文|艾瑞咨询

核心摘要：

人工智能本质是解决生产力升级的问题，人类生产力可以归类为知识生产力和劳动生产力，人工智能走入产业后，可以分为感知智能、认知智能和行为智能，后两者更与生产力相对应，NLP和知识图谱是发展认知智能的基础。

原始数据通过知识抽取或数据整合的方式转换为三元组形式，然后三元组数据再经过实体对齐，加入数据模型，形成标准的知识表示，过程中如产生新的关系组合，通过知识推理形成新的知识形态，与原有知识共同经过质量评估，完成知识融合，最终形成完整形态上的知识图谱。

在面对数据多样、复杂，孤岛化，且单一数据价值不高的应用场景时，存在关系深度搜索、规范业务流程、规则和经验性预测等需求，使用知识图谱解决方案将带来最佳的应用价值。

2019年涵盖大数据分析预测、领域知识图谱及NLP应用的大数据智能市场规模约为106.6亿元，预计2023年将突破300亿元，年复合增长率为30.8%，其中2019年市场中以金融领域和公安领域应用份额占比最大。

随着整体市场数据基础的完善和需求唤醒，大数据智能领域规模持续走高，但在行业可落地性和理性建设的限制下，预计市场增速将呈现下降趋势，期间咨询性需求将会大量出现，从整体发展来看增速处于良性区间，对真正有价值的公司和产品有正向意义。

序言

认知智能是探寻人类学习、理解、产生决策的生物能力，并将之赋予机器的技术统称，而实现机器认知，需要突破感知泛在、意识建立、低维到高维的主观概念形成、推理决策能力唤醒，以及多模态知识持续学习等能力瓶颈，其产生的价值也将使人工智能更加贴近人类的思维方式，而知识图谱作为人类意识和概念的承载体是现阶段认知智能主要的发展方向之一。

2019年是知识图谱相关技术飞速发展的一年，世界顶级NLP大会ACL一次性收录了超30篇高质量知识图谱类论文，其中对于关系向量和图神经网络的论述将对知识图谱中关系补全、推理决策和认知计算带来长足发展。在国内建设应用方面，工信部发文明确指出，2020年将围绕工业大数据融合应用、民生大数据创新应用、大数据关键技术先导应用、大数据管理能力提升4大类7个细分方向着重发展，而知识图谱作为集大数据和人工智能于一身的综合技术，也将成为重点关注领域。

——艾瑞咨询研究院

人工智能技术分类和趋势

三种流派的融合应用，使人工智能向想象更进一步

人工智能是对一类能够实现机器模拟智慧生命某些特征的技术统称，从学术上可以分为，对人类已有知识进行组织编辑的符号主义、通过数学理论公式推导聚类和预测问题的连接主义，以及利用机器模仿生物活体行为的行为主义三个流派，分别以知识工程、机器学习和仿生机器人为时代代表，而知识图谱就是新一代知识工程的具体体现。2012年，深度学习在计算机视觉和智能语音上产生重大突破，打开了人工智能商业化的大门，使得连接主义一度成为人工智能的代名词，但随着应用落地成为主旋律，缺位行业逻辑和理论概念的连接主义，往往找不到最佳的应用场景而止步于浅层尝试，在此背景下，人工智能技术应当走向融合，符号主义需要连接主义提供强大的计算支撑，连接主义需要符号主义的逻辑指导，二者又共同作用于行为主义，充当机器人的大脑和“记忆宫殿”，在多种技术综合利用下的垂直领域智能解决方案才是当今最符合市场期待的方向。

