最近几年知识图谱作为人工智能领域很热门的一项技术，已经在不少领域都取得了不少成功的落地案例。不过知识图谱作为人工智能的一个底层技术，确实不如图像，语音等技术一样让人能很直观的感受到它的存在。于是乎，总会被问道：知识图谱到底能干啥？所以就来写一篇文章，来说一下我的一些认识。不涉及技术细节，就用简单来讲讲基本的概念原理。
文章将会从知识图谱是什么？知识图谱有什么特性？基于知识图谱的特性能干什么事？有哪些典型的应用。
一 什么是知识图谱
知识图谱是一种大规模的语义网络（这是比较正式的定义），通俗的来讲可以理解为，知识图谱是对现实世界的一种抽象描述，把事物表示成“点”，把事物之间的关系表示成“边”，这样就构成了一张网。事物的固有“属性”也可以被表示成“边”，属性值是另一头的点。这里的“大规模”，强调的是一种量变到质变。 只有有足够丰富的节点和关系，才能体现出知识图谱的能力。
二 知识图谱有什么特性
知识图谱的结构决定了知识图谱具有以下的特性。
1.统一的结构化的表现形式，机器可读，对人类友好。
2.含有丰富的语义信息，概念，属性，实体之间关系。
3.构建之后可以作为背景知识直接供下游应用使用。
4.丰富关联信息，天然具有图的各种特征，可以进行图的相关操作。
三 知识图谱的作用
上面已经说了知识图谱的特性，那现在算是要回答上面的 问题了。我们可以从特性出发来回答这个问题。不过其实很多应用其实都是会综合的运用图谱的不同特性。我这里就根据每一种特性
1.把领域中异构的知识结构化，构建知识间关联。主要解决领域内数据分散在多个系统，数据多样、复杂，孤岛化，且单一数据价值不高的应用场景。很显然结构化的知识，天然的把领域知识做了显性化沉淀和关联。构建起来了一张图。可以利用原生图的特征，支撑数据的挖掘，分析。
主要应用：
1）.做关系发展，实体探索，借助于图可视化工具发现一些潜在信息，潜在的关联。利用这些信息，来辅助决策。主要涉及的技术点：1.前端ui设计，前端图渲染技术。结合业务需求的定制化图展示（出于业务分析目的，按一定的属性，类型等约束进行展示）2.路径查询，探索多个实体间的路径关系。典型的产品：天眼查
2）.社团发现
发现一些相似的实体。广泛用于团伙发现，同类推荐场景。广泛用于金融行业反欺诈场景，社交推荐。主要技术点：社团搜索
3）.追溯源头
将多方数据打通，基于图中的边做拓展，即可实现源头的追溯。
2.使能机器语言认知
知识图谱有丰富的语义关系，概念，属性，关系等这些语义关系可以很好的应用到nlp相关任务上，例如分词，短语理解，文本理解等任务上。通过知识图谱可以让机器能更好的去理解自然语言，进一步的更好的理解用户的意图，文本的含义。
主要应用：
1).基础nlp任务，例如分词，文本理解；
2).对用户画像数据，对各种标签数据做数据增强。
3).搜索，问答的意图理解，推荐的用户,物品的理解；
3.提供行业背景知识。做知识引导，解决问题。
应用：垂直领域内的深度应用，比如智能客服系统，智能外呼系统利用知识图谱可以精准的回答用户的问题，可以进行复杂问题的回答。一些垂直行业内常用的传统专家系统，通过赋予他们一定的背景知识，可以很好的提升效果。
4.知识图谱使能可解释人工智能
可解释，是强人工智能的一个重要特征。当前以深度学习模型为主的人工智能应用，虽然从结果上看效果还不错。但是模型本身就是一个黑盒的不具备可解释性，这就导致在很多需要有解释性的行业，没法使用复杂的深度学习模型。比如在司法领域，医疗诊断领域，金融领域某系场景。
可解释性的应用也会很好的提升用户对系统的信任感，提升用户满意度。问答场景下，推荐场景下都可以加入解释功能。
应用：尤其是在司法，医疗领域
5.其他应用
基于知识图谱的推理，综合利用图谱中的概念上下位关系、属性类型及约束、图模型中实体间的关联关系，结合业务场景定义的关系推理规则等。可以用来做一些不一致性检测、推断补全，知识发现，商品溯源，辅助推理决策等各类推理应用。
先写到这儿吧，然后挖个坑，后面具体结合行业场景，来分行业讲讲具体在不同行业中的应用。
