https://www.cnblogs.com/kukafeiso/p/13917946.html 引用链接
存储
对于知识图谱，需要存储所有信息只有实体和实体之间的关系
一般来说市面上有非常多的图数据库引擎可以使用
例如最热门的neo4j
图数据库与传统关系性数据库
大家可能有疑问，对于实体和实体之间的关系，是可以通过关系性数据库来存储的。
为什么需要图数据库？
按我的理解
-关系型数据库更多的关注实体和实体的属性，对关系的描述并不大看重，虽然有外键
在关系行数据库定义实体，表的数量会随着实体的数量而线性递增，如果单从实体和关系的角度分析，模型过于复杂
关系型数据库难以分布式存储，难以承受大数据
图数据库模型非常简单，就是实体和关系
图数据可以对这种简单的模型使用图算法更好的存储和检索数据
图数据非常容易做到分布式，适合大数据的存储
融合（构建）
需要构建知识图谱，首先需要数据的导入
一般来说数据源都是非结构化的，例如网络上爬取下来的网页，音频文件，视频文件，图片
需要使用到的技术有NLP，图片信息抽取，音频转文本等技术
用途
智能问答
如果拥有了一个知识图谱，就可以构建一个智能问答系统
例如如果输入是：我感冒了应该看什么科
系统通过查找感冒和科室的关系，就可以找到科室应该为呼吸内科
系统就可以回答：呼吸内科
反欺诈
在风控领域，数据一般以人为单位，人跟人存在一种关系，人跟消费记录，行为记录，网上浏览记录形成了另外的一些关系，那么风控团队就获得了一张非常大的网络图
当需要对某人进行风控分析，可以使用Graph embedding对每个人的图进行向量化，然后放入机器学习的模型进行训练和预测，从而得出欺诈的预判
不一致性检验
例如借款人张三说李四是他的父亲，王五是他的朋友；而同时王五说李四是他的父亲，张三是他的朋友。那么通过分析知识图谱，并进行推理，朋友的父亲不可能一样，引发不一致。此时就可以检测出，借款人有异常
智能搜索
例如Google，百度搜索
知识推理