知识图谱的应用场景与价值
一、搜索增强
搜索引擎最早是「关键词 → 文档列表」。知识图谱的加入，让搜索从「找文档」升级到「找实体、找事实、找关系」。具体表现包括：实体卡片与知识面板（搜索名人、地点、作品时，右侧或顶部展示结构化摘要、属性与关联实体）；查询理解（把用户输入解析为实体与意图，例如「苹果股价」识别为「公司：苹果」+「属性：股价」）；实体扩展与同义（「iPhone」关联「苹果手机」「Apple 手机」，提高召回与排序质量）；结构化摘要（从图中直接生成「谁是谁」「某人与某人的关系」等摘要，而非只给链接）。
价值在于：用户不必点进多个网页拼凑信息，一次搜索即可获得结构化答案与关联入口；广告与商业产品也能利用实体与关系做更精准的定向与展示。Google、百度、必应等通用搜索，以及电商、垂直领域的站内搜索，都大量依赖背后的知识图谱。
二、智能问答
智能问答（尤其是知识库问答 KBQA）直接以自然语言问题为输入，从知识图谱中查出或推理出答案。例如：「爱因斯坦哪年获得诺贝尔奖？」系统先做实体链接（「爱因斯坦」→ 图中对应实体），再识别关系/属性（「获得诺贝尔奖」→ 获奖时间），通过单跳或多跳推理得到「1921 年」。复杂问题如「和爱因斯坦同获诺贝尔物理学奖的还有谁」则需要在图上做多跳遍历与聚合。
知识图谱为问答带来的优势是：答案可溯源（来自哪条三元组、哪条路径）；可解释（可以展示推理路径：「爱因斯坦 → 获得 → 诺贝尔物理学奖 ← 获得 ← 玻尔」）；可与文本检索、生成模型结合（先用图召回相关实体与子图，再交给大模型生成自然语言答案，即「图 + LLM」的 RAG 形态）。客服机器人、企业知识库问答、智能助手里的「事实类」问题，都常依赖知识图谱。
三、推荐系统
推荐系统要回答「用户可能对什么感兴趣」。传统协同过滤主要依赖「用户–物品」共现矩阵；知识图谱把物品、类别、属性、人物、关系纳入一张图，推荐就可以利用图上的路径与结构。例如：用户买过 A 书，A 与 B 在图中存在「同作者」「同系列」关系，则 B 可作为推荐候选；再如「用户 → 看过 → 电影 → 主演 → 演员 → 主演 → 电影」，多跳路径能发现「同一演员的其他作品」等多样化推荐理由。
图谱还能引入 side information（冷启动时，新物品若在图中有类型、品牌等关系，也能被推荐）；并支持可解释推荐（「因为您喜欢 A，而 B 与 A 同属某系列」）。电商、内容、音乐、视频等场景中，「图 + 嵌入」或「图神经网络 + 路径」已成为主流技术路线之一。
四、决策支持与风控合规
在企业和政务场景，知识图谱常用于决策支持：把业务概念、规则、指标、报表关系建模成图，支持「从指标追溯到数据来源」「从政策条文关联到执行节点」等溯源与影响分析。决策者可以沿图追问「这个数从哪来」「改这条规则会影响哪些流程」，提升透明与可控。
风控与合规是另一类典型应用。反欺诈中，把账户、设备、IP、商户、交易等建成图，通过多跳关系、社区发现、异常子图识别团伙与风险传导路径；反洗钱（AML）中，资金流向、关联实体、异常模式都可在图上建模与检测。合规场景则常把法规、条款、义务、控制点建成知识图谱，做合规检查、缺口分析、审计支持。这类应用对图的实时性、一致性、可解释性要求高，往往需要专门的图存储与计算支持。
五、五大场景总览与图示
下面用一张「场景轮」概括知识图谱如何作为中心能力，支撑搜索、问答、推荐、决策与风控五大场景；每个场景都依赖「实体 + 关系 + 推理」，但侧重点不同。
