点击首页的关系图谱按钮，进入搜索页面，在搜索框中输入想看的人物或事件。

全历史，是北京完美知识科技有限公司开发的一款历史学习软件。里面以各种姿态呈现了中国以及世界的历史。知识丰富，适合历史爱好者使用。

你只要搜索你想了解的人物或事物，关系图谱就会立马以浮动动效展示在你眼前，上面写满了以你搜索内容为中心的其它内容。

还有与那些内容的关系，再配合上略带科技感的边框，还真有几分科技**里的人机交互感。

进入时间地图默认背景是一副这样的世界地图，这里列举了迄今为止人类所经历的 7 个时代，选择一个你想要进入的时代，页面上就会显示该时代的世界地图以及相关时代人物及事件图标。

点击任意的国家、人物或事件，就会出现对该国家、人物或事件的介绍，让你对此加深印象。

全历史收录了世界范围内不同地域、年代、体裁、语言的古籍，共计上万本，其中包括历史社会、法律军事、经济管理、哲学宗教、科学技艺、文学艺术、古文字等，想看哪本就看哪本。

收录了中国、日本以及欧美国家，不同风格流派、题材和材质的绘画作品。

点击你想要查询了解的画作，就会出现该画的高清大图以及对它的介绍。此外，你还可以进入收藏地图，从地图上找画作。

在时间轴上点击你想了解的任一国家任一时期，会自动显示出关于该时期的概况，具体目录里又会细分到政治、经济、科技、社会、文化、军事，十分全面向我们展示了该时期的整体面貌。

“图谱”的时代

知识图谱自从2012年开始发酵，愈演愈烈，行业顶端的佼佼者纷纷发布企业知识图谱应用，知识图谱能为企业实现数据价值。只能说，图技术快速发展，业务需求不论变化与否，知识图谱是不可阻挡的趋势。2020年4月20日，国家发改委明确人工智能 “新基建” 的内涵，体现“重创新、补短板”的特征：助力传统基础设施智能化改造，提高传统基础设计的运行效率。

图1 中国知识图谱效益增长规模——艾瑞咨询

当前的人工智能其实可以简单划分为感知智能（主要集中在对于、视频以及语音的能力的探究）和认知智能（ 涉及知识推理、因果分析等）。

人工智能是新基建的重点领域，而知识图谱是认知智能的底层支撑。 知识图谱具有解释数据、推理和规划一系列人类的思考认知能力，基于大规模，关联度高的背景知识。

                                                                              ————《面向人工智能“新基建”的知识图谱行业白皮书》 

我们每天都在用知识图谱

知识图谱应用于各个领域，例如：电商（产品推荐）、医疗（智能诊断）、金融（风控）、证券（投研）。知名企业包括：Google Knowledge Graph、美团大脑、阿里巴巴·藏经阁计划、腾讯云·知识图谱 TKG等。

知识图谱在人工智能多个领域发挥重要作用：语义搜索、智能问答、辅助语言理解、辅助大数据分析、增强机器学习的可解释性、结合图卷积辅助图像分类等。同时，这也意味着技术难度大幅度增加。

知识图谱的价值

您可能会以为知识图就是捕获和管理知识的最终目的。其实，知识图擅长以自上而下的 关系连接方式显式捕获知识 。通过关系节点联系上下游关系，清楚的梳理关系网络。如下图：

图2 普适智能知识中台

高效直观地刻画目标主体（如企业、事件等）之间地关联网络，从而全维度地对企业进行画像，立体复现主体的真实情况和错综复杂的关系。其强大的互联组织能力和可视化决策推理支持，为企业资产提供底层基础。普适智能一站式“图智能”应用， 拥有打开“百窍”的能力， 具体有以下几方面的思考：

深度链接分析 有机可寻

拿我们最熟悉的金融领域举例，知识图谱常见的实体包括公司、产品、人员、相关事件等，常见的关系包括股权关系、任职关系、供应商关系、上下游关系、竞争关系等等。

这样做的好处就是，通过知识图谱的整合，让原本复杂的数据形成直观易懂的可视化图谱， 在全球经济一体化的趋势下，分析师以及投资机构很可能先人一步观察到竞争格局的改变，为寻找 新客户、新投资机会提供线索。

