近日，由清华人工智能研究学院，北京人工智能研究学院，清华的工程院知识智能联合研究中心，以及阿里集团联合发布了人工智能知识图谱。
知识图谱（Knowledge Graph）于2012年由谷歌提出并成功应用于搜索引擎当中。它以结构化的形式描述客观世界中概念、实体及其之间的关系，将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解互联网海量信息的能力。
知识图谱的原理和方法
知识体系构建。
根据分类，可以把知识图谱分为通用型和领域型。无论是什么类型的知识图谱都需要对其服务的领域进行知识建模。也就是说，采用什么样的方式来表达知识。
知识融合。
一个知识库可以和其他知识库进行融合。在不同领域知识图库进行融合时，会发现来自不同领域，不同语言，甚至不同结构的知识需要做“补充，更新和去重的操作”。
这就是知识融合，一般分为：知识体系融合和实例融合。这部分的操作也可以在构建知识体系的时候统筹考虑。
知识获龋
知识获取的目的是从海量的信息中抽取知识。本文中提到的“获取信息”多为文本信息，因此这里的“获取信息”也是从文本中获取信息的过程。
获取信息结构上划分为三类，分别是结构化信息，半结构化信息和非结构化信息。
从获取信息内容上又分为，实体识别，实体消歧，关系抽取和事件抽龋知识存储在完成了知识抽取和融合之后，就需要将知识存储下来了。
有RDF格式和图数据库两种方式。因为图数据库对于查询友好，因此被广泛使用，例如：Neo4j。
知识推理。
识别并抽取知识以及存储知识以后，我们会试图挖掘实体之间隐含的语义关系。这个过程就是知识推理。例如：已知A是B的儿子，又知道B是C的儿子。那么可以推理出A是C的孙子。
知识应用。
识别，抽取，存储和推理的最终目的还是为了应用。知识图谱在搜索，问答，推荐，决策方面被广泛应用。
知识图谱的发布，揭示着人工智能的发展将会持续呈现特色化、开放化、智能化的趋势，为更好发挥现有知识图谱知识表达、知识资源优势，需与其他技术（信息推荐、事理图谱、机器学习、深度学习等）相结合。
各大互联网巨头布局知识图谱领域，而知识图谱尚处于发展初期，商业应用落地场景有限，如何有效实现知识图谱的应用，利用知识图谱实现深度知识推理，提高大规模知识图谱计算效率和应用场景？这些问题将是未来一段时间业界亟需解决的问题！
信息提娶查询应答、问题回答、机器学习、概率逻辑、实体消歧、实体识别、查询处理、决策支持等方向的研究热度在近年来逐渐上升，知识图谱也因此成为了各大人工智能与互联网公司的兵家必争之地，它与大数据、深度学习一起，成为推动互联网和人工智能发展的核心驱动力之一。
