知识。与此同时,知识图谱的数据结构与人工智能领域许多技术任务所基于的数据一脉相承
(异质结构多关联的大数据),可以为后续的机器学习和推理任务提供强有力的支持,帮助
企业在智能搜索、智能问答、智能推荐、以及大数据分析这几个方面提升性能。
智能搜索:传统的搜索引擎依靠网页之间的链接和权重进行搜索排序,而知识图谱提供
了实体的分类、属性和关系的描述,从而可以直接对事物进行更精准的语义搜索。
智能问答:基于知识图谱的智能问答是目前产业界问答系统的主要技术路线之一,即对
于给定的自然语言问题,利用知识图谱技术进行语义的解析、查询、推理以得出答案。该技
术常见于智能手机或音箱载体上的智能对话机器人,如 Siri、Google Assistant、Amazon
Alexa、小爱同学、天猫精灵,以及微软的小冰、小娜等,这些智能问答 agent 的背后都
有相关企业各自积累的知识图谱作为问答系统的支撑。
智能推荐:基于知识图谱的推荐能更好将用户与被推荐项目之间的各种相互联系考虑进
来,可以增强数据的语义信息、挖掘隐藏的关联信息,进一步提高推荐的准确度。
大数据分析:基于知识图谱中实体的关联信息和推理,我们能挖掘出传统数据分析较难
得到的隐含信息,该优势在存在大量异构信息的数据集中更为显著。基于知识图谱的大数据
关联分析在金融风控、反欺诈乃至安防等应用场景中都有很好的效果。
近年来,知识图谱的诸多优势和应用前景使得面向特定领域的知识图谱构建在行业应用
中得到推广,产生了如医疗知识图谱、金融知识图谱、电商图谱等不同的垂直行业的知识图
谱形态。