1.4 知识图谱应用场景

知识图谱为互联网上多源、异构、海量、动态数据的表达、组织、管理以及利用等提供了一种更为有效的方式，其数据存储和处理技术可以帮助人工智能对真实世界中复杂、相互联结的数据进行理解及处理。通过推理，人工智能的智能化水平更高，更加接近于人类的认知思维。

接下来，我们选择智能搜索、推荐系统、知识问答、推理决策等具体的应用场景对知识图谱用途进行详细分析。

1.4.1 智能搜索

随着网络信息的爆炸式增长，传统搜索引擎存在只能机械地比对查询词和网页之间的匹配关系，无法真正理解用户查询内容等瓶颈，其结果与效率已经明显跟不上用户的需求。而基于知识图谱的智能搜索技术透过现象看本质，不再拘泥于用户所输入请求语句的字面本身，而是准确地捕捉到用户输入语句背后的真实意图，从而更准确地向用户返回最符合其需求的搜索结果。

知识图谱通过对实体、关系和用户的理解，能够分析实体之间的交互行为，帮助获取准确的答案，帮助用户更高效地发现信息资源，甚至顺着知识图谱可以探索更深入、广泛和完整的知识体系，让用户获得意想不到的知识。

基于知识图谱的智能搜索是一种长尾搜索，搜索引擎以知识卡片的形式将搜索结果展现出来。用户的查询请求将经过查询式语义理解与知识检索两个阶段，并给出具有重要性排序的完整知识体系。

第11章给出了基于知识图谱的智能搜索实践。

1.4.2 推荐系统

推荐系统是一种信息过滤系统，代替用户对未接触过的事物进行评判。知识图谱可以引入事物的语义信息，提高推荐的相关性、多样性与可解释性。

随着知识图谱的引入，信息和标签之间的关联性大大提高。从多个维度出发，知识图谱增加了推荐的相关性，也丰富了推荐的多样性，同时使推荐的结果可以进行合理的解释，真正做到个性化推荐。除此以外，用户也可以自定义知识图谱的推荐规则，使推荐结果更加个性化。例如在一些视频App中，用户可以告知系统其推荐的视频不合喜好，以及不被喜欢的原因，这样，推荐系统在之后的推荐中就会避开这一类的内容。

随着用户基数、用户数据和用户需求等的不断增加，我们相信基于知识图谱的推荐系统也将有更为广泛的研究和应用前景，包括知识融合、知识推理等知识图谱的独特技术将会为推荐系统注入更精准、更全面、更智能的血液。

第12章给出了基于知识图谱的图书推荐系统实践，包含了更多有关推荐系统的细节。

1.4.3 知识问答

传统的问答系统与传统搜索引擎的缺点一样，缺乏对文本语义深层次的分析和处理，因此也难以实现知识的深层逻辑推理，无法达到人工智能的高级目标。

知识图谱可以通过知识抽取、关联、融合等手段，将互联网文本转化为结构化的知识，利用实体以及实体间的语义关系对整个互联网文本内容进行描述和表示，从数据源头对信息进行深度的挖掘和理解。而使用问句语义解析、语义表示技术，并结合知识推理与深度学习算法，最终实际提高智能问答系统的智能程度。因为知识图谱的构建是源自海量数据的整合处理，所以避免了跨领域问题查询偏差，让问答系统的结果更加准确和可靠。

第13～15章介绍了知识图谱在开放领域、交通领域以及汽车领域的知识问答实践。

1.4.4 推理决策

知识图谱利用知识融合与知识推理技术，分析查询信息冲突以及企业间的联系，更快地发现信息中潜在的规律与联系，在反欺诈、企业风险评估等金融领域的应用颇为广泛。

实际上，知识图谱利用其强大的关系连接能力，可以将信息整合为一体，从一点穿透到信息潜在的关联部分，尤其是通过三四层连接相连的元素。像金融这种垂直应用领域，知识图谱的天然优势将得到极大发挥，但这类领域对知识图谱的构建质量也提出了更高的要求。

第16章介绍了知识图谱实践的金融决策内容，由于金融数据的隐私性，因此我们按照基本信息模拟了相关数据，以讲解知识图谱下的金融决策实践。