人工智能技术应用本质

认知智能使AI触及生产核心，知识图谱决定认知智能的起点

人工智能与互联网或5G等技术本质上存在差别，后者解决的是信息的发出、传递、接收与反馈的闭环问题，而人工智能的本质是进行生产力升级，因此评判人工智能使用的是否有价值，要看其技术应用是否贴近生产核心。人类生产力可以归类为知识生产力和劳动生产力，人工智能走入产业后，可以分为感知智能、认知智能和行为智能，后两者更与生产力相对应。以计算机视觉、语音识别为代表的感知智能应用深度学习，在算力与数据的支撑下突破了工业红线，实现了机器对于自然界具象事物的判断与识别，但仅仅如此并没有触及核心生产环节，所以也就限制了其商业应用半径。当人们使用机器能识别更多事物的时候，自然而然的引发了，对事物背后的事理，理解、分析和决策的深层次需求，认知智能呼之欲出。认知智能核心解决的问题是对人类文明抽象概念的识别与联想，通过自然语言处理（NLP）技术对文字内容在语义上进行初步认知和自动抓取，经由知识图谱对概念间的关系属性进行联结、转换，从而对人类社会生产、生活行为进行描绘，实现业务规范梳理、生产流程可视化、人际关系挖掘等代表应用，这与注重经验、逻辑和方法论累积的知识生产力产生了直接对应，而与劳动生产力相对应的行为智能同样需要知识的指导，所以认知智能的发展才是人工智能回归本质的表征，而搭建知识图谱是认知智能可以参与生产的基础锚点。

知识图谱概念定义

是一种描绘实体间关系的语义网络，是认知智能的必要基础

知识图谱是一种描绘实体之间关系的语义网络，是人工智能重要研究领域——知识工程的主要表现形式之一。知识图谱通过RDF（三元组），既“实体 x 关系 x 另一实体”或“实体 x 属性 x 属性值”集合的形式，以人类对世界认知的角度，阐述世间万物之间的关系，通过NLP技术、图计算、知识表示学习等手段，将非线性世界中的知识信息结构化，以便机器计算、存储和查询，起到赋予机器人类认知的效果，是人工智能技术走向认知的必要基础。

知识图谱发展历程

三个时期五个阶段奠定了现代知识图谱的雏形

知识图谱发展至今可以总结为三个时期和五个阶段。1950-1977年是启蒙期，包含了基础概念阶段和专家系统阶段的开端，这一时期文献索引的符号逻辑被提出并且应用；1977-2012年是知识图谱不断演变的成长期，包含了大部分专家系统阶段和Web 1.0和2.0阶段，在此期间出现了很多如WordNet、Cyc、Hownet等大规模的人工知识库，知识工程成为了人工智能重要的研究领域，2012年，Google正式提出的知识图谱概念，开启了现代知识图谱的序章；2012年至今是知识图谱的发展期，中国企业开始入局，以BAT为代表的科技公司依托自身业务，在搜索引擎、电商、医疗等领域开始应用知识图谱技术，解决办法服务商们也从大数据赛道中脱颖而出，将知识图谱技术拓展到安防、金融、教育等更多领域，让AI跳出感知智能的商业局限，向解决各产业生产环节中的核心痛点更进一步。

知识图谱结构

建设本体模型和实体数据库是知识图谱结构的核心

知识图谱从逻辑上可以分为概念层和数据层，数据层指以三元组为表现形式的客观事实集合，而概念层是它的“上层建筑”，是经过积累沉淀的知识集合。建设中以本体模型和实体数据库为核心，根据二者的建设顺序又分为先定义本体和数据规范，再抽取数据的“自顶向下型”和先抽取实体数据，再逐层构建本体的“自底向上型”两种模式，前者适用于场景较为固定，存在可量化行业逻辑的领域，如金融、医疗、法律等；后者适用于新拓展的，有大量数据积累，行业逻辑难以直接展现的领域。总体而言，搭建知识图谱从数据源开始，经历了知识抽取、知识融合、知识加工等步骤。原始的数据通过知识抽取或数据整合的方式转换为三元组形式，然后三元组数据再经过实体对齐，加入数据模型，形成标准的知识表示，过程中如产生新的关系组合，通过知识推理形成新的知识形态，与原有知识共同经过质量评估，完成知识融合，最终形成完整形态上的知识图谱。

多源异构的数据来源

结构化和半结构化数据的抽取是搭建基础，非结构化数据抽取的发展将拓宽知识图谱的应用边际

知识抽取是搭建知识图谱过程中至关重要的一环，也是目前评判知识图谱优劣性的标准之一。知识抽取所处理的信息往往是明确的事实性信息，信息源通常分为已有关联数据库的结构化数据、如表格和列表类的半结构化数据，以及如TXT格式的文本类非结构化数据，前二者可以通过D2R（DRF格式转换器）、包装器（格式解析工具）等工具完成处理，而文本类非结构化数据需要通过自然语言处理的相关技术进行知识抽取，所有数据最终都要通过处理转化为标准数据供图谱使用。随着生物识别和物体识别等AI技术的应用，指纹库、人脸库、车辆库等数据库逐步建立，对于非结构化数据的知识抽取将不再局限于文本，所搭建的知识图谱维度将会更丰富，应用场景更加垂直下沉。

