【摘　要】知识图谱是研究的热点主题，知识图谱揭示了实体之间的关系。它可以很好地描述现实世界的事物和它们之间的潜在的一些关系。随着智能信息时代的持续发展，知识图谱得到了广泛传播，应用到智能搜索、智能问答、个性化建议、大数据安全控制、投资推荐、智能医学、自适应培训和其他领域。

　　【关键词】知识图谱；实体关系；智能搜索

　　知识图谱的概念的提出主要是为了解决当时搜索引擎不准确，不能很好地满足用户需求的问题。它与之前使用关键词来进行搜索的搜索引擎不一样，知识图谱可以更好地查询复杂信息之间的关联，理解语义级别的内容，从用户的意图出发来提高搜索质量。

　　一、知识图谱的表示

　　通过学习知识代表性而呈现的扩展过程可以很快计算出两个实体之间的语义相似性，这对于自然语言处理和信息检索工作的许多工作都是非常重要的。我们可以补全知识图谱，用来补充和丰富各实体之间的关系，它也可以应用于筛选、自动回答问题、绘制实体链以及其他拥有巨大重要性的任务。

　　知识表示学习的优点是可以极大提高计算效率，通过表示学习获得的分布运算和其他操作可以有效应用语义方程计算和其他操作，显著提高计算效率，有效减少数据分歧，并实现非均匀化。

　　二、知识图谱的存储

　　RDF存储格式和图数库是知识图谱存储的两个重要方式。当要存储知图谱设计与结构想多比较简单时，并且此查询不含高于相关查询级别。但是，对于一些些复杂的网络来说，知识图谱的好处是很明显的。首先，与传统的存储方式相比，其效率会显著提升。关系存储方式的灵活性很差，其关系都是事先设定的。设定好滞后于还想重新修改，成本会很高，最后，储存在图表数据结构中的实体和关系是最能适应整个逻辑的最佳方式。

　　三、知识图谱的应用

　　（1）基于知识图谱的通用或领域百科

　　通用知识图谱和领域知识图谱是知识图谱的两种主要类型。它们的差异主要体现在应用领域和使用的方式上，通用知识图谱包含范围广，包含的通常是一些通用的知识，领域知识图谱也称为行业知识图谱或垂直知识图谱，通常专注于特定区域，可以被视为基于语义技术的行业知识库。由于其基于工业数据创建的严格而丰富的数据模型，因此对该领域知识的深度和准确性有更高的要求。

　　（2）基于知识图谱的语义搜索

　　知识图谱是客观世界中知识的形式化表示形式，它把字符串分隔成一个个事件，在知识图谱的支持下，当前基于关键字的搜索技术可以升级为存在关系搜索，这称为语义搜索，语义搜索可以很好地理解用户语言中所包含的关键信息和所要表达的意图，而非从关键字中提取部分信息从而找到包含这些文字或之对应的文档或网页链接。

　　（3）基于知识图谱的智能问答

　　问题问答是一种先进的信息服务形式，使计算机能够自动回答用户的问题，与当前使用的搜索引擎不同，问题问答系统可以很好地理解用户提出问题中文字所包含的语义，从而能够更好地执行搜索功能，为用户提供恰当准确的答案，其中语音识别技术是问答系统中一个关键技术，它通过理解语义，将声音转化为文字，并通过分析获取文字中的信息，从而理解文字中所表达的意思。

　　（4）基于知识图谱的推荐系统

　　在大多数推荐方案中，元素可以包含丰富的知识信息，并且描述该知识的网络结构称为知识图谱，通过知识图谱获取到物品 相关的信息，当搜索该物品时，同时将与之相关的物品信息推荐给用户，往往能为用户的选择提供丰富的参考。

　　（5）基于知识图谱的风控系统

　　在金融行业，人们更加重视风险控制，而风险主要在于人。 如何知道一个人是高风险者还是非法生产者，就可以通过用户的交易和社交信息来获取信息，并使用地图查找欺诈组或高风险属性。

　　四、知识图谱的挑战

　　知识图谱尚未在工业行业中广泛使用，尽管一些公司试图朝这个方向发展，但许多公司仍在研究中，可以从当前趋势轻松预测到知识图谱将在未来几年扮演着越来越重要的角色，当然，知识图谱是一个相对较新的工具，因此在实际应用中或多或少地带来挑战。。

　　（1）数据的噪声

　　数据中存在很多噪声，即使数据已经存在于数据库中，我们也不能保证数据的准确性是100％。主要有两个方面：

　　第一，收集到的数据本身有错误，因此 纠正这一错误数据的最简单方法是进行脱机不一致检查。第二， 数据存在冗余。

　　（2）知识推理

　　推理能力是人类智力的重要特征，它使我们能够从现有知识中找到隐藏的知识。一般思维通常需要一些规则的支持，当信息很多时，最重要的是如何有效地将信息与算法结合起来。

　　（3）构建有效的生态闭环是关键

　　即使我们可以获得的数据量非常大，我们仍然面临样本量小的问题。比方说我们需要建立一个基于机器学习的防欺诈系统，我们首先需要一些骗局样本，但是我们可以获得的骗局样本数量并不多。即使有数以百万计的贷款申请，也可能最终只会有很少一部分被我们称为骗局的样本。这对于机器学习建模来说是一个更大的挑战。我们以非常高的成本获得每个骗局的样本。时间我们当然会收集更多的样本，但是样本的增长空间仍然有限，这不同于传统的学习系统，例如图像识别，不难获得数十万甚至数百万个样本。

　　五、总结

　　在学术界和工业界知识图谱受到了越来越多关注，除了本文提到的应用之外，知识图谱还可以用于其它领，这些需要研究者们进一步探究。

　　参考文献：

　　[1] 知识图谱研究进展[J]. 漆桂林,高桓,吴天星. 情报工程.

　　2017(01)

　　[2] 知识图谱技术综述[J]. 徐增林,盛泳潘,贺丽荣,王雅芳.

　　电子科技大学学报. 2016(04)