多領域發揮重要作用

知識圖譜本質上是基于語義網絡（semantic network）的知識庫，旨在描述客觀世界的概念、實體、事件及其之間的關系。

知識圖譜（Knowledge Graph）的概念最先是由谷歌于2012年正式提出，主要用來支撐下一代搜索和在線廣告業務。2013年以后知識圖譜開始在學術界和業界普及，并在搜索、智能問答、情報分析、金融等領域應用中發揮重要作用。

生命科學：降低研發診斷成本

由于研發新藥花費較高，醫藥公司非常關注如何縮短新藥研制周期，降低研發成本。歐盟第七框架下的開放藥品平臺Open Phacts項目，就是利用來自實驗室的理化數據、各種期刊文獻中的研究成果以及各種開放數據，包括Clinical Trials.org，美國開放數據中的臨床實驗數據，來加速藥物研制中的分子篩選工作，已吸引輝瑞和諾華等制藥巨頭參與。

Watson取得巨大成功之后，IBM成立了Watson group（事業部），對各種行業進行認知突破。其中在醫療方面，IBM啟動了登月計劃（moon shot），通過整合大量醫療文獻和書籍以及各種EMR（電子病歷）來獲取海量高質量的醫療知識，并基于這些知識向醫護人員提供輔助臨床決策和用藥安全等方面的應用。

金融：識別及預防欺詐

金融僅次于醫療，是知識圖譜應用最廣泛的領域，在反欺詐、搜索和營銷方面均有深入應用。

國外的Datafox和Spiderbook，國內的通聯數據等，通過從互聯網提取上市公司的相關數據，包括產品、公司供應鏈關系、競爭對手關系等，整合為知識圖譜幫助企業或投資機構進行全網數據的關聯分析、影響傳播和預測。

反欺詐在金融風控中舉足輕重，但基于大數據的反欺詐存在兩個難點：一是如何整合不同來源的結構化和非結構化數據，并有效地識別出身份造假、團體欺詐、代辦包裝等欺詐案件。二是不少欺詐案件涉及復雜的關系網絡，如組團欺詐。

知識圖譜是基于關系的表達方式，可輕松解決以上兩個問題，因此在反欺詐中獲得廣泛應用。首先，知識圖譜可以提供非常便捷的方式來添加新的數據源。其次，知識圖譜本身是直觀的關系表達方式，可以幫助更有效地分析復雜關系中存在的特定的潛在風險。

農業：多媒體知識指導

大量的農業資料以不同格式分散存儲，傳統的關系數據庫模式不適用于復雜多變的領域，無法實現定義所有可能的知識點并構建關鍵數據庫模式，而知識圖譜這種更加靈活的知識表示模型可以實現管理。利用抽取挖掘技術從各種多源異構數據中獲取相應的知識，并用統一圖譜進行表示，形成完整的知識庫，刻畫作物知識、土壤知識、肥料知識、疾病知識和天氣知識等。通過圖譜關聯到圖片信息，形成多媒體知識圖譜，病變圖片信息相比專業知識更加直觀，也更方便農民使用。

賦能認知智能

知識圖譜對于人工智能的價值在于讓機器具備了認知能力。機器認知智能在應用方面是廣泛、多樣的，體現在精準分析、智慧搜索、智能推薦、智能解釋、更自然的人機交互和深層關系推理等多個方面。

智能分析

由于缺乏諸如知識圖譜此類背景知識，各類工具理解大數據的手段有限，限制了基于大數據的精準與精細分析，大大降低了大數據的潛在價值。因此盡管越來越多的行業或者企業積累了規模可觀的數據，但這些數據非但未能創造價值，甚至可能因消耗大量的運維成本而成為負資產。

知識圖譜的發展提供了強大的背景知識支撐，可以賦能輿情分析、商業洞察、軍事情報分析和商業情報分析此類基于大數據的精準分析。

知識圖譜和基于此的認知智能為精細分析提供了可能。如汽車制造廠商等制造企業都希望實現個性化制造運用于精細分析案例。知識圖譜構建關于汽車評價的背景知識，如汽車的車型、車飾、動力、能耗等，提取消費者對汽車的褒貶態度、消費者改進建議、競爭品牌等評價與反饋，并以此為據實現按需與個性化定制。

自然人機交互

人機交互將會變得更簡單自然。自然人機交互包括自然語言問答、對話、體感交互、表情交互等，需要機器能夠理解人類的自然語言，要求其具有較高認知智能水平及強大的背景知識。會話式(Conversational UI)、問答式(QA)交互將逐步代替傳統的關鍵字搜索式交互。未來，Google NOW、siri、amazon Alexa等語音助手及下一代對話機器人將代替我們閱讀、瀏覽，甚至代替我們看電影、電視劇，然后回答我們所關心的任何問題。

深刻影響社會結構

以深度學習為代表的人工智能獲得巨大進展，但深度學習的不透明性、不可解釋性已成為制約其發展的障礙，“理解”與“解釋”是人工智能需要攻克的下一個挑戰，而知識圖譜為“可解釋的人工智能”提供了全新的視角和機遇，并帶來新科技、商業和社會新紀元—認知時代的黎明。

對于人類而言，知識圖譜賦能人工智能之后，將增強人類的能力，讓我們可以理解和運作社會中復雜的系統，提升我們駕馭科技的能力，改善人類的生存環境，人類與機器的交互將更加自然、有預見性、有情感性。

審核編輯 黃昊宇