大规模应用落地的保障——知识抽取

实体和关系抽取是核心，事件抽取是知识更新的重要手段

对信息源的知识抽取主要按照自然语义中的主谓宾语法进行抽取，分为实体抽取、关系抽取、属性抽取和事件抽取等。实体抽取指在信息源中识别出特定的元素标签，并与实体库中的标签相链接，是信息抽取中最基础的部分；关系抽取意在找到信息源中实体间的关系，可分为全局抽取和局部抽取，全局抽取是通过语料库对信息源中的所有关系对进行抽取，而局部抽取则是判断一句话中实体的关系类型，目前可以通过特征标注的有监督学习和借助外部知识库进行标注的远程监督学习实现，后者相比前者节省人工标注成本，但准确率略低；属性抽取可以看作实体和其属性值之间的关系，属于关系抽取的一种类型；事件抽取是将信息源中指定的事件信息抽取，并结构化地表现出来，包括事件的时间、地点、人物、原因、结果等，通常使用将事件划分多个分类阶段的pipeline方法和利用神经网络的深度学习方法，事件抽取拥有时间维度，可以与时俱进地迭代学习，是知识图谱知识更新的重要手段。

快速工程化搭建的利器——知识融合

通过本体对齐和实体对齐实现知识库联结合并，形成更加统一、稠密的新型知识图谱

知识融合是指，从概念层和数据层两方面，通过知识库的对齐、关联、合并等方式，将多个知识图谱或信息源中的本体与实体进行链接，形成一个更加统一、稠密的新型知识图谱，是实现知识共享的重要方法。概念层的知识融合主要表现为本体对齐，是指确定概念、关系、属性等本体之间映射关系的过程，一般通过机器学习算法对本体间的相似度进行计算来实现，根据自然语言类型，可分为单语言对齐和跨语言对齐，其中跨语言对齐是实现知识国际交流的重要方式。数据层的知识融合主要表现为共指消解和实体对齐，前者意在将同一信息源中同一实体的不同标签统一，实现消歧的目的；后者是将不同信息源中同一实体进行统一，使信息源之间产生联结。知识融合的使用能够大量应用人类已有知识储备，节省成本，是快速搭建知识图谱的必要手段，也是现代知识图谱应用中重要的研究领域。

由数据向知识转化的秘诀——知识加工

本体构建、知识推理和质量评估使RDF数据向“知识”跃迁

经过知识抽取和知识融合，实体和本体从信息源中被识别、抽取，并且消岐、统一，此时得到的关联数据是对客观事实的基本表达，但客观事实还不是知识图谱需要的知识体系，想要获得结构化的知识网络，还需要经过本体构建、知识推理和质量评估等知识加工过程。本体构建是知识图谱内实体连通的语义基础，以“点线面”组成的网状结构为表现形式，“点”代表不同实体，“线”代表实体间的关系，“面”既是知识网络。本体可以通过人工总结专家经验进行手动编程，也可以由机器学习驱动进行自动构建，本体构建的模型深度和广度，决定了知识图谱的应用价值；知识推理是通过对已有实体间关系的计算，找到新关联，从而丰富新知识的过程，也是知识图谱更新的重要手段；质量评估是知识加工最后的“质检”环节，确保经本体构建和知识推理得到的知识是合理，且符合知识图谱应用目的，根据所建设知识图谱的类型和具体用途，质量评估的标注有所不同。

知识图谱的载体——知识存储

关系型数据库和图存储是现代知识图谱较为常见的存储方式

知识存储是将知识图谱的概念层和数据层以计算机可识别的数据格式进行保存的物理形式，是知识的现实容器。知识存储按照存储结构可以分为表格形式和图形式，常见的表格存储有三元组表、类型表和关系型数据库，前二者难于大规模建设，且查询、维护、删改等操作成本较高，不适用于现代知识图谱应用。关系数据库通过属性记录实体，能很好的和RDF完成映射，利用SQL语言也能方便快捷的进行知识检索，是目前应用较为广泛的知识存储方式；图存储是以图形结构对数据进行存储的方式，并非图片存储。以图形的“节点”象征实体，节点间的“边”代表实体间的关系，这种结构与知识图谱内本体结构非常贴合，更有利于知识查询和价值挖掘，常被应用于本体层的存储，但在某些场景中因其格式死板问题，并不适合全面应用。结合图谱使用目的，灵活的选择存储搭配方式，是符合当下知识图谱落地的最佳方案。

