知识图谱落地应用场景

50 年代到 70 年代，符号逻辑、神经网络、LISP（List Processing语言）、还有一些语义网络已经出现，不过尚处于简单且不太规范的知识表示形式。

70 年代到 90 年代，出现了一些专家系统，一些限定领域的知识库（如金融、农业、林业等领域），以及后来出现的一些脚本、框架、推理。

90 年代到 00 年，出现了万维网、人工大规模知识库、本体概念、以及智能主体与机器人。

00 年到 06 年，出现了语义 Web、群体智能、维基百科、百度百科、以及工作百科之类的内容。

06 年至今，我们对数据进行了结构化。但是数据和知识的体量越来越大，因此导致了通用知识库越来越多。随着大规模的知识需要被获取、整理、以及融合，知识图谱应运而生。

2010 年，微软发布了 Satori 和 Probase，它们是比较早期的数据库，当时图谱规模约为 500 亿，主要被应用于微软的广告和搜索等业务。

接着在 2012 年，谷歌推出了 Knowledge Graph（知识型图数据库），当时的数据规模有 700 亿。

后来，Facebook、阿里巴巴、以及亚马逊也相继于 2013 年、2015 年和 2016 年推出了各自的知识图谱和知识库。它们主要被用在知识理解、智能问答、以及推理和搜索等业务上。

智能语义的搜索。例如：我们通过搜索引擎把各种知识点、实体、以及内容结合起来，形成实体之间的关系。

个性化的推荐。例如：我们在网购和浏览头条新闻时，下一次打开某个 App 所看到的内容，往往是该系统根据上一次搜索过的相关内容所做出的个性化推荐。

智能问答。比如：某家空调公司需要上线一个“知识问答”功能。那么他们既要收集本领域的电器相关知识，又要从外部实体那里抽取电路设计、功率设计、能耗设计、智能程度和用电量等方面的知识。
 

因此，他们会通过推荐或者是知识的抽取与融合，将结果保存到分布式图数据库里，进而发现各个点与点之间或是边与边之间的关系。

通过对数据的搜寻，发现在同一个数据库中不同节点所包含的共同字段和属性。

通过知识的融合与发掘、以及文档内容的语义，提取文字或标题的中心内容，再运用算法分析，采用主体之间的对比方式，找到两个用户之间可能存在的关系，进而建立一个知识体。