webkit-text-stroke-width: 0px; text-decoration-style: initial; text-decoration-color: initial>人們為什么開始重視知識圖譜的發展了？

人工智能與互聯網或5G等技術本質上存在差別，后者解決的是信息的發出、傳遞、接收與反饋的閉環問題，而人工智能的本質是進行生產力升級，因此評判人工智能使用的是否有價值，要看其技術應用是否貼近生產核心。

人類生產力可以歸類為知識生產力和勞動生產力，人工智能走入產業后，可以分為感知智能、認知智能和行為智能，后兩者更與生產力相對應。以計算機視覺、語音識別為代表的感知智能應用深度學習，在算力與數據的支撐下突破了工業紅線，實現了機器對于自然界具象事物的判斷與識別，但僅僅如此并沒有觸及核心生產環節，所以也就限制了其商業應用半徑。當人們使用機器能識別更多事物的時候，自然而然的引發了，對事物背后的事理，理解、分析和決策的深層次需求，認知智能呼之欲出。

認知智能核心解決的問題是對人類文明抽象概念的識別與聯想，通過自然語言處理（NLP）技術對文字內容在語義上進行初步認知和自動抓取，經由知識圖譜對概念間的關系屬性進行聯結、轉換，從而對人類社會生產、生活行為進行描繪，實現業務規范梳理、生產流程可視化、人際關系挖掘等代表應用，這與注重經驗、邏輯和方法論累積的知識生產力產生了直接對應，而與勞動生產力相對應的行為智能同樣需要知識的指導，所以認知智能的發展才是人工智能回歸本質的表征，而搭建知識圖譜是認知智能可以參與生產的基礎錨點。

人工智能與生產力之間的關系

知識圖譜的搭建邏輯

知識圖譜從邏輯上可以分為概念層和數據層，數據層指以三元組為表現形式的客觀事實集合，而概念層是它的“上層建筑”，是經過積累沉淀的知識集合。

建設中以本體模型和實體數據庫為核心，根據二者的建設順序又分為先定義本體和數據規范，再抽取數據的“自頂向下型”和先抽取實體數據，再逐層構建本體的“自底向上型”兩種模式，前者適用于場景較為固定，存在可量化行業邏輯的領域，如金融、醫療、法律等；后者適用于新拓展的，有大量數據積累，行業邏輯難以直接展現的領域。

總體而言，搭建知識圖譜從數據源開始，經歷了知識抽取、知識融合、知識加工等步驟。原始的數據通過知識抽取或數據整合的方式轉換為三元組形式，然后三元組數據再經過實體對齊，加入數據模型，形成標準的知識表示，過程中如產生新的關系組合，通過知識推理形成新的知識形態，與原有知識共同經過質量評估，完成知識融合，最終形成完整形態上的知識圖譜。

人工智能結構拓撲圖

知識圖譜的應用價值

知識圖譜是人工智能符號學派中知識工程的代表應用，其核心價值在于對多源異構數據和多維復雜關系的處理與可視化展示。

其底層邏輯是將人類社會生活與生產活動中難以用數學模型直接表示的關聯屬性，利用語義網絡和專業領域知識進行組織存儲，形成一張以關系為紐帶的數據網絡，通過對關系的挖掘與分析，能夠找到隱藏在行為之下的利益鏈條和價值鏈條，并進行直觀的圖例展示。

在面對數據多樣、復雜，孤島化，且單一數據價值不高的應用場景時，存在關系深度搜索、規范業務流程、規則和經驗性預測等需求，使用知識圖譜解決方案將帶來最佳的應用價值。

連接主義中的深度學習算法幾乎代表了當代整個人工智能技術，但深度學習需要具有明確因果關系的數據對訓練，且存在尚缺乏解釋性的黑箱問題，在摻雜眾多非線性問題的復雜場景中應用價值有限，通過與知識圖譜的配合使用，在一定程度上可以解決此類問題，隨著關系向量法深入研究，圖神經網絡將走向產業應用，屆時依托于行業知識與經驗的深度學習將產生更多貼近產業核心的認知智能應用，人工智能技術也將跟進一步實現生產力升級的終極目標。

主要涵蓋知識圖譜、NLP和智能BI分析的大數據智能行業市場規模和結構

據艾瑞咨詢統計推算，2019年涵蓋大數據分析預測、領域知識圖譜及NLP應用的大數據智能市場規模約為106.6億元，預計2023年將突破300億元，年復合增長率為30.8%.

