36、知识图谱的四大应用领域：重塑日常与企业运营

知识图谱的四大应用领域：重塑日常与企业运营

1. 知识图谱应用概述

构建知识图谱是一项具有挑战性且成本较高的工作，因此其构建并非仅仅为了图谱本身，而是为了驱动各类应用。知识图谱的应用领域极为广泛，难以全面涵盖。接下来，我们将简要介绍四个日益普及且对日常生活产生重大影响的主要应用领域。

2. 搜索引擎：从搜索到查询回答的转变

早期，搜索引擎基于统计信息检索方法来检索网页文档，用户需要在搜索结果中自行寻找答案。自 2012 年起，这一模式开始转变，搜索引擎致力于将用户留在平台上，直接在搜索结果页面提供问题的答案，而非仅列出可能包含答案的网页。

知识图谱技术推动了搜索引擎向查询回答引擎的转变。以 Google 为例，其 Google Knowledge Graph 由多种异构数据源构建而成，包括数十亿个使用 schema.org 进行语义标注的网页。借助该图谱，用户无需访问 Google 之外的网页，就能得到问题的答案，例如查询“爱因斯坦去世时多少岁”。

其他主要搜索引擎也在朝着相同方向发展。Microsoft Bing 利用 Microsoft Knowledge Graph（包含数十亿条陈述）回答类似问题；Yahoo! 也开发了知识图谱，为 Yahoo Finance、News 和 Search 等应用提供支持。

2.1 搜索引擎应用流程

• 用户输入查询问题。
• 搜索引擎通过知识图谱解析问题。
• 从知识图谱中提取相关信息。
• 在搜索结果页面直接呈现答案。

3. 虚拟助手

智能虚拟助手是人工智能领域中极为普及的应用之一，它能接收用户的自然语言指令并执行相应任务。虚拟助手的成功通常取决于两个因素：
- 对自然语言指令的理解和自然语言响应的生成能力：随着机器学习的发展和计算能力的提升，这方面的技术已趋于主流。
- 执行任务所需的知识量：知识图谱技术在这方面起着关键作用。

Google Assistant 自诞生以来就由 Google Knowledge Graph 提供支持，作为庞大的知识源为用户提供答案。其他虚拟助手提供商也纷纷效仿，如 Apple 正在 Apple Knowledge Platform 项目下开发知识图谱以支持 Siri，Amazon 则允许用 Amazon Knowledge Graph 为 Alexa Skills 提供支持。

一些小型公司也完全基于知识图谱构建对话产品。例如，奥地利初创公司 Onlim 利用知识图谱通过对话代理实现教育、能源和旅游等领域的在线电子商务和营销自动化。知识图谱不仅作为对话系统的知识源，还用于自然语言理解的训练数据，以及通过从数据和服务的语义描述中提取对话系统的能力（意图）来半自动化生成对话系统。

3.1 语义数据问答流程

• 运行典型的自然语言处理（NLP）任务，对问题进行句法分析。
• 在知识图谱上进行实体映射和消歧。
• 构建查询（如 SPARQL），执行查询并提供答案。

3.2 虚拟助手与知识的重要性

以 ChatGPT 为例，尽管它在自然语言生成和理解方面有显著改进，但由于缺乏明确的知识，在回答问题时可能会出现不准确的情况。例如，当查询“展示一些关于知识图谱的书籍以及如何购买它们”时，ChatGPT 给出的推荐中只有一两个是正确的书籍及作者信息，甚至还会提供不存在的购买链接。相比之下，通过语义标注收集书籍知识的虚拟助手应该具有更高的准确性。

