2020-2021人工智能“新基建”知识图谱行业研究报告,新基建与知识图谱概述,1,知识图谱行业现状,2,知识图谱应用场景,3,4,5,知识图谱应用展望,人工智能新基建下城市创新场景,新基建的发展概述,顶层设计先行，新基建进入发展快车道，为数字化、网络化、 智能化建设注入新动力新型基础设施建设是为加快国家规划建设，决策层明确推出的重大工程和基础设施建设项目。自2018年12月中央经济工作会议首次提出以来，新基建概念在高级别会议中被密集提及，重视程度不断强化，相关政策路线也日趋清晰。“新基建”概念的发展历程,2018.12.21,政府工作报告,会议/发文,内容,2019.03.05,2019.12.12,2020.01.03,2020.02.14,2020.03.04,中央经济工作会议,七部门印发关于促进“互联网+社会服 务”发展的意见,国务院常务会议,中央全面深化改革委员会第十二次会议,发挥投资关键作用，加大制造业技术改造和设备更更新。加快5G商用步伐，加强人工 智能、工业互联网、物联网等新型基础设施建设。加快5G商用步伐和IPv6部署；打造工业互联网平台；深化大数据、人工智能等研发应,2020.04.28,中共中央政治局常务委员会会议国务院常务会议,加快布局新型数字基础设施；加快5G行业应用试点；加速构建支持大数据应用和云端 海量信息处理的云计算基础设施，支持政府和企业建设人工智能基础服务平台；面向社 会服务提供人工智能应用所需的基础数据、计算能力和模型算法。发展先进制造业，出台信息网络等新型基础设施投资支持政策，推进智能、绿色制造。通过关于推动基础设施高质量发展的意见；统筹存量和增量、传统和新型基础设施 发展，打造集约高效、经济适用、智能绿色、安全可靠的现代化基础设施体系。加快5G网络、数据中心等新型基础设施建设进度。推进信息网络等新型基础设施建设，创新投资建设模式，坚持以市场投入为主，支持多,新基建的内涵和外延,深度应用互联网、大数据、人工智 能等技术，支撑传统基础设施转型 升级，进而形成的融合基础设施， 赋予传统基础设施建设新的内涵例如，智能交通基础设施、智慧能 源基础设施等,融合基础设施,基于新一代信息技术演化生 成的基础设施,例如，以5G、物联网、工业 互联网、卫星互联网为代表 的通信网络基础设施；以人 工智能、云计算、区块链等 为代表的新技术基础设施， 以数据中心、智能计算中心 为代表的算力基础设施等是工业互联网在未来发展中 的重要技术支撑，是GDP增 速的主要来源,主要是指支撑科学研究、技 术开发、产品研制的具有公 益属性的基础设施,例如，重大科技基础设施、 科教基础设施、产业技术创 新基础设施等,信息基础设施,创新基础设施,发力于科技端的信息数字化基础设施建设2020年4月20日，国家发改委将新型基础设施初步定义为：以新发展理念为引领，以技术创新为驱动，以信息网络为基础， 面向高质量发展需要，提供数字转型、智能升级、融合创新等服务的基础设施体系。与传统的基础设施建设相比，新基建体现出“重创新、补短板”的特征：主要面向新产业、新业态和新模式，促进经济结构优化；但同时也对传统基础设施建设形成补充，助力传统基础设施的智能化改造，提高传统基础设施的运行效率。 伴随着技术革命和产业变革，新型基础设施的内涵和外延还将不断丰富和延展。新型基础设施建设的范围,新基建,新基建让生产生活更智慧,创新基础设施：重大科技基础设施、科教基础设施、产业技术创新基础设施,融合基础设施：智能交通基础设施、智慧能源基础设施,新型基础设施,新型智慧城市,新型产业经济,推动科技势能向产业动能转化，加速重构智能社会新模式国家竞争优势中指出，每一个国家的发展将经历生产要素驱动、投资驱动、创新驱动和财富驱动等四个发展阶段。