其中2019年市場中以金融領域和公安領域應用份額占比最大，金融領域因標準化數據積累豐富，行業認知與直接需求最為明顯等因素，成為數據智能最早落地并產生價值的行業.

公安領域經過三年的感知智能基礎設施建設，已經初步形成人工智能應用環境，在黨中央和公安部的號召指導下，公安大數據建設將成為下一階段的主題，這一趨勢也在2019年相關招標項目中得以體現。

隨著整體市場數據基礎的完善和需求喚醒，大數據智能領域規模持續走高，但在行業可落地性和理性建設的限制下，預計市場增速將呈現下降趨勢，期間咨詢性需求將會大量出現，從整體發展來看增速處于良性區間，對真正有價值的公司和產品有正向意義。

知識圖譜應用——搜索引擎領域

搜索引擎是互聯網發展中最具代表性的應用之一，它解決了人們如何方便獲取信息的問題，一度成為大部分流量的入口。但隨著網絡中信息沉積越來越多，人們真正需要的，隱藏在大量無用信息中有價值的部分，我們稱之為知識的內容，往往得不到直觀展現，這成為了搜索引擎領域重點要解決的問題。

2012年5月，谷歌率先提出知識圖譜概念，用以更好的描述現實世界中實體關聯性問題，進而提高信息搜索中的知識獲取效率，隨后搜狗、微軟、百度紛紛推出相關概念架構，知識圖譜被視為下一代搜索引擎的核心技術。

傳統搜索引擎一般采用網頁索引，按照“網頁 --（預處理）--> 臨時庫 --（索引）--> 索引好的庫 --（由用戶行為觸發檢索）--> 為用戶展示網頁結果”的流程執行，信息源來自網頁，展現內容也是網頁鏈接。而基于知識圖譜的搜索作為和網頁索引同級、并行的另一套知識索引，更注重信息間的關聯性和自然語言理解，通過圖存儲的形式從新組織互聯網中的信息，再以人類的語言習慣進行查詢和展現，從而提高搜索體驗，因為知識的存儲形式發生了變化，所以知識索引信息來源和展現載體都不再局限于網頁文字，語音交互和更加豐富的IoT場景將會是未來的發展方向。

知識圖譜在搜索引擎中的應用

知識圖譜應用——金融領域

在金融領域中無論是傳統金融或是互聯網金融，信用評估、反欺詐和風險控制都是最為關鍵的環節，隨著近些年金融數據的爆發式增長，傳統風控系統逐漸力有不逮，而應用機器學習算法和知識圖譜的智能風控系統在風險識別能力和大規模運算方面具有突出優勢，逐漸成為金融領域風控反欺詐的主要手段。

機器學習和知識圖譜相結合是目前主流的解決方案，其中機器學習算法通過概率計算的方式，以數學運算特征反應風險情況，形成易于機器計算的風控模型；而知識圖譜通過權威經驗和規則創建本體模型和抽取實體的范圍，根據實體間關系形成關聯數據網的圖譜形式，描畫囊括個人基礎信息、金融行為、社交網絡行為等用戶綜合畫像，根據畫像情況和模型對應，形成具有金融業務特性的風控體系，在解決方案的決策環節結合規則和概率的綜合評價，給出最終的風險評估，整個過程能夠實現秒級響應。

知識圖譜的應用不僅能夠為缺乏可解釋性的機器學習算法帶來必要的參考系，還可以串聯金融業務中產生的大量多源異構數據形成數據中臺，挖掘數據深層價值，為實現精準營銷、投資關系梳理、產業鏈風險預警、智能催收等上層應用打下基礎。

知識圖譜在智能金融解決方案中的應用

知識圖譜應用——投研領域

對一級市場或二級市場的投資研究，一直是泛金融領域重要的課題，上市公司或一些重要的標的公司在公開網絡中披露了眾多如財務數據、定期公告、公司研報等有價值的信息，為投資者行為提供了充分的參考依據。