4. 企业知识图谱

企业知识图谱在企业中可作为核心产品或服务，为各种内部应用提供支持，或促进组织和部门之间的数据和知识交换。下面从不同角度介绍企业知识图谱。

4.1 企业内部的数据和知识集成

大型科技公司利用知识图谱为各种应用提供支持，这些应用通常涉及多个领域的知识。在企业内部，知识图谱在一些特定领域也有重要应用，以下是几个典型领域：
- 金融领域 ：数据是金融机构进行风险评估和欺诈检测等任务的重要资产。但这些数据通常分散在不同部门的遗留系统数据库中，难以有效利用。知识图谱技术可以整合这些数据，实现推理和数据分析。例如，通过整合不同部门的数据评估某些业务的风险，利用实体解析技术检查类似客户的交易模式来识别欺诈交易。金融行业常用的标准是 Financial Industry Business Ontology (FIBO)，Wells Fargo 和 Capital One 等金融机构也使用知识图谱技术进行问答、推荐、风险分析和语义搜索等任务。
- 健康领域 ：语义技术在健康领域的应用历史悠久，Bio2RDF 是最早将健康和生命科学相关数据集发布为链接数据的项目之一。十多年后，知识图谱在药物开发、临床试验和 COVID - 19 研究等健康领域的研究活动中得到广泛应用。例如，Elsevier Health Knowledge Graph 帮助临床医生进行患者的诊断和治疗，它整合了医学教科书、期刊和患者指南等多种来源的知识，主要用于回答问题，如“用于止痛的氯胺酮剂量是多少”。
- （社交）媒体领域 ：知识图谱常用于连接网络上的人物、他们的朋友、兴趣和其他实体。BBC 的 BBC Things 是传统媒体中使用链接知识图谱的知名应用，可用于内容推荐；IMDB Knowledge Graph 整合了电影、演员和票房等知识，用于电影推荐；Facebook Social Graph 则整合了用户、兴趣、企业、群组和位置等信息。

4.2 企业网络中的数据和知识交换

企业网络中的知识图谱可以通过集中式和分布式两种方式实现数据和知识的交换。

4.2.1 集中式解决方案

在集中式场景中，多个组织将数据整合到由特定中央机构控制的知识图谱中。这个大型的集中式知识图谱可以通过各种应用程序访问，包括各个组织的应用程序。这种方式允许不同方通过中央中介进行知识和数据交换，但各个组织对数据共享的控制有限。德国旅游知识图谱是一个典型的集中式企业网络示例，德国的 16 个地区营销组织将相关数据推送到由德国国家旅游局 (GNTB) 管理的知识图谱中，GNTB 负责维护图谱并提供数据和知识交换的基础设施，应用程序基于这个中央知识图谱构建。

4.2.2 分布式解决方案

分布式场景采用联邦和点对点的方式进行数据和知识交换。数据所有权完全归所有者所有，通过连接器提供给消费者。所有者可以制定关于数据使用的政策，消费者以联邦方式访问和集成数据。核心技术原则包括数据资产的明确标识、信任管理、政策以及资产的语义自我描述。这些自我描述通过语义技术创建并发布在联邦目录中，以便消费者和应用程序发现。目前流行的实现分布式企业网络的方式是数据空间方法。

以下是一些相关的分布式数据共享倡议：
- Solid ：由 Tim Berners - Lee 在 2018 年提出，旨在基于链接数据原则构建去中心化的社交应用。其核心特点包括：
- 真正的数据所有权：用户可以自由选择数据的存储位置和访问权限。
- 模块化设计：应用与数据分离，用户可以无缝切换应用和数据存储服务器，而不会丢失数据或社交连接。
- 重用现有数据：开发者可以利用其他应用创建的数据进行创新。
- 国际数据空间 (IDS) 倡议 ：旨在创建一个安全的、与领域无关的数据空间，使企业能够管理数据。其参考架构模型包括以下层次：
- 业务层：定义参与者的不同角色和交互模式。
- 功能层：处理信任、安全、数据主权、数据生态系统、互操作性和数据市场等问题。
- 流程层：定义平台上可以运行的各种流程及其交互。
- 信息层：使用 RDFS/OWL 本体和 SHACL 形状提供自我描述，定义数字内容的架构。
- 系统层：包括连接器、代理和应用商店。
- GAIA - X ：是为欧洲公私数据提供商构建可靠且可扩展的数据基础设施的倡议。其核心架构元素包括：
- 提供者：在 GAIA - X 生态系统中运营资源并提供服务，同时提供服务实例、自我描述和政策。
- 联合者：帮助连接服务提供者和消费者。
- 消费者：在 GAIA - X 生态系统中消费服务实例，为最终用户提供服务。

