什么是知识图谱?
知识图谱是人工智能的一个领域，其重点是设计计算机表示法，以捕获可用于解决复杂问题的有关世界的信息。 知识图谱的理由是，常规过程代码不是解决复杂问题的最佳形式。知识图谱使复杂的软件比过程代码更易于定义和维护，并且可以在专家系统中使用。 知识图谱与自动推理密切相关，因为明确表示知识的主要目的之一是能够推理该知识，进行推理，主张新知识等。实际上，所有知识图谱语言都具有推理或推理引擎作为系统的一部分。知识图谱是借助智能机器学习算法创建的知识领域模型。 它为所有数据提供结构和通用接口，并允许在整个数据库中创建智能多边关系。。
知识图谱被结构化为一个额外的虚拟数据层，位于您现有数据库或数据集的顶部，可将所有数据（结构化或非结构化）大规模地链接在一起。
知识图谱主要特点
1985年，罗恩·布拉希曼（Ron Brachman）将知识表示的核心问题归类如下： 原始体。用于表示知识的基础框架是什么？语义网络是最早的知识表示基元之一。此外，还有用于一般快速搜索的数据结构和算法。在这一领域，与计算机科学中的数据结构和算法研究存在着很大的重叠。在早期系统中，以lambda演算为模型的Lisp编程语言通常被用作功能性知识表示的一种形式。框架和规则是下一种原始类型。框架语言具有多种表达和执行框架数据约束的机制。帧中的所有数据都存储在插槽中。插槽类似于实体关系建模中的关系，类似于面向对象建模中的对象属性。原语的另一种技术是定义按照一阶逻辑（FOL）建模的语言。最著名的例子是Prolog，但是也有许多特殊目的的定理证明环境。这些环境可以验证逻辑模型，并可以从现有模型中推论出新的理论。本质上，它们使逻辑学家在分析模型时要经历的过程自动化。定理证明技术在软件工程领域有一些特定的实际应用。例如，可以证明软件程序严格遵守正式的逻辑规范。知识文本理解
非单调推理。非单调推理可以进行各种假设推理。系统将主张的事实与用来证明其合理性的规则和事实相关联，并且随着这些事实的更改，更新了相关知识。在基于规则的系统中，此功能称为真值维护系统。 表达能力。布拉奇曼和大多数AI研究人员用来衡量表达能力的标准通常是一阶逻辑（FOL）。理论上的限制意味着完全实施FOL是不切实际的。研究人员应该清楚他们打算如何表现（多少FOL完整的表达能力）。 推理效率。这是指系统的运行时效率。在合理的时间内更新知识库的能力和推理程序以开发新推理的能力。在某些方面，这是表达充分性的另一面。通常，表示功能越强大，表示能力就越强，自动推理引擎的效率就越低。效率通常是一个问题，特别是对于知识表示技术的早期应用而言。它们通常是在解释性环境（例如Lisp）中实现的，与当时的传统平台相比，这种环境速度较慢。知识图就是数据。 必须对其进行存储，管理，扩展，质量保证并且可以对其进行查询。 这要求数据库和组件位于顶部，通常在语义中间件层中实现。 这个“坐”在数据库上，同时提供了服务端点，可与第三方系统集成。
主需求识别
通过实体标注等技术，以及海量用户搜索日志，来计算用户意图强度，进而识别用户的主要目标需求，对用户需求深层次、知识化理解，并结合知识查询、推理、计算等多种技术，精准满足用户需求。为用户提供多领域、细粒度的知识问答服务
知识库及文本上下文语境，可将文本中的实体关联到知识库中唯一的实体对象，达到对文本中知识消歧的作用，用来辅助文本理解。