相信大家都有见过或参与过近几年来大火的“答题分奖金”活动
答题游戏里的题目大多不难，但涉及范围很广，常识、文学、数学、物理、化学、电视剧、动漫等等。
有不少同学答题的时候，身边守着好几个助攻，A负责算出535 679 的结果，B负责回答海绵宝宝住的房子是什么形状。
就算是这样，最后还是败在了“长城到底有多长”这样的问题上。对于此，很多同学调侃说为什么不能多长一个脑袋。
今天就介绍一款让大家在游戏里百战百胜的AI能力----知识图谱。
知识图谱（KnowledgeGraph/Vault）又称为科学知识图谱，在2012年由谷歌宣布提出，开始只是作为谷歌世界知识库的名称，后来因为这个名词太深入人心，便被泛指各种大规模世界知识库或领域知识库。
说简单点，知识图谱就是一张由知识点相互连接而成的语义网络，举个小栗子，提到圣人孔子，我们会想到他处于东周春秋末期，会想到他曾写过《论语》、《春秋》，会想到他所倡导的儒家思想、由此还会想到他的徒弟颜回……
把这一系列画出来，就是一张最简单的知识图谱
如图所示，通常我们会把图1中人物、作品、地点、称为知识图谱中的实体，每个实体可以拥有不同属性，比如师徒、好友等。
通过实体的属性可以将不同的实体建立关联关系，例如:
孔子（实体）---师徒（属性）---颜回（实体）
孔子（实体）----作品（属性）----《论语》（实体）
这些就是知识图谱中的信息抽取，包括实体抽取(NER)，关系抽取，属性抽取。
构建一张完整的知识图谱，除了信息抽取之外，多源知识的自动融合和知识加工同样不必可少。
怎么理解？先来说说多源知识的自动融合，还是来举个小栗子，大部分同学应该都认识张学友，他不仅是个歌手，也是个演员，我们很容易理解唱《吻别》的张学友，和出演《男人四十》的张学友，是同一个人。
但机器可能没那么容易就判断电影数据里的张学友，就是音乐数据里的张学友。
因为电影数据和音乐数据属于不同的数据源，这时候就需要多源知识的自动融合，将不同数据源的相同实体用自动华算法将其聚类。
知识加工其实包含2个方面，一是面向知识的表示学习，一是知识的应用。
说简单点，就是机器通过信息抽取和知识融合，已经搜集到了关于张学友非常详尽的知识，也分清楚了唱《吻别》的张学友，就是出演《男人四十》的张学友。
当我们开始在网上搜索《吻别》这首歌曲时，出现张学友演唱的吻别，这个从后端计算到前端呈现的过程，就是知识加工，这一个完整的循环就是知识图谱。
没有完全弄懂的同学，可以现搜一下“长城有多长”这个问题，出现的“21196.18千米”这个精确答案，就是知识图谱。
图片来自于刘知远老师《知识图谱的构建技术综述》一文
知识图谱带你捡币带你飞
说完了知识图谱，相信很多同学对其容纳的知识广度和深度都有了不一样的认知。
但现在如果把知识图谱伪装成AI选手，让它参与答题，那么依旧不能成功捡币。
看到这里，可能很多同学就要问了，班主任把知识图谱说的那样腻害，为啥还不能成功捡币呢？
主要原因有以下2点
a 数据库的及时更新
这一点用通俗的话来讲，叫做追热点。比如我们能够及时接收并轻易接受“撒币”这个词，并沉醉于这类答题游戏。
我们接受这个新词，玩这个新游戏的时候，就是在随时随地的更新我们的知识储备。
但机器不行，目前大部分机器更新数据库都需要人类的辅助，因为这一天然劣势，可能会让机器在应对最新的题目时出错。
不过好在这一劣势，正在被机器学习和大数据技术的快速发展给弥补起来，机器学习让机器能够实时吸收和容纳新的知识，由大数据承载再实时反馈给用户。
b 自然语音理解和处理
我们能够轻易理解“妈妈的妈妈的丈夫”是外公，但机器理解起来可能就没那么容易了，通过相关语言，推断出实体与实体之间的关系，是目前知识图谱研究的一大难点。
当然自然语音理解这一难点，并不仅仅存在于知识图谱中。