傳統投研工作需要分析師通過各種渠道去搜集和判別信息，憑借個人經驗對零散的數據進行組織建模，以報告的形式產出趨勢觀點和數據分析，大部分的物料和時間成本都花費在信息和數據的搜集上，而且成果可控性不高，縱使頭部金融數據機構提供了相應的軟件產品，但數據的顆粒度和產業鏈關聯性仍難以滿足多元需求，這成為了該行業長久存在的痛點。

投研知識圖譜以公司信息、產業鏈關聯為切入點，利用NLP技術自動抓取關鍵信息，搭建投研領域知識圖譜，將各個行業的發展變化抽象導入數字層面，為知識查詢和應用開發提供實現基礎。據統計，券商研報中80%的數據指標在傳統軟件產品中無法查詢到，分析師在進入一個新領域時要耗費一周左右的時間搜集類似數據，而利用投研知識圖譜可以將其必要勞動時間縮短到一分鐘，大幅提高投研效率。

除靜態領域圖譜外，還可以利用時間序列搭建對網絡報道、新聞事件進行抓取的事理圖譜，兩相結合，從行業固有邏輯和實時信息雙管齊下，推導事情的發展脈絡和趨勢走向，為投研機構和投資者清晰的梳理關聯脈絡，為后續判斷投資機會和持倉股票風險等研判類應用提供數據支撐。

投研知識圖譜與傳統產品的對比

知識圖譜應用——司法領域

司法領域是以公檢法等國家司法機關及司法人員依照法定職權和法定程序，運用法律處理案件的專業領域。

近年，司法領域積極運用大數據、云計算、人工智能等先進技術，深入業務場景解決痛點問題，有效提升辦案質效、輔助司法管理、服務群眾訴訟，加速推進司法智慧化、數字化、現代化轉型升級。

知識圖譜的構建是實現智慧司法不可或缺的基礎工程。司法知識圖譜將法律領域中的實體、屬性和關系進行體系化梳理，并建立邏輯關聯，通過知識圖譜和大數據技術進行數據挖掘，輔助決策，洞察知識領域動態發展規律。基于司法知識圖譜，通過技術手段可實現司法業務場景的智能應用，解決“案多人少”“同案不同判”等現實問題。

目前，司法知識圖譜已廣泛運用于法律知識檢索和推送、文書自動生成、裁判結果預測預警、知識智能問答、數據可視化等方面，為司法人員辦案提供高效參考和科學依據，全新定義司法數據應用和司法智能化，凝練司法智慧，服務法治建設。

知識圖譜在司法領域中的應用

知識圖譜應用——教育領域

當前的教育場景可以劃分為教、管、學、考，主要圍繞教育者和受教育者進行授課、答疑、閱卷和學習、練習、考試等活動，本質上是通過系統化的知識傳授與強化練習，使受教育者掌握知識點的過程。

傳統教育模式以教師集中授課為主要方式，存在著特級教師資源少、優質教學資源分配不佳、教學內容和教學節奏制式化，以及作業練習布置缺乏個性化等問題。在教育信息化和線上教育發展普及之后，AI+教育的概念隨之產生，人工智能公司和教育機構希望通過利用AI技術部分解決上述痛點，以達到對教育參與者減負增效的目的。

教育領域參與個體眾多，采集到的數據駁雜且零碎，難以直接有效應用，所以目前AI技術更多應用在如拍照搜題、口語評測、課堂監控等外圍需求的工具上面，并未能有效深入到教學場景中。而類似課題推送等應用更多是將教學資源再分配，重視知識的點狀強化練習，卻不深究知識的掌握程度，以至實際使用者反饋平平。

人工智能技術真正產生生產價值，一定要建立在充分且必要的數據基礎上，搭建貫穿教材知識體系、教學資源管理和受教育者學習軌跡的知識圖譜，將教與學的全過程進行可視化展現，使靜態知識點數據與動態教學活動（如考試、作業等）數據產生關聯，為算法應用提供支撐環境，是AI+教育能落地到產業核心的關鍵前提。