02 知识图谱行业现状
知识图谱的应用价值
对复杂关系的深入挖掘和直观展示
知识图谱是符号主义人工智能的代表，核心在于对多模、多源异构数据和多维复杂关系的高效处理与可视化展示，将社会生活与生产活动中难以用数学模型直接表示的关联属性，融合成一张以关系为纽带的数据网络。通过对关系的挖掘与分析，能够找到隐藏在行为之下的关联，并进行直观的展示。基于知识图谱的上述优势，适宜解决关系复杂的问题，如深度搜索、规范业务流程、规则和经验性预测等相关研究课题。
连结主义中的深度学习算法是新一代人工智能的标志性技术，但深度学习有其局限性，侧重解决影响因素较少、但计算高度复杂的问题，而不太适宜解决影响因素较多、且掺杂众多非线性关系的问题。通过与知识图谱的配合使用，依托于行业知识与经验的深度学习将产生更多贴近产业核心的认知智能应用，有助于覆盖场景中大多数问题，形成完整的以“场景需求”为导向的人工智能解决方案，进一步实现生产力升级的终极目标。
知识图谱的典型应用
原图应用
知识图谱是人工智能应用链条的第一步，是人工智能的底层技术。知识图谱在高效数据处理和知识加工推理方面的能力，可以推动人工智能既有产品的升级或提供更有效的解决方案，同时也可以转化为新的商业产品形式。
知识图谱的产品形式可以分为原图应用和算法支撑两类。原图应用指基于知识图谱的图结构和丰富的语义关系，直接通过图谱产生价值的服务形式，例如图挖掘、关联分析等。通用知识图谱被视为下一代搜索引擎的核心技术，而行业知识图谱由于有具体场景的认知深度，能很好地满足垂直领域知识类查询的需求，如企业业务流程查询、司法领域案例查询等。算法支撑指通过知识图谱对于信息源的数据进行处理，将产出的结构化关联数据用于其他人工智能任务的算法模型训练和应用中，得到能解决具体场景问题的研判建议，形成解决办法产生价值的服务形式。
支撑其他人工智能任务：搜索、问答、推荐
知识图谱为其他人工智能任务提供算法支撑的典型应用主要包括智能问答、智能搜索和智能推荐、决策分析系统等，目前都已产生了成熟且广泛应用的商业产品，同时也是各领域知识图谱中的重要一环。基于知识图谱的智能搜索能对文本、图片、视频等复杂多元对象进行跨媒体搜索，也能实现篇章级、段落级、语句级的多粒度搜索。智能搜索让计算机更准确地识别和理解用户深层的搜索意图和需求，在知识图谱中查找出目标实体及其相关内容，对结果内容进行实体排序和分类，并以符合人类习惯的自然语言的形式展示，从而提高搜索体验。智能问答可以分为直接回答、统计回答和推理回答。基于知识图谱的智能问答能从实体和短句两个维度进行挖掘，能理解多样问法和有噪音问法，具有较高的准确率、召回率。在对话结构和流程设计上，能实现实体间上下文会话的识别与推理，最终实现更自然的人机交互。基于知识图谱的智能推荐则通过获得用户和物品的精确画像，从而实现准确的匹配和有针对性的推荐，实现场景化、任务型的推荐。
知识图谱的行业发展情况
2019年核心产品市场规模约65.0亿元，预期将迎来快速发展
随着人工智能的算法和算力不断提升，数据来源愈发广泛，大规模自动化的知识获取和全新的知识表示成为可能。与之相对应的，传统知识工程受限于知识获取阶段需要重度的人工参与，在互联网时代不再能适应整个互联网高效化、智能化应用的需要。推力和拉力的共同作用促进了知识图谱发展，其构建中的核心产业主要包括Schema三元组模型构建、实体标注等技术，知识图谱管理平台与建模服务、垂直行业的知识图谱应用产品及解决方案等。据艾瑞咨询统计推算，2019年知识图谱核心产品的市场规模约为65.0亿元，仍有较大发展空间，预计2024年将突破200亿元，年复合增长率达到20.4%。此外，知识图谱技术的应用也进一步带动传统企业智能运维效率升级，据艾瑞咨询估算，2019年中国知识图谱技术带动经济增长规模达391.8亿元，预计到2024年将突破1000亿元。
知识图谱产业链与参与者图谱
知识图谱在各领域中的应用概览
数据繁杂、单一价值有限、问题抽象需要可视化展现、五层关联维度以上的应用场景更加适合搭建知识图谱