GAIA - X 的一个重要原则是使用机器可读的自我描述，用于资产发现、评估、选择、集成、执行、验证、信任监控和协商。例如，Enershare 项目旨在创建一个欧洲能源数据空间，通过 GAIA - X 合规的架构实现企业间和企业与消费者之间的安全数据共享，解决电动汽车充电过程中的数据共享问题。

IDS 也有多个用例，如 Deutsche Telekom 的 Data Intelligence Hub (DIH)，它提供了一个数据市场，消费者和提供者可以在其中发布数据的自我描述，市场中介数据交换，遵循数据空间方法的核心原则，确保数据提供者对数据的完全控制。

4.3 企业知识图谱应用总结

应用领域	应用场景	知识图谱作用
金融领域	风险评估、欺诈检测、问答、推荐等	整合分散数据，实现推理和分析
健康领域	药物开发、临床试验、诊断治疗	整合多源知识，提供准确信息
（社交）媒体领域	内容推荐、电影推荐等	连接网络实体，提供个性化服务
集中式企业网络	数据和知识交换	通过中央中介促进不同组织间的数据共享
分布式企业网络	数据和知识交换	保障数据主权，实现安全、灵活的数据共享

4.4 企业知识图谱应用流程（以集中式为例）

graph LR
    A[各组织] --> B[集中式知识图谱]
    B --> C[应用程序]
    C --> D[用户]
    E[数据整合]:::process -.- A
    F[数据访问]:::process -.- C
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke - width:2px

• 各组织将数据整合到集中式知识图谱中。
• 应用程序从集中式知识图谱中访问数据。
• 用户通过应用程序获取所需信息。

4.5 企业知识图谱应用流程（以分布式为例）

graph LR
    A[数据所有者] --> B[连接器]
    B --> C[消费者]
    D[制定政策]:::process -.- A
    E[数据发现]:::process -.- C
    F[数据集成]:::process -.- C
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke - width:2px

• 数据所有者通过连接器提供数据，并制定使用政策。
• 消费者在联邦目录中发现数据。
• 消费者以联邦方式集成数据。

知识图谱在搜索引擎、虚拟助手和企业领域都有广泛而重要的应用，随着技术的不断发展，其应用前景将更加广阔，有望在更多领域带来创新和变革。

4.6 不同企业知识图谱应用方式对比

应用方式	特点	优势	劣势	适用场景
集中式	由中央机构控制知识图谱，各组织将数据整合其中	便于统一管理和数据交换，应用开发相对简单	各组织对数据共享控制有限，存在数据安全风险集中问题	需要大规模数据整合和统一管理的场景，如行业性数据平台
分布式	数据所有权归所有者，以联邦和点对点方式交换数据	保障数据主权，提高数据安全性和灵活性	技术实现复杂，协调成本高	对数据主权要求高，数据来源分散的场景，如跨企业数据共享

4.7 企业知识图谱应用的未来趋势

• 跨行业融合 ：随着企业数字化转型的深入，不同行业之间的界限将越来越模糊。知识图谱将促进跨行业的数据和知识融合，创造出更多的创新应用场景。例如，金融与健康行业的融合，可能会为保险产品的定制提供更精准的风险评估。
• 与人工智能深度结合 ：知识图谱与人工智能技术，如机器学习、深度学习等的结合将更加紧密。知识图谱可以为人工智能模型提供先验知识，提高模型的可解释性和准确性；人工智能技术则可以帮助知识图谱更好地进行知识发现和推理。
• 隐私保护与合规性增强 ：在数据隐私和安全法规日益严格的背景下，企业知识图谱的应用将更加注重隐私保护和合规性。未来的知识图谱技术将在保证数据安全的前提下，实现数据的有效利用。

