隨著企業的發展， 傳統資料庫檢索、開源垂直搜尋引擎暴露出諸多搜尋問題，比如資料規模龐大、異質多元、組織結構鬆散、搜尋引擎效能差、結果匹配度低、搜尋內容缺乏語義理解，搜尋結果缺少泛華關聯等等，使用者使用過程中不僅需要練就一雙火眼金睛還得有足夠的耐心，才能從搜尋到的結果中尋找到匹配的答案，甚至在某運營商的知識庫系統中，使用者想需要對query進行“斟詞酌句”，才能從“傳統搜尋引擎”中匹配出相應的答案，這些問題對人們有效獲取資訊和知識提出了挑戰。

為了 提高搜尋質量與效率問題，達觀智慧搜尋系統將搜尋引擎與知識圖譜技術進行了有效的融合， 其特點是能夠精準捕捉使用者搜尋意圖，理解使用者自然語言提問，將答案直接返回給使用者，受到越來越多使用者的青睞。知識圖譜的快速發展，為搜尋引擎實現提供了高質量的知識來源，也直接推動了智慧問答在搜尋行業領域的快速發展。

知識圖譜（Knowledge Graph）最早由谷歌釋出，為了提升搜尋引擎返回答案的質量以及使用者查詢的效率，在知識圖譜輔助下，搜尋引擎可以洞察到使用者查詢背後的一個語義資訊，然後返回更為精準結構化的資訊，從而更大可能的去滿足使用者的一個查詢需求。

知識圖譜旨在描述客觀世界的概念、實體、屬性、事件及其之間的關係，本質上是一種語義網路。其結點代表實體（entity）或者概念（concept），邊代表實體/概念之間的各種語義關係。

通俗地講， 知識圖譜就是把所有不同種類的資訊，連線在一起而得到的一個關係網路，知識圖譜提供了從“關係”的角度去分析問題的能力。

知識圖譜的構建體系中資料是基礎，而知識提取是實現知識圖譜的最關鍵核心技術，由於達觀在NLP領域長久以來的積累，能夠對尤其是非結構化的長文字實現字、詞、篇章級的分析與理解，通過自研的OCR技術結合實體識別技術能夠對企業非結構化、半結構化等各類資料進行挖掘，自動提取出知識圖譜所需要的三元組資料——邊、實體、屬性，為垂直行業知識圖譜的知識構建提供有力的幫助。

# 01

搜尋引擎中引用知識圖譜能實現什麼的一個效果呢？讓我們看看達觀在服務客戶過程中的一些實際樣例：

案例1：如下圖是 通過知識圖譜把企業、人物、院校、行業、投資關係進行梳理，構建出金融領域的投融資圖譜schema。

通過知識圖譜的智慧問答功能，能夠準確、便捷獲知企業投融資關係。

案例2：如下圖是一個公司人物關係圖譜，當使用者輸入query：平安銀行的員工有哪些？結果召回：公司-員工（任職關係）圖譜。

# 02

搜尋引擎中圖譜智慧問答的處理流程是怎麼樣的呢？讓我們以人物關係圖譜為例來看看：

人物關係知識圖譜流程說明：

1) 通過資料介面獲取到結構化資料。

2) 結構化資料經過資料加工、處理後轉為圖譜-三元組格式資料，通過圖譜構建模組，把三元組資料轉化為知識圖譜。

3) 當使用者輸入檢索query時，經過query分析模組能夠有效地識別使用者檢索的意圖，如果分析出問句是想了解“人物與企業的關係”，那麼會直接呼叫圖譜知識問答服務，從而召回圖譜結果，可以是實體、關係或者實體/關係的屬性資訊，當然也可以返回圖譜節點，讓使用者更直觀的看到知識。

那麼以上的場景能夠很直觀的分析使用者意圖並結合知識圖譜直接給使用者返回答案，顯然比傳統的用關鍵字匹配的資料庫查詢、通用的檢索系統更能滿足使用者的需求。

達觀資料智慧知識問答系統將資料、資訊與知識點進行了有效地結合，實現了多種資料的結構化處理，通過智慧搜尋、智慧推薦與智慧問答場景打造、增強了知識的主被動獲取工作模式，極大的提高了使用者的滿意度。同時，通過構建基於知識圖譜的問答系統，也有效解決了企業歷史資料的“沉睡”問題，打破了業務之間的知識壁壘，實現了知識的價值共享。

相信在未來，這種智慧問答的工作模式和不斷深入的知識管理方式將延展至更多應用場景，積極助力智慧企業建設。

達觀智慧知識問答系統可幫助企業實現知識價值共享，助力智慧企業建設

相關文章