即是：
险些所有的能通过符号表示的知识都能用这个构造进行储存。
第二是由于互联思维的遍及，在强调万物互联的时期，图谱这种看重链接的存储办法能串联不同领域的知识，从而挖掘个中关系隐蔽的代价。
三、知识图谱有什么用？
目前知识图谱运用紧张有两个大方向：
1. 赞助措辞理解
知识图谱在赞助措辞理解方面起的浸染有：
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：对文中的代词做出阐明，如他和它。
个中代表性的运用如下：
（1）搜索
传统搜索只供应对网页的搜索（红框部分），图谱供应了对事物本身的描述，让结果更直不雅观，更符合查询的语义。
图谱搜索效果展示
（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. 赞助大数据剖析
图谱可以结合各种领域的知识，打造领域型的知识图谱，目前在大数据剖析方面，工业落地主要运用如下：
（1）推举
知识图谱中包含了丰富的关联性，可以为推举系统供应部分信息来源；比如常见的推举有电影推举、音乐推举。
加入图谱推举的好处紧张是可阐明性强，能基于设定好的推举路径进行精准推送。
比如小丁喜好听《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举。
（2）风控
图构造能非常好的与SNA（社交网络剖析）理论相结合，对团伙敲诈这类型的风险能起到非常好的挖掘浸染；如洗钱行为可以综合多笔交易、企业信息等看是否涌现资金搜集等。
图的上风在于能跨多度打算，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。
三、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落地运用，并没有用到知识图谱，知识图谱本身也存在着相称多的局限。
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，通过传统的数据剖析也能抓出许多问题案件；问答场景，搭建大略的问答知识库比直接建立知识图谱效率更高，投入更小。
究其缘故原由还是在于这项技能须要非常大的资源投入，须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，险些有70%的韶光投入在图谱数据的获取、洗濯、构造化上，而像知识框架的培植、图运用只占了不到30%的韶光。
2. 技能视角
上文提到，知识图谱的三元组形式能表示险些所有的符号型知识，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闇练的指法也弗成。
且知识图谱对付数据的构造化程度哀求十分之高，但现实中大部分业务数据是非构造化的，如何将非构造化数据转为构造化，而这是一道还没有被办理的业界难题，是NLP的瓶颈。
四、结语
对每项新技能，我们应看到技能未来的发展空间，同时也要看到技能在当下的局限性。
保持对技能的理解、思考与反思，才能将技能真正落地。
本文由 @产品哲思 原创发布于大家都是产品经理。未经容许，禁止转载。
题图来自Unsplash，基于 CC0 协议