图3 企业上下游关系网络

多维度属性  顺藤摸瓜

知识图谱的另一个价值是“可以简单地处理多维度数据”。 目前在普适智能帮客户分析超百亿的实体（或节点）和关系（或边缘）。

图4 某股份制商业银行基金产品关系网络截图

“对于实益拥有权，我们经常会看到拥有六，七层或更多层的拥有权阶层，尤其是在像中国这样拥有大型企业的地方。” “人们必须意识到一个拥有可以处理并查询至少六到七层（如果没有更多层）的拿手工具是解决问题的真正核心。”

每个公司、个人、新闻事件都可以是一个“点”，人工智能引擎可将这些点进行聚集，对其中的相关性、相似度以及聚集程度进行多维度分析， 还原真实场景 ，才能 “顺藤摸瓜”。

图5 反欺诈图应用

例如知识图谱在传统的风险管理流程中，多通过对目标主体简单维度的特征进行严格审核，无法判断真实的关联风险。

挑战与机会

普适智能深耕于金融领域，其细分业务场景包含但不限于：反欺诈、反洗钱、盗刷排查、失联催收、外汇异常监控、信用审核等，举个具体项目中的例子：因图构建本身流程较长，再加上每个场景的图构建相对的独立，给数据反复开发，数据不连通创造了必要条件， 绕不过去的是大量企业资产成本浪费问题。

图6 传统关系网络应用的构建模式

在工程落地方面，还存在图谱建设周期长，应用构建专业程度高，跨行业迁移成本高等难题。由此带来的挑战会体现在—— 产品是否可以开箱即用 。

普适智能中台化思路

为了解决以上问题，普适智能自主研发将知识图谱构建与应用平台升级为一站式的“图智能”中台。

图7 传统关系网络应用的构建模式

一套中台和工厂模式平台的孕育而生，确保各式的场景对图不同形态的需求和保证联合查询需求。“一窍通，百窍通”，一站式“图智能”中台就是“那一窍”，以下：

打通业务场景独立图谱构建 ，减少反复开发周期成本，为传统应用形态赋能，提升服务质量和效率，简单的图应用可以在 1~2天 内实现，复杂的图应用可以在传统做法上缩短到 三分之一 ，加速企业资产的累积；

配合着打通部门数据 ，解决跨部门合作沟通周期长、配合难的问题；

图谱交互友好程度高，可视化决策辅助业务场景，更易发现 隐藏的信息 ；

赋能专家行业专家，将领域专家的行业经验的程序化，留存在平台， 企业知识资产沉淀。

实时可扩充 ，弹性十足

知识图谱中台的价值还在于灵活可扩充，建立实时敏捷、灵活可扩展、具有弹性的数据基础。 金融知识图谱直接反馈金融行业的刚性需求，由于实际中，企业数据和业务变化灵活，数据源、数据结构、数据内容随时会发生变动，对业务的理解以及对数据的解读也随之发生变化。

图8 多维数据扩展查询

如何有效的使用这些数据，需要员工具备专业的金融知识，深刻理解某个数据变动可能引发的关联、传导，知识图谱将是最得心应手的工具。

图技术是 知识图谱应用的最强弹药

企业需要能够快速支持业务中迭代式的新模式。普适智能的“图智能”中台具有计算引擎： 图计算模型、图匹配业务数据模型等， 助力企业完成这一目标。

图规则计算： (例如：与黑名单客户共用一个电话的客户是可疑欺诈客户)

图指标计算： （例如：客户两度关系内黑名单客户的比例）

图机器学习 （以图作为先验知识让特征工程更有效）

社群识别 ：标签预测（黑名单预测/潜在VIP客户预测）

图9 社区分析

最短路径 ：优化加工路径，节约数据加工成本。

图10 路径查询

“工欲善其事,必先利其器” 。普适智能一站式“图智能”应用，为描绘物理世界生产生活行为提供 有效的方法和工具 。Gartner：“图时代已经到来”，让我们一起“图”起来！

Knowledge Graph从以下三方面提升Google搜索效果：

1、找到最想要的信息。

语言可能是模棱两可的 —— 一个搜索请求可能代表多重含义，Knowledge Graph会将信息全面展现出来，让用户找到自己最想要的那种含义。现在，Google能够理解这其中的差别，并可以将搜索结果范围缩小到用户最想要的那种含义。

2、提供最全面的摘要。

有了Knowledge Graph，Google可以更好的理解用户搜索的信息，并总结出与搜索话题相关的内容。例如，当用户搜索“玛丽·居里”时，不仅可看到居里夫人的生平信息，还能获得关于其教育背景和科学发现方面的详细介绍。此外，Knowledge Graph也会帮助用户了解事物之间的关系。