知识图谱的主要算法——图计算

用于图结构化数据间的关联性推理运算，善于挖掘隐藏关系

图计算属于大数据挖掘技术的一种，专用于图结构化数据之间关联性的推理运算，基础数据格式与图存储相对应，由代表实体的“点”、代表本体的“边”和边上的权重组成，这里的权重多指一些包含时序性信息的具体数据。图计算算法主要包括全盘访问每一个节点的遍历算法、用于计算社交网络中人际关系的社区发现、源自搜索引擎，用于网页链接排序的PageRank，以及解决图结构中距离问题的最短路径算法，在知识图谱中主要应用遍历算法进行知识推理，以发现实体间隐藏的关系。为了更高效的进行图计算，在应用中会使用图计算系统和计算模型，图计算系统分为单机系统和分布式多机系统，对于大规模图结构存储的计算后者更具有优势。而图计算模型被用于解决图计算因频繁迭代带来的数据读取等待和成本高的问题、对相邻节点和边的计算依赖问题，以及难以在分布不均的区块上并行计算的问题。

知识图谱的关键技术——自然语言处理

通过分词、词性标注和句法分析等方式使语言与程序相耦合

自然语言处理（NLP）是一门涉及语言学、数学和计算机科学的综合学科，主要研究人与计算机之间使用人类自然语言进行有效沟通的理论和方法。NLP技术包含非常广泛，最常应用于知识图谱中的能力是对于自然语言中信息的抽取，基本能力包括分词、词性标注和句法分析，通过词典法或统计法将文章中的词语进行分割，由最大熵、HMM或CRF等算法训练模型，对名词、动词、形容词、标点符号等词性类别进行识别和标注，再根据规则法或统计法对语句的主谓宾等句法结构进行分析，得到完整句式，最终产出一个计算机可识别的语料库，供后续需求调取。NLP技术是人工智能领域最具有挑战性的任务之一，2018年10月，谷歌公布的BERT模型在11项NLP任务中表现卓越，将下游具体NLP任务近一步推向预训练产生词向量环节，增强了NLP的泛化能力和自动化能力，为业界带来了新的思考方向，随着训练模型的不断探索与开源，类似深度神经网络于识别类任务的里程碑型训练算法终将出现，届时NLP训练成本将大大降低，从而真正走向产业化，开启认知智能的大门。

业界前沿技术——知识表示学习

将知识映射到向量空间参与计算，用深度学习挖掘隐藏关系

表示学习是深度学习的核心环节，其本质是将研究对象的语义信息转化为稠密低维的向量，利用数学模型表示实例，并参与机器计算。知识表示学习是图神经网络（GNN）重要的应用表现，是面向知识库中概念和实体进行的表示学习，它的价值在于能够量化语义信息，进而计算概念间和实体间的相似度，实现关系抽取、实体对齐和知识推理的效果。知识表示学习的应用能够有效提升计算效率、降低数据稀疏带来的学习难度、解决多元异质数据的耦合问题等，是知识图谱技术的重点研究方向。目前知识表示学习的前沿研究仍以模型试验为主，以提高模型的预测准确性、可解释性、泛化能力为研究重心，使知识表示能够区分概念和实体，增强逻辑性是研究方向，随着知识表示学习的发展成熟，认知智能将更快得以实现。

知识图谱的应用价值

对多源异构数据和多维复杂关系的处理与可视化展示是现阶段的主要价值，图神经网络下的深度学习算法应用将带来更广阔的认知市场

知识图谱是人工智能符号学派中知识工程的代表应用，其核心价值在于对多源异构数据和多维复杂关系的处理与可视化展示，其底层逻辑是将人类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，利用语义网络和专业领域知识进行组织存储，形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利益链条和价值链条，并进行直观的图例展示。在面对数据多样、复杂，孤岛化，且单一数据价值不高的应用场景时，存在关系深度搜索、规范业务流程、规则和经验性预测等需求，使用知识图谱解决方案将带来最佳的应用价值。连接主义中的深度学习算法几乎代表了当代整个人工智能技术，但深度学习需要具有明确因果关系的数据对训练，且存在尚缺乏解释性的黑箱问题，在掺杂众多非线性问题的复杂场景中应用价值有限，通过与知识图谱的配合使用，在一定程度上可以解决此类问题，随着关系向量法深入研究，图神经网络将走向产业应用，届时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，人工智能技术也将跟进一步实现生产力升级的终极目标。