随 着数字化技术突飞猛进的发展，在新基建推动下，蓬勃发展的5G、大数据、人工智能等新兴技术将大幅度提高社会的数字 化、智能化水平，推动经济发展由投资驱动转向创新驱动的转型。新基建是数字世界的基础设施，通过科学技术构建数据，实现从传输到分析再到决策和执行，支撑了数字世界的构建，提 升了数字世界的智能化能力，进而反哺物理世界，最终构筑新旧协同的现代化基础设施。“新基建”的基本架构,创新驱动经济发展,人工智能是新基建的重点领域,人工智能推动智能产业化和产业智能化人工智能是新一轮科技革命和产业变革的核心驱动力，在新基建的三大领域中，两大领域都直接提及人工智能。在信息基 础设施领域，人工智能与云计算、区块链一起被视为一种新技术基础设施；而在融合基础设施领域中，人工智能则被视为 支撑传统基础设施转型升级的重要工具。人工智能新基建的本质不仅仅指向其自身的产业化发展，更是在实体经济中寻找 应用场景，赋能生产力升级，即作为重大应用基础设施，推动各行业完成智能化转型，实现新旧动能的转换。测 算，2019年人工智能赋能实体经济产生的市场规模超过570亿元。2018-2022年中国人工智能赋能实体经济市场规模1573.01157.0819.8570.1251.1,2018,2022e,2019e2020e2021e人工智能赋能实体经济所产生的市场规模（亿元）,人工智能是新基建的重要技术,人工智能具备建设新型基础设施的产业基础和技术成熟度基础设施指为直接生产部门和生活提供共同条件和公共服务的设施，关键属性包括共性刚需能力、公共服务、强外部性。 人工智能成为新型基础设施首先要有成熟可应用落地的技术和产业基础。人工智能二十世纪七十年代以来被称为世界三大尖端技术之一。1956年在达特茅斯会议上被首次提出，随着核心算法的突破、并行计算能力的迅速提升以及海量数据的支撑，在深度学习等新理论的驱动下，近十年来迎来质的飞跃，产业结构也 日趋成熟。随着技术不断迭代，市场认知不断完善，相关技术与传统行业经营模式和业务流程开始产生实质性融合，应用 领域也逐渐向实体经济领域和公共服务领域拓展，全面赋能生产生活各个方面，人工智能的基础设施属性正在逐步显现。,达特茅斯会议 人工智能 学科诞生,推理期,将逻辑推理能力赋予计算机系统,人工智能计算机,DARPA宣告失败,罗森布拉特发明第一款 神经网络perceptron,知识期机器学习期总结人类知识计算机从数据 教授给计算机系统中学习算法1956 19571970198419922006 2013以来,人工智能技术发展进入新一轮高潮深度学习算法在语音和视 觉识别上取得成功，识别,率分别超过99%和95%,BP算法出现使大规模 神经网络训练成为可能计算能力的突破没能使机器完成大规模数据训练和复杂任务美国、英国相继缩减经费支持,Hinton提出深度学习神经网络,基础层：软硬件设施以及数据服务,技术层：基础框架、算法模型以及通用技术,应用层：产品、服务和解决方案,消费类终端产品,整体解决方案,教育零售文娱医疗安防,人工智能产业结构已基本完备,人工智能进入认知智能探索阶段,来源：The Association for the Advance of Artificial Intelligence，美国人工智能协会，根据统计模型核算。,当前呈现弱人工智能状态，在认知智能领域还处于初级阶段人工智能的本质是进行生产力升级，因此评判人工智能技术是否有价值，要看其应用是否贴近生产核心。一般认为，人工 智能分计算智能、感知智能和认知智能三个层次。计算智能即快速计算、记忆和储存的能力；感知智能即对自然界具象事 物的识别与判断能力；认知智能则为理解、分析等能力。