一、报告摘要
面向业务场景，知识图谱应用趋势分析
- 知识图谱面向业务场景，强调行业知识与知识图谱的结合，实现在业务场景中的落地应用；
- 知识图谱的核心优势体现在对于实体、属性等客观世界事物的关联关系分析，尤其是隐性关系识别，可应用于辅助决策；
- 基于知识图谱构建的领域知识库应用，有效沉淀行业知识，赋能多业务场景；
- 注重行业知识图谱和关系挖掘，是人工智能在行业中更深层的落地应用。
最佳实践案例，对于知识图谱构建有重要指导意义
- 知识图谱已经在垂直领域内有一定的成功应用案例，本报告总结在金融行业、医疗与医药行业、政府与公共服务行业以及能源与工业行业中六个应用场景的最佳实践案例；
- 最佳实践案例对于知识图谱落地有重要的指导意义，企业可根据同行业内最佳实践案例制定符合自身业务需求的知识图谱解决方案，实现快速落地、及时应用。
从感知智能到认知智能，知识图谱是关键一步
- 认知智能时代的到来，是在感知智能之上，提高了AI的理解分析能力。知识图谱起到重要的支撑作用。在认知智能阶段，机器能够通过知识图谱挖掘隐性关系，洞察难以发现的关系和逻辑，用于最终的业务决策。
1.知识图谱技术概览
1.1 知识图谱概述
1.1.1知识图谱定义
知识图谱即Knowledge Graph，以结构化的方式描述客观世界中实体、概念、事件以及之间的关系。其中，实体是指客观世界的具体事物；概念是指人类对于客观事物的概念化描述表示；事件是指发生在客观世界的活动，而关系则指实体、概念、事件之间客观存在的关联。
知识图谱技术是指在建立知识图谱中使用的技术，是融合认知计算、知识表示与推理、信息检索与抽取、自然语言处理与语义Web、数据挖掘与机器学习等技术的交叉研究。知识图谱技术包括知识表示、知识图谱构建和知识图谱应用三方面的研究内容：
- 知识表示研究客观世界知识的建模，以方便机器识别和理解，既要考虑知识的表示与存储，又要考虑知识的使用和计算；
- 知识图谱构建解决如何建立计算机算法从客观世界或者互联网的各种数据资源中获取客观世界的知识，主要研究使用何种数据和方法抽取何种知识；
- 知识图谱应用主要研究如何利用知识图谱建立基于知识的智能服务系统，更好地解决实际应用问题。
1.1.2 知识图谱发展历程
谷歌于2012年正式提出知识图谱（Knowledge Graph）概念，并应用在智能搜索领域。知识图谱（Knowledge Graph）本质是以图的形式表现实体（概念、事物、人）及其关系的知识库，可看作有向图结构的网络。目前，知识图谱技术已在智能搜索、智能问答、网络分析、决策辅助、推荐系统等领域广泛应用。
通过知识图谱的发展历程可以看出，知识图谱是知识工程不断发展衍生出的新一代知识工程技术。2012年谷歌知识图谱项目之后，知识图谱技术快速发展，目前已形成在多垂直领域的行业应用。
1.1.3 知识图谱的构建体系
知识图谱构建过程主要分为自顶向下（top-down）与自底向上（bottom-up）两种方式。两种方式的主要区别在于，在构建的过程中是否先定义本体与数据模式。目前，大多数知识图谱采用自底向上的方式进行构建。
在知识图谱的构建过程中，存在几项关键步骤，即知识抽取、知识表示、知识融合、知识推理、知识存储以及知识图谱应用等。
其中，知识抽取与知识融合环节是知识图谱构建的基础。通过客户数据库或公开网络获取到多源异构数据具有冗余、噪声、不确定性等特征，前期的数据清洗工作并不能实际解决这些问题，需要对相关数据抽取后进行融合操作并对质量进行评估，以便及时知识更新，保证知识图谱的准确性。同时，已有知识构建数据模型形成数据规范作用于知识表示的过程可以及时对数据模型进行修订，保证数据模型针对特定数据的实时性与有效性。
知识图谱的前期构建过程即知识抽取与知识融合，各厂商在技术层面大致趋同，更多的是基于人力与时间的投入。知识图谱发展至今，决定应用效果的更多是应用模型，即特定应用场景下相对应的应用模型。
1.1.4 知识图谱应用特性
知识图谱技术源于语义网络，经过半个世纪的发展，融合本体论、群体智能使得知识图谱又形成自身特点。在实际业务应用中，知识图谱技术有以下特征：
-
可视化：知识图谱作为图类型知识库，本身具备可视化特性。知识图谱可以将多实体间的关系通过图形的方式进行显示。目前，通过知识图谱技术分析展示实体间关联关系已在多领域有广泛的应用；
-
准确性：知识图谱构建的语义网络中具有多种语义关系，多角度挖掘信息，保证相关信息的准确性；
-
关联分析：知识图谱本身具备“边”的概念，强调实体间的关联与属性。在实际业务场景中，利用知识图谱技术能快速有效地发现无关实体间的隐性关联关系。目前，关联分析在金融行业的营销与风控，政府与公共服务行业智能刑侦、智能经侦、治安管理、政务数字化等多领域有广泛应用；
-
拓展性：知识图谱本身的构建方式决定其本身具有良好的拓展性，当形成某细分领域知识图谱后可在此领域内快速拓展。同时，不同领域间知识图谱也有一定的拓展性，本身知识抽取与知识融合阶段对领域业务知识依赖有限，决定知识图谱领域内应用效果的关键因素是上层业务模型；
-
可解释性：弥补机器学习的不足，知识图谱本身与人类认知类似，通过实体、关系、属性去认知世界，同时知识图谱目前均为大规模知识库，语义丰富，将搜索问题与答案相连接，提供解释性的来源；
-
知识学习：通过推理、标注、纠错等具有反馈能力的学习机制，快速积累沉淀行业知识，形成领域知识库，降低行业经验的依赖性。