知识图谱市场商业逻辑分析

原图应用解决查询类问题，算法支撑造就智能化解决方案

知识图谱作为一种更加形象的数据表现方式，其产品形式可以分为原图应用和算法支撑两类。原图应用是指直接通过图谱产生价值的服务形式，图谱根据概念层和数据层的区别可以分为通用知识图谱和行业知识图谱，通用知识图谱信息一般来自开放的互联网，三元组多为具有普适性的常识知识，知识覆盖的广泛性越强，价值越凸显，其特性更适用于如谷歌、百度、搜狗等百科型搜索引擎，被视为下一代搜索引擎的核心技术。而行业知识图谱则更看重具体场景中的认知深度，以及与行业know-how的结合程度，在此基础上实现的知识检索、隐藏关系挖掘和缺失数据补足，能很好地满足垂直领域知识类查询的需求，例如企业业务流程查询、司法领域案例查询、警务领域嫌疑人关系查询等；算法支撑是指通过知识图谱对于信息源的生数据进行处理，将产出的结构化关联数据用于算法模型训练和应用，得到能解决具体场景问题的研判建议，从而形成解决办法产生价值的服务形式。结合垂直行业B端市场的需求特点，由知识图谱作为算法支撑的智能解决办法具有更凸显的市场价值和更广阔的想象空间，用于投研投顾、辅助断案、业绩预测等偏向于认知智能的服务，是以知识图谱和算法能力见长的数据智能服务公司应有的核心竞争力。

中国知识图谱市场产业链战略分析

中游解决方案提供方进行全流程服务，是产业链核心环节，中国知识图谱市场产业链上游主要以各类数据源企业或机构为主，因所处理数据多具有敏感性和专属性，所以往往数据源也是服务的需求方；中上游主要包括数据采集服务商、数据库服务商、云服务商等，为产业链做支撑服务，但涉及保密数据采集加工的业务更多交由解决方案提供方直接处理；中游主要以提供知识图谱解决方案的大数据智能公司、互联网公司和AI公司为主，该部分是产业链的核心环节。其中大数据智能公司多脱身于大数据公司，凭借多年数据服务积累，在具体领域中具有先发优势和工程落地经验，随着市场对于认知智能需求的觉醒，近些年越来越多的大数据公司开始向知识图谱做技术拓展。互联网公司多以巨头企业为主，因其综合服务能力强、具有生态优势等因素，在资源调动和承接整体解决方案方面具有优势。AI公司主要以机器学习能力、NLP能力切入知识图谱市场，在技术创新和算法应用开发方面具有优势；下游为基于知识图谱而开发应用的各类具体场景应用，知识图谱应用在中国刚刚起步，主要聚焦于图中展示领域，随着市场推进将辐射更多行业。

中国大数据智能行业市场规模和结构

2019年市场规模约为106.6亿元，金融和公安领域占比最大

据艾瑞咨询统计推算，2019年涵盖大数据分析预测、领域知识图谱及NLP应用的大数据智能市场规模约为106.6亿元，预计2023年将突破300亿元，年复合增长率为30.8%，其中2019年市场中以金融领域和公安领域应用份额占比最大，金融领域因标准化数据积累丰富，行业认知与直接需求最为明显等因素，成为数据智能最早落地并产生价值的行业；公安领域经过三年的感知智能基础设施建设，已经初步形成人工智能应用环境，在党中央和公安部的号召指导下，公安大数据建设将成为下一阶段的主题，这一趋势也在2019年相关招标项目中得以体现。随着整体市场数据基础的完善和需求唤醒，大数据智能领域规模持续走高，但在行业可落地性和理性建设的限制下，预计市场增速将呈现下降趋势，期间咨询性需求将会大量出现，从整体发展来看增速处于良性区间，对真正有价值的公司和产品有正向意义。