5. 知识图谱应用的综合分析

5.1 应用优势总结

• 提高信息获取效率 ：在搜索引擎和虚拟助手中，知识图谱能够直接提供问题的答案，避免用户在大量网页中搜索，大大提高了信息获取的效率。
• 增强决策支持能力 ：企业知识图谱通过整合和分析企业内外部的数据，为企业决策提供更全面、准确的信息支持，帮助企业做出更明智的决策。
• 促进数据共享与协作 ：无论是集中式还是分布式的企业知识图谱应用，都有助于打破组织和部门之间的数据壁垒，促进数据的共享和协作，提高企业的整体运营效率。

5.2 面临的挑战

• 数据质量与一致性 ：知识图谱的构建依赖于大量的数据，但数据质量参差不齐、存在不一致性等问题可能会影响知识图谱的准确性和可靠性。
• 技术复杂性 ：知识图谱的构建和应用涉及到多种技术，如语义技术、自然语言处理、图数据库等，对技术人员的要求较高，增加了企业应用的难度。
• 隐私与安全问题 ：随着知识图谱应用的广泛开展，数据隐私和安全问题日益突出。如何在保证数据共享的同时，保护用户的隐私和数据安全是一个亟待解决的问题。

5.3 应对策略

• 数据治理 ：建立完善的数据治理体系，加强对数据质量的管理和监控，确保数据的准确性、一致性和完整性。
• 人才培养与技术合作 ：加强对技术人员的培训，提高其知识图谱相关技术的掌握程度；同时，积极与科研机构、高校等合作，共同攻克技术难题。
• 隐私保护技术应用 ：采用先进的隐私保护技术，如差分隐私、同态加密等，在保证数据可用性的前提下，保护数据的隐私和安全。

6. 结论

知识图谱作为一种强大的技术工具，在搜索引擎、虚拟助手和企业领域都展现出了巨大的应用潜力。通过提高信息获取效率、增强决策支持能力和促进数据共享与协作，知识图谱正在改变我们的生活和工作方式。

然而，知识图谱的应用也面临着数据质量、技术复杂性和隐私安全等挑战。为了充分发挥知识图谱的优势，我们需要采取有效的应对策略，加强数据治理、培养专业人才和应用隐私保护技术。

未来，随着技术的不断发展和创新，知识图谱的应用前景将更加广阔。我们有理由相信，知识图谱将在更多领域发挥重要作用，为推动社会的数字化转型和发展做出更大的贡献。

6.1 行动建议

• 企业层面 ：企业应积极探索知识图谱在自身业务中的应用，结合自身需求和特点，选择合适的应用场景和技术方案。同时，加强数据管理和技术团队建设，为知识图谱的应用提供有力支持。
• 个人层面 ：个人可以关注知识图谱技术的发展动态，了解其在日常生活中的应用，如使用智能搜索引擎和虚拟助手时，体验知识图谱带来的便利。

6.2 展望未来

知识图谱技术的发展将不断推动各行业的创新和变革。未来，我们可能会看到更多智能化、个性化的应用场景出现，如智能城市、智能医疗等。让我们共同期待知识图谱技术在未来创造出更多的惊喜。

6.3 知识图谱应用的整体流程

graph LR
    A[数据收集] --> B[知识图谱构建]
    B --> C[应用开发]
    C --> D[用户使用]
    E[数据更新与维护]:::process -.- B
    F[反馈与优化]:::process -.- C
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke - width:2px

• 数据收集：收集各种来源的数据，为知识图谱的构建提供基础。
• 知识图谱构建：对收集到的数据进行处理和整合，构建知识图谱。
• 应用开发：基于知识图谱开发各种应用，如搜索引擎、虚拟助手、企业应用等。
• 用户使用：用户通过应用使用知识图谱提供的服务。
• 数据更新与维护：定期更新和维护知识图谱，保证其准确性和时效性。
• 反馈与优化：根据用户的反馈，对应用进行优化和改进。