和 美 大 “家”
听说最近知识图谱很火呀？
是呀，知识图谱是目前较流行的概念
那知识图谱到底是什么呢？
给我半分钟让你轻松理解知识图谱！
01
什么是知识图谱？
知识图谱是一个将现实世界映射到数据世界，由节点和边组成的语义网络。
其中节点（Point）代表物理世界中的实体/概念（Entity/Concept），边（Edge）则代表实体的属性或它们之间的关系（Relationship）。
就像超市里摆满货物的货架，苹果挨着橙子，糖果挨着巧克力。
现实世界的实体之间充满着各种各样的联系，知识图谱就是一种合理摆放它们的方式。
知识图谱这个概念最早由 Google 于 2012 年提出，起初是为了更好的服务于搜索。当你搜索「居里夫人」（Madam Curie）时，搜索引擎会自动定位到「玛丽·居里」（Marie Curie），右侧会显示她的生卒年、配偶、子女等信息，这些都是知识图谱的功劳。
或者，你也可以把知识图谱理解成一种基于图的数据存储方式。在通用知识图谱之外，面对金融、公共安全、医疗等行业，同样可以构建属于特定领域知识图谱。
总的来说通过信息获取（Information Acquisition）、知识融合（Knowledge Fusion）以及知识加工（Knowledge Processing）等过程，将原始数据中的事实提炼、分析、形成图谱，通过构建知识图谱可以更好的查询复杂的关联信息，找到复杂关系中潜在的关联，从而完成相关工作，这也是知识图谱越来越受欢迎的原因，为了达到上述目的我们首先需要搭建起知识图谱。
图谱展示——样例
众所周知知识图谱的核心在于高效、高质量、快速的搭建知识图谱，以达到为后续应用提供服务的能力。那么在构建知识图谱的过程中我们需要考虑以下两件事：
1、图谱的存储
我们要使用知识来服务于具体的应用，首先需要把知识组织并存储下来。知识图谱目前比较流行的两种存储方式：一种是基于RDF的存储；另一种是基于图数据库的存储。一方面RDF主要考虑易发布以及共享，图数据库则重点关注高效的图查询和搜索上。另一方面，RDF以三元组的方式来存储数据忽略属性相关信息，而图数据库则以属性图为基本的表示形式，所以实体和关系可以包含属性，这就意味着更容易表达现实的业务场景。
2、基于图谱的检索能力
图谱的检索是以知识为中心，通过将用户的问题匹配到对应知识上，然后通过召回知识返回给用户，匹配算法一般使用的是 KB-QA，中间会涉及到图查询、命名实体识别（NER）、属性识别、推理引擎等技术。
基于图谱的检索需要注意两点，一点是基于传统实体和关系的检索，另外一种是基于语义标签的检索，其区别在于传统实体是物理的实实在在的实体，而基于语义标签的检索是需要通过各种规则的或者深度学习的技术来推测问题中的实体和关系具体是什么，然后进行目标检索的过程。
基于知识图谱检索的推导过程
以KBQA为例，我们来概要描述一下知识检索的过程：
问题：金卡可以使用几年？
答案：贵宾卡，有效期为5年。从发卡之日起对年对月计算，到期日为该月最后一天。（卡BIN415599老版贵宾卡卡片下方打印的有效期，如“08/08”，为该卡的贵宾资格有效期，非金融功能有效期，卡片可以正常使用。但建议客户换卡，以免商户认为该卡已经过期不再受理）。
02
基于知识图谱的智能检索还有以下优势
知识图谱的智能检索主要通过自然语言处理和知识图谱等人工智能技术，让搜索变得更加智能。
数据精度-回答准确率：知识图谱的知识来自专业人士标注，或者专业数据库的格式化抓取，这保证了数据的高准确率。
数据结构化-检索效率：知识图谱的结构化组织形式，为计算机的快速知识检索提供了格式支持。计算机可以利用结构化语言如 SQL、SPARQL 等进行较精确知识定位。
此篇我们只介绍了知识图谱的图谱存储和基于图谱的检索能力两部分，需要说明的是图谱存储和检索是知识图谱系列技术中的一环。而且需要和其它环节如图谱构建及图谱展示等结合起来才能发挥好对相关应用的支撑作用。
03
和美信息知识图谱平台
和美信息提供知识图谱高阶规划，技术上包括如何建设知识图谱平台底层系统架构、分层架构、功能菜单等打造企业级知识图谱平台。业务上从人才管理、金融服务、风控、推荐、问答、资源优化、数据管理等方向帮助银行业务升级改造，提升利润，补足短板。为银行全栈式知识图谱技术体系建设和知识图谱应用场景指明方向。
包括但不限于：基于开源技术路线图数据库图计算的优化提升、一站式图谱构建与分析工具、知识解析引擎建设、知识推理引擎建设等、平台与应用侧分工协作机制、运维管理等。另一方面为银行提供知识图谱应用场景的最佳实践原型，包括但不限于风险、推荐、智能问答等领域，业务人员可以通过该工具直接创建业务应用，实现“无感”人工智能。
联系客服
