想象一个场景，在百度中输入“姚明有多高”，会出现哪些界面？
- 十年前的百度，可能会出现百度百科、相关新闻等等；
- 现在的百度（直接给出结果）：
这里运用了知识图谱。
当然，作为知识图谱的创建者，Google给出的结果更为高级：
一、什么是知识图谱？
Google知识图谱的宣传语“things not strings”给出了知识图谱的精髓，即，不要无意义的字符串，而是获取字符串背后隐含的对象或事物。
1、知识图谱的定义
- 抽象：知识图谱本质上是语义网络（Semantic Network）的知识库
- 实际应用：可以简单地把知识图谱理解成多关系图（Multi-relational Graph）
2、什么是多关系图？
多关系图一般包含多种类型的节点和多种类型的边。比如左下图表示一个经典的图结构，右边的图则表示多关系图，因为图里包含了多种类型的节点和边。这些类型由不同的颜色来标记。
现实世界中的很多场景非常适合用知识图谱来表达。 比如一个社交网络图谱里，我们既可以有“人”的实体，也可以包含“公司”实体。人和人之间的关系可以是“朋友”，也可以是“同事”关系。人和公司之间的关系可以是“现任职”或者“曾任职”的关系。 类似的，一个风控知识图谱可以包含“电话”、“公司”的实体，电话和电话之间的关系可以是“通话”关系，而且每个公司它也会有固定的电话。
3、深度学习与知识图谱
- 我们将深度学习归纳为隐性的模型，它通常是面向某一个具体任务，比如说下围棋、识别猫、人脸识别、语音识别等等。通常而言，在很多任务上它能够取得非常优秀的结果，同时它也有非常多的局限性，比如说它需要海量的训练数据，以及非常强大的计算能力，难以进行任务上的迁移，而且可解释性比较差。
- 另一方面，知识图谱是人工智能的另外一大技术驱动力，它能够广泛地适用于不同的任务。相比深度学习，知识图谱中的知识可以沉淀，可解释性非常强，类似于人类的思考。
二、知识图谱的表示
相关链接：