搜索增强
实体卡片、知识面板、查询理解、实体扩展；从「找文档」到「找实体与事实」。
智能问答
KBQA、实体链接、多跳推理、可解释路径；与检索、生成结合做开放域问答。
推荐系统
图上路径与结构、side information、可解释推荐；图嵌入与 GNN 常用。
决策支持
业务概念与规则成图、溯源与影响分析、指标–数据–流程可追溯。
风控合规
反欺诈图、多跳与社区发现、AML 资金链；合规条款图谱与审计支持。
六、行业案例：金融、医疗、电商、政务
不同行业对知识图谱的需求侧重不同，下面用四个典型领域简要说明。
金融
风控与反欺诈：账户–交易–商户–设备图，团伙发现与异常路径检测。投研与合规：实体与事件图谱、政策与条款图谱，支撑研报生成与合规检查。客户 360：把客户、产品、渠道、行为建图，做精准营销与流失预警。
医疗
医学知识图谱：疾病–症状–药物–治疗方案等关系，支撑临床辅助决策与合理用药。病历与文献：将病历实体化、与文献证据链关联，支持循证检索与问答。药物重定位、生物通路分析等也常依赖领域图谱。
电商
商品与品类图谱：品牌、类目、属性、同款、替代关系，支撑搜索、推荐与比价。用户–行为–商品图：多跳推荐、可解释「为什么推荐」。供应链与风控：供应商、质检、投诉等关系图，辅助选品与风险识别。
政务
政策与办事图谱：政策条文、办事指南、部门职责、证照关系，支撑「一网通办」与智能咨询。法人与信用：企业、法人、股权、处罚等关系图，支撑监管与联合惩戒。城市与公共资源图谱用于智慧城市与应急决策。
七、从场景反推能力要求
要支撑上述场景，从零到落地一条知识图谱应用，通常需要具备或组合以下能力。学习本课程时，可以对照「你想做哪类场景」，有重点地加强相应模块。
- 表示与建模：实体、关系、类型体系（Schema/本体）设计；RDF 与属性图的取舍。决定「图里存什么、怎么连」。
- 构建与获取：从文本、表格、业务库中做实体识别、关系抽取、实体链接、知识融合；开放知识库的复用与对齐。决定「图从哪来、质量如何」。
- 存储与查询：图数据库与三元组存储选型；SPARQL/Cypher 等查询语言；索引与性能优化。决定「查不查得快、扩不扩得动」。
- 推理与补全：规则推理、本体推理、链接预测与表示学习。决定「能否发现隐含关系、补全缺失事实」。
- 应用集成：与搜索/推荐/问答/风控系统的对接；图谱 API、可视化与可解释展示；与 LLM、NLP 的联合使用。决定「业务能不能用上、体验好不好」。
一句话： 知识图谱的典型应用包括搜索增强、智能问答、推荐系统、决策支持、风控合规；在金融、医疗、电商、政务等行业有丰富案例。从场景反推，需要掌握表示与建模、构建与获取、存储与查询、推理与补全、应用集成等能力，本课程后续章节将按这条线展开。
八、小结
搜索增强把搜索从找文档升级为找实体与事实，依赖实体卡片、查询理解与实体扩展。智能问答（KBQA）从图中做单跳或多跳推理得到答案，可溯源、可解释，并与检索与生成结合。推荐系统利用图上的路径与结构做可解释推荐，并缓解冷启动。决策支持把业务与规则成图，做溯源与影响分析；风控合规用图做反欺诈、AML 与合规检查。行业案例涵盖金融、医疗、电商、政务等。从场景反推能力：表示与建模、构建与获取、存储与查询、推理与补全、应用集成，对应本课程后续各部分。下一章我们进入知识表示基础：实体、关系与三元组，把「图里到底存什么」讲清楚。