知识图谱应用——搜索引擎领域

知识索引可将有价值的信息以自然语言的形式直接展现

搜索引擎是互联网发展中最具代表性的应用之一，它解决了人们如何方便获取信息的问题，一度成为大部分流量的入口。但随着网络中信息沉积越来越多，人们真正需要的，隐藏在大量无用信息中有价值的部分，我们称之为知识的内容，往往得不到直观展现，这成为了搜索引擎领域重点要解决的问题。2012年5月，谷歌率先提出知识图谱概念，用以更好的描述现实世界中实体关联性问题，进而提高信息搜索中的知识获取效率，随后搜狗、微软、百度纷纷推出相关概念架构，知识图谱被视为下一代搜索引擎的核心技术。传统搜索引擎一般采用网页索引，按照“网页--（预处理）--> 临时库 --（索引）--> 索引好的库 --（由用户行为触发检索）--> 为用户展示网页结果”的流程执行，信息源来自网页，展现内容也是网页链接。而基于知识图谱的搜索作为和网页索引同级、并行的另一套知识索引，更注重信息间的关联性和自然语言理解，通过图存储的形式从新组织互联网中的信息，再以人类的语言习惯进行查询和展现，从而提高搜索体验，因为知识的存储形式发生了变化，所以知识索引信息来源和展现载体都不再局限于网页文字，语音交互和更加丰富的IoT场景将会是未来的发展方向。

知识图谱应用——公共安全领域

公安知识图谱重点解决数据关联性和数据价值挖掘问题

公安大数据是全面助推公安工作质量变革、效率变革、动力变革的重要力量，受到党中央和公安部的高度重视，而作为大数据和人工智能双重技术的应用表现，知识图谱通过数据分析、文本语义分析等，抽取出人、物、地、组织机构、服务标识等实体，并根据实体的属性联系、空间联系、语义联系、特征联系等建立相互关联，构建一张具有公安特性的多维多层的实体与实体、实体与事件的关系网络，在解决公安大数据发展中面临的数据缺乏关联性等问题时起到了重要作用。建设公安知识图谱仍然遵循知识图谱搭建逻辑，其中知识抽取、本体层建设和实战应用开发，需要将公安部门多年积累的实战经验与技术算法相互转换，重点考验公安知识图谱解决办法提供商对公安业务的理解能力和专业积累，是该行业竞争中重要的壁垒。

知识图谱应用——金融领域

知识图谱与机器学习相结合的智能风控方案是主流趋势

在金融领域中无论是传统金融或是互联网金融，信用评估、反欺诈和风险控制都是最为关键的环节，随着近些年金融数据的爆发式增长，传统风控系统逐渐力有不逮，而应用机器学习算法和知识图谱的智能风控系统在风险识别能力和大规模运算方面具有突出优势，逐渐成为金融领域风控反欺诈的主要手段。机器学习和知识图谱相结合是目前主流的解决方案，其中机器学习算法通过概率计算的方式，以数学运算特征反应风险情况，形成易于机器计算的风控模型；而知识图谱通过权威经验和规则创建本体模型和抽取实体的范围，根据实体间关系形成关联数据网的图谱形式，描画囊括个人基础信息、金融行为、社交网络行为等用户综合画像，根据画像情况和模型对应，形成具有金融业务特性的风控体系，在解决方案的决策环节结合规则和概率的综合评价，给出最终的风险评估，整个过程能够实现秒级响应。知识图谱的应用不仅能够为缺乏可解释性的机器学习算法带来必要的参考系，还可以串联金融业务中产生的大量多源异构数据形成数据中台，挖掘数据深层价值，为实现精准营销、投资关系梳理、产业链风险预警、智能催收等上层应用打下基础。

知识图谱应用——投研领域

知识图谱通过自动抓取和产业链关系推理解决投研领域痛点

对一级市场或二级市场的投资研究，一直是泛金融领域重要的课题，上市公司或一些重要的标的公司在公开网络中披露了众多如财务数据、定期公告、公司研报等有价值的信息，为投资者行为提供了充分的参考依据。传统投研工作需要分析师通过各种渠道去搜集和判别信息，凭借个人经验对零散的数据进行组织建模，以报告的形式产出趋势观点和数据分析，大部分的物料和时间成本都花费在信息和数据的搜集上，而且成果可控性不高，纵使头部金融数据机构提供了相应的软件产品，但数据的颗粒度和产业链关联性仍难以满足多元需求，这成为了该行业长久存在的痛点。投研知识图谱以公司信息、产业链关联为切入点，利用NLP技术自动抓取关键信息，搭建投研领域知识图谱，将各个行业的发展变化抽象导入数字层面，为知识查询和应用开发提供实现基础。据统计，券商研报中80%的数据指标在传统软件产品中无法查询到，分析师在进入一个新领域时要耗费一周左右的时间搜集类似数据，而利用投研知识图谱可以将其必要劳动时间缩短到一分钟，大幅提高投研效率。除静态领域图谱外，还可以利用时间序列搭建对网络报道、新闻事件进行抓取的事理图谱，两相结合，从行业固有逻辑和实时信息双管齐下，推导事情的发展脉络和趋势走向，为投研机构和投资者清晰的梳理关联脉络，为后续判断投资机会和持仓股票风险等研判类应用提供数据支撑。