当前，数据标准化已经趋于成熟，以快速计算和存储为目标的计 算智能已基本实现；在机器学习和深度学习技术的推动下，以视听觉等识别技术为目标的感知智能也突破了工业化红线， 实现了机器对自然界具象事物的判断与识别。但感知智能呈现的终究是一种弱人工智能状态，还只能在某一方面的人类工作上协助或替代人类。当人们能使用机器识别 更多事物，自然而然地引发了对事物的理解和分析等深层次的自动化知识服务的需求，而需要外部知识、逻辑推理或者领 域迁移的认知智能领域还处于初级阶段。学界已经展开认知智能领域的研究，2018年以来，美国人工智能协会收录关于认 知智能层面的论文逐年增多，占所有收录论文的比重也有提升。2018-2019年美国人工智能协会收录认知智能论文数23.60%19.20%271180,2018,收录论文（篇）,2019占比（%）,知识图谱的定义,用图模型来描述知识和建模万物关系的语义网络知识图谱是一种用图模型来描述知识和建模世界万物之间关联关系的大规模语义网络，是大数据时代知识表示的重要方式 之一。知识图谱最常见的表示形式是RDF（三元组），即“实体 x 关系 x 另一实体”或“实体 x 属性 x 属性值”集合，其 结点代表实体（entity）或者概念（concept），边代表实体/概念之间的各种语义关系。由于知识图谱富含实体、概念、 属性和关系等信息，使机器理解与解释现实世界成为可能。上世纪七八十年代，传统的知识工程与专家系统解决了很多的问题，但是都是在规则明确、边界清晰、应用封闭的限定场 景取得成功，严重依赖专家干预，一旦涉及到开放的问题就基本不太可能实现，因此难以适应大数据时代开放应用到规模 化的需求等问题。相对于传统的知识表示，知识图谱具有规模巨大、语义丰富、质量精良与结构友好等特点，宣告知识工,程进入了一个新的时代。,传统知识工程和知识图谱,知识工程,管 理,流程知识领域知识知,识 管理知识,制度知识文化知识,业务1,业务2 . 业务n,传统知识工程的知识管理,知识图谱,知识图谱是认知智能的底层支撑,通过建立从数据到知识图谱中实 体、概念、关系的映射，使机器 能理解数据，从数据中提炼出行 业或领域内高精度的知识；通过 利用知识图谱中实体、概念和关 系来解释现实世界中的事物和现 象，使机器能解释现象。,智能,（W）,信息（I）,数据（D）,知识（K）,理解和解释 推理和决策,抽取,融合,原始素材,加工后有逻辑的数据,提炼信息间的联系 组织化的信息,知识的应用,为描绘物理世界生产生活行为提供有效的方法与工具让机器具备认知智能具体体现在让机器掌握知识，拥有理解数据、理解语言进而理解现实世界的能力，拥有解释数据、解 释过程进而解释现象的能力，拥有推理、规划等一系列人类所独有的思考认知能力，而这些能力的实现与大规模、结构化、 关联密度高的背景知识是密不可分的。知识图谱通过对海量结构化和非结构化数据进行知识萃取并关联形成网状知识结构，对概念间的关系属性进行联结和转换， 支持非线性的、高阶关系的分析，为描绘物理世界生产生活行为提供了有效的方法与工具，是认知智能的底层支撑。知识 图谱帮助机器实现认知智能的“理解”和“解释”能力：通过建立从数据到知识图谱中实体、概念、关系的映射，使机器 能理解数据，从数据中提炼出行业或领域内高精度的知识；通过利用知识图谱中实体、概念和关系来解释现实世界中的事 物和现象，使机器能解释现象。更进一步的，基于知识图谱和逻辑规则或统计规律，机器能推理出实体或概念间深层的、 隐含的关系，实现认知智能的“推理”能力。知识图谱技术将数据映射为智慧,知识图谱的基本构建流程,数据-知识抽取-知识融合-知识加工-知识应用根据覆盖范围的不同，知识图谱可以区分为应用相对广泛的通用知识图谱和专属于某个特定领域的行业知识图谱：通用知 识图谱覆盖范围广，注重横向广度，强调融合更多的实体，通常采用自底向上的构建方式，从开放链接数据(“信息”)中 抽取出置信度高的实体，再逐层构建实体与实体之间的联系；行业知识图谱指向一个特定的垂直行业，注重纵向深度，具 有丰富的实体属性和数据模式，通常采用自顶向下的构建方式，先定义好本体与数据模式，再抽取实体加入到知识库。 