3、让搜索更有深度和广度。

由于Knowledge Graph构建了一个与搜索结果相关的完整的知识体系，所以用户往往会获得意想不到的发现。在搜索中，用户可能会了解到某个新的事实或新的联系，促使其进行一系列的全新搜索查询。

市面上现在比较火的ChatGPT，以及百度即将发布的文言一心，以及其他一系列打着知识图谱旗号的产品。蓝凌基于知识图谱的智能知识管理平台采用轻量级图谱引擎，支持自上而下、自下而上两种建模方式，通过知识智能采集、加工、搜索、推荐、推送、问答等知识应用场景，帮助组织搭建智能知识库，减省人工繁琐操作，赋能组织提效降本，提升知识效益。

这个要看哪方面的知识图谱了。我比较了解的是知识图谱在知识管理这方面的应用。像蓝凌就有基于知识图谱的知识管理平台，蓝凌基于知识图谱的智能知识管理平台采用轻量级图谱引擎，支持自上而下、自下而上两种建模方式，通过知识智能采集、加工、搜索、推荐、推送、问答等知识应用场景，帮助组织搭建智能知识库，减省人工繁琐操作，赋能组织提效降本，提升知识效益。国电大渡河、江苏电力都有用，可以了解一下。

知识图谱的基本组成三要素：实体、属性、关系。实体-关系-实体 三元组；实体-属性-属性值三元组。目前的知识图谱分为两类。一类是开放域的知识图谱，另一类是垂直领域的知识图谱。比如谷歌为搜索引擎所建立的知识图谱就属于开放域的。垂直领域的知识图谱，比如说金融的，电商的。

首先就是要先处理数据。互联网上的数据基本上都是结构化的，非结构化的和半结构化的。结构数据一般就是公司的业务数据。这些数据都存储到数据库里，从库里面抽取出来做一些简单的预处理就可以拿来使用。半结构化数据和非结构化数据，比如对商品的描述，或是标题，可能是一段文本或是一张，这就是一些非结构化数据了。但它里面是存储了一些信息的，反映到的是知识图谱里的一些属性。所以需要对它里面进行一个抽取，这是构建知识图谱中比较费时费力的一个工作。

从数据里需要抽取的其实就是之前所提到的实体、属性、关系这些信息。对于实体的提取就是NLP里面的命名实体识别。这里相关的技术都比较成熟了，从之前传统的人工词典规则的方法，到现在机器学习的方法，还有深度学习的一些使用。比如说，从一段文本里面，我们提取出来比尔盖次这个实体以及微软这个实体，然后再进行一个关系提取。比尔盖次是微软的创始人，会有这么一个对应的关系。另外还有属性提取，比如比尔盖茨的国籍是美国。在这些提取完成之后都是一些比较零散的信息，然后在再加之前用结构化信息所拿到的东西以及从第三方知识库里面所拿到的信息做一个融合。

另外还需要做的是实体对齐和实体消歧。

关于实体对齐。举例来说，比尔盖茨这四个字是中文名称，Bill Gates是他的英文名称，但其实这两个指的是同一个人。由于文本的不一样，开始的时候导致这是两个实体。这就需要我们对它进行实体对齐，把它统一化。

另外是实体消歧。举例来说，苹果是一种水果，但是在某些上下文里面，它可能指的是苹果公司。这就是一个实体歧义，我们需要根据上下文对它进行实体消歧。

在完成了以上步骤之后，接下来就是本体抽取。比如之前提到的微软和苹果，它们的实体是公司。从文本里面可能无法直接提取出来，它们是公司。那么需要一些方法对他们进行抽取。然后搭建出本体库，比如说公司是一个机构，它是有这种上下流的关系的。对于平级的也需要计算一个他们的相识度，比如比尔盖茨和乔布斯在实体层面，他们是比较相似的。他们都属于人这个实体。他们跟公司的差别还是挺大的，所以需要一个相似度的计算。

在以上步骤完成之后需要对知识库进行质量评估，这是一个避免不了的人工步骤。在做完质量评估以后，最终形成知识图谱。形成知识图谱以后，有些关系可能是无法直接得到的，然后需要进行知识推理，这可以对知识图谱进行扩展。比如，猫是猫科动物。猫科动物是哺乳动物。这就可以推理出来，猫是哺乳动物。但是这个推理也不是随便就可以推出来的。比如，比尔盖茨是美国人，比尔盖茨创建了一个公司，但这个公司并不一定是美国的。