对不起，知识图谱我都不知道，我是不是落伍了

知识图谱的由来

知识图谱概念是google在2012年提出的，当时主要是为了将传统的keyword-base搜索模型向基于语义的搜索升级。知识图谱可以用来更好的查询复杂的关联信息，从语义层面理解用户意图，改进搜索质量。

维基百科比较专业的介绍如下：

知识图谱，也称为科学知识图谱，它通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。科学知识图谱已经历了从二维图表、三维构型(3DCN)、多维尺度图谱(MDSM)、社会网络分析图谱(SNAM)、自组织映射图谱(SOM)、寻径网络图谱(PFNET)等几个发展阶段。

结合网络资料和自己的理解通俗描述如下：

通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络。知识图谱基于数据源提供了从“关系”的角度去分析问题的能力。知识图谱在国内属于一个相对新兴的概念，目前国内paper都比较有限，应用方主要集中在BAT这类手握海量数据的企业。

知识图谱的应用价值

知识图谱最大的优势是在于对数据的描述能力非常强大，各种机器学习算法虽然在预测能力上不错，但是在描述能力上非常弱，知识图谱刚好填补了这部分空缺。从技术业务的角度来说，知识图谱应用的价值本质上是大数据+AI技术+现实场景的产物。

通用和领域知识图谱

知识图谱分为通用知识图谱与领域知识图谱两类，两类图谱本质相同，其区别主要体现在覆盖范围与使用方式上。

通用知识图谱可以形象地看成一个面向通用领域的结构化的百科知识库，其中包含了大量的现实世界中的常识性知识，覆盖面广。

领域知识图谱又叫行业知识图谱或垂直知识图谱，通常面向某一特定领域，可看成是一个基于语义技术的行业知识库，因其基于行业数据构建，有着严格而丰富的数据模式，所以对该领域知识的深度、知识准确性有着更高的要求。

语义集成

语义集成的目标就是将不同知识图谱融合为一个统一、一致、简洁的形式,为使用不同知识图谱的应用程序间的交互提供语义互操作性。常用技术方法包括本体匹配(也称为本体 映射)、实例匹配(也称为实体对齐、对象共指消解)以及知识融合等。语义集成是知识图谱研究中的一个核心问题，对于链接数据和知识融合至关重要。语义集成研究对于提升基于知识图谱的信息服务水平和智能化程度，推动语义网以及人工智能、数据库、自然语言处理等相关领域的研究发展，具有重要的理论价值和广泛的应用前景,可以创造巨大的社会和经济效益。

语义搜索

知识图谱是对客观世界认识的形式化表示，将字符串映射为客观事件的事务(实体、事件以及之间的关系)。当前基于关键词的搜索技术在知识图谱的知识支持下可以上升到基于实体和关系的检索，称之为语义搜索。语义搜索利用知识图谱可以准确地捕捉用户搜索意图，借助于知识图谱，直接给出满足用户搜索意图的答案，而不是包含关键词的相关网页的链接。

基于知识的问答

问答系统(Question Answering, QA)是指让计算机自动回答用户所提出的问题，是信息服务的一种高级形式。不同于现有的搜索引擎,问答系统返回用户的不再是基于关键词匹配的相关文档排序,而是精准的自然语言形式的答案。华盛顿大学图灵中心主任 Etzioni 教授 2011 年曾在 Nature 上发表文章《SearchNeedsa Shake-Up》,其中明确指出:“以直接而准确的方式回答用户自然语言提问的自动问答系统将构成下一代搜索引擎的基本形态”[Etzioni O., 2011]。因此,问答系统被看做是未来信息服务的颠覆性技术之一，被认为是机器具备语言理解能力的主要验证手段之一。

国内外公司落地探索应用

下图整理了国内外落地探索相关应用，请君细品