笔者会以产品经理的视角来写技术相关的文章，在前面的文章中简要的介绍了知识图谱的概念，构建以及基本应用形式。这篇文章主要介绍如何判断问答场景是否适合知识图谱。
什么是知识图谱的问答
业界通用的问答系统是以Q&A为中心构建问答，需要运营去穷举用户的所有的问题（question），然后给每个问题配上相应的答案。然后算法用Q-Qmatch解析到运营配置的问题（question）上，召回答案（answer）返回给用户。目前广泛用于语音助手，客服机器人当中，案例：三星BIXBY语音助手，小I机器人。
知识图谱的问答和是以知识为中心，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。
知识图谱的问答有哪些特点
1.可以基于海量原生知识去进行问答，QA系统的A一般是运营深度加工过的，例如很人性化的话术，图片等等
2.问答容量更大，常规的QA系统在Q超过一定数量之后算法的召回准确率会急剧下降
3.这个比较难一句话说完，问答一般是有逻辑的，QA系统一般是由运营去解析用户问题中的逻辑，知识图谱的问答可以将这个逻辑让机器去解析，简单来说就是推理。后面会有案例讲到。
4.因为是以知识为中心去做问答，对话管理模块会更好做，在信息不确定的情况下可以多轮会话，人对话的时候会经常省略一些内容，可以通过上下文做意图继承。
5.扩充实体的训练边际成本极低，运营成本极低
6.扩充schema的训练成本较高，变动成本极高
如何选择场景
价值：产生的问答效果，积累下来的领域数据，商业上能够致胜等等
成本：包括技术成本，构建成本，时间成本，后期运营成本等等
一个最基本的衡量标准是产生的价值>成本即可。
根据上述的知识图谱特点，将成本进行拆分：
挑选成本可控，价值比较明确的场景即可。
业内案例
目前工业界使用知识图谱作为主要问答解析方式的其实不多，实际应用中会更关注覆盖率，已经扩充的便捷性，而这一点恰好是QA系统的强项。
案例1：i问财-产业链推理
案例介绍，I问财本身是基于结构化知识去做问答，例如通过股票的各种知识找股票，比较复杂的产业链推理如下图所示，笔者估计，其背后是一套网罗了中国所有公司的图谱，包含了产业，产品，公司，产品和产品之间的关系，公司和产品之间的关系。通过复杂的关系网络去做知识推理，不过估计是因为语义解析成本的关系，没有做的很丰富。从这点看，可能是平衡好价值和成本。
网址：www.iwencai.com
案例2-淘宝直播
最近在看淘宝直播的小哥哥小姐姐的时候，惊奇的发现，有些主播，我问主播的一些信息的时候会有回复，例如，我让主播试一下8号宝贝，系统会返回主播已经穿过这个了，然后把之前的录播视频发你了。觉得比较有意思，有时候还问问10号宝贝有没有优惠券啥的，系统会让你领10号宝贝的优惠券。再试了一下啊，发现还能问三围什么的- -。不知道以后会不会问他的年收入都能问的出来。估摸着是手淘这边用这类知识构建的直播领域图谱，顺便做了个问答。