知识图谱应用——司法领域

知识图谱是“智慧司法”建设的基础工程

司法领域是以公检法等国家司法机关及司法人员依照法定职权和法定程序，运用法律处理案件的专业领域。近年，司法领域积极运用大数据、云计算、人工智能等先进技术，深入业务场景解决痛点问题，有效提升办案质效、辅助司法管理、服务群众诉讼，加速推进司法智慧化、数字化、现代化转型升级。知识图谱的构建是实现智慧司法不可或缺的基础工程。司法知识图谱将法律领域中的实体、属性和关系进行体系化梳理，并建立逻辑关联，通过知识图谱和大数据技术进行数据挖掘，辅助决策，洞察知识领域动态发展规律。基于司法知识图谱，通过技术手段可实现司法业务场景的智能应用，解决“案多人少”“同案不同判”等现实问题。目前，司法知识图谱已广泛运用于法律知识检索和推送、文书自动生成、裁判结果预测预警、知识智能问答、数据可视化等方面，为司法人员办案提供高效参考和科学依据，全新定义司法数据应用和司法智能化，凝练司法智慧，服务法治建设。

知识图谱应用——油气领域

知识图谱应用为油气勘探开发和安全环保生产提供决策辅助

目前，我国境内已探知的石油资源质量不高且产能有限，以至70%原油需求有赖于进口，加之国际原油价格持续走低，开采成本又很难摊薄，我国油气行业面临着生产效率与成本带来的巨大压力和挑战。在油气领域中，生产环节主要包括产业链上游的油气勘探、开发生产和中游的油气储运、炼制与加工，存在的痛点是上游如何将钻探数据、地质数据等“地下信息”与地面工程执行高效结合，从而准确探明更有开发价值的油井；中游如何利用大量自动化设备和传感器产生的数据进行高效的安全生产，以及节能环保问题。知识图谱凭借对多源异构数据关联性挖掘和知识体系信息化搭建等能力，在数字化程度较高、数据类型复杂的油气领域搭建认知网络，将领域知识与实时数据有机结合，为油气勘探、开发生产、综合研究、生产管理提供智能化分析手段，帮助决策者从海量的数据中洞悉规律，来提升效率和管理水平。

知识图谱应用——教育领域

搭建知识图谱是AI技术落地教育领域核心环节的关键前提

当前的教育场景可以划分为教、管、学、考，主要围绕教育者和受教育者进行授课、答疑、阅卷和学习、练习、考试等活动，本质上是通过系统化的知识传授与强化练习，使受教育者掌握知识点的过程。传统教育模式以教师集中授课为主要方式，存在着特级教师资源少、优质教学资源分配不佳、教学内容和教学节奏制式化，以及作业练习布置缺乏个性化等问题。在教育信息化和线上教育发展普及之后，AI+教育的概念随之产生，人工智能公司和教育机构希望通过利用AI技术部分解决上述痛点，以达到对教育参与者减负增效的目的，但因为教育领域参与个体众多，采集到的数据驳杂且零碎，难以直接有效应用，所以目前AI技术更多应用在如拍照搜题、口语评测、课堂监控等外围需求的工具上面，并未能有效深入到教学场景中。而类似课题推送等应用更多是将教学资源再分配，重视知识的点状强化练习，却不深究知识的掌握程度，以至实际使用者反馈平平。人工智能技术真正产生生产价值，一定要建立在充分且必要的数据基础上，搭建贯穿教材知识体系、教学资源管理和受教育者学习轨迹的知识图谱，将教与学的全过程进行可视化展现，使静态知识点数据与动态教学活动（如考试、作业等）数据产生关联，为算法应用提供支撑环境，是AI+教育能落地到产业核心的关键前提。