知识图谱的构建遵循知识抽取、知识融合、知识加工、知识应用的基本流程。从海量结构化和非结构化数据中进行实体、 关系、属性和事件的信息提取，通过本体和实体对齐、指代消解解决多种类型的数据冲突问题，完成知识融合。将知识存 储到知识库中，最后进行进一步的知识推理和图谱应用。知识图谱的基本构建流程,结构化数据,半结构化数据,非结构化数据,实体对齐,指代消解,知识库,数据整合,第三方数据库,质量评估,知识推理,实体抽取,关系抽取,属性抽取,事件抽取,知识抽取,知识融合,数据源,知识加工,算法支撑,图谱应用,原图应用,.,知识检索,知识自动化,知识更新,知识推理的重要技术图计算,用于图结构化数据间的关联性推理运算，善于挖掘隐藏关系知识图谱构建过程的关键技术有知识表示（如RDF、OWL）、知识抽取（如实体识别与链接、关系抽取）、知识融合（如 本体对齐、实体对齐）、知识存储（如图数据库存储、RDF存储技术）、知识推理等。由于图数据相对于传统的关系型数 据具有更强大的表达能力，善于处理大量的、复杂的、互联的、多变的网状数据，因此图数据的计算与推理逐渐成为知识 图谱的重要研究任务之一。图计算专用于图结构化数据之间关联性的推理运算，基础数据格式与图存储相对应，由代表实体和本体的“点”、代表语 义关系的“边”和边上的权重组成。图计算算法主要包括遍历算法（全盘访问每一个节点）、社区发现（用于计算社交网 络中人际关系）、PageRank（源自搜索引擎，用于网页链接排序） ，以及最短路径算法（解决图结构中距离问题），在 知识图谱中主要应用遍历算法进行知识推理，以发现实体间隐藏的关系。图计算算法核心内容,图数据库以图形的“节点” 象征实体，节点间的“边”代表实体间的关系，更 有利于知识查询和价值挖掘,遍历算法沿着某条搜索路线，依 次对树（或图）中每个 节点均做一次访问，试 图找到新的关联,社区发现,社区发现算法可以用来 发现社交网络中三角形 的个数（圈子），可以 分析出哪些圈子更稳固， 关系更紧密,PageRank如一个网页被多个网页 链接，则其PageRank 值较高，该算法源自搜 索引擎中的网页排序,最短路径,用于计算一个节点到其 他节点间最短的途径， 以目标节点为中心，向 边缘扩散,新基建与知识图谱概述,1,知识图谱行业现状,2,知识图谱应用场景,3,4,5,知识图谱应用展望,人工智能新基建下城市创新场景,知识图谱的应用价值,深度学习,大规模数据,数据 理解,数据 驱动,分布式表示,知识图谱,图神经 网络,知识 表示 学习,知识获取,知识指导,数据驱动的 深度学习,符号表示的 知识图谱,对复杂关系的深入挖掘和直观展示知识图谱是符号主义人工智能的代表，核心在于对多模、多源异构数据和多维复杂关系的高效处理与可视化展示，将社会 生活与生产活动中难以用数学模型直接表示的关联属性，融合成一张以关系为纽带的数据网络。通过对关系的挖掘与分析， 能够找到隐藏在行为之下的关联，并进行直观的展示。基于知识图谱的上述优势，适宜解决关系复杂的问题，如深度搜索、 规范业务流程、规则和经验性预测等相关研究课题。连结主义中的深度学习算法是新一代人工智能的标志性技术，但深度学习有其局限性，侧重解决影响因素较少、但计算高 度复杂的问题，而不太适宜解决影响因素较多、且掺杂众多非线性关系的问题。通过与知识图谱的配合使用，依托于行业 知识与经验的深度学习将产生更多贴近产业核心的认知智能应用，有助于覆盖场景中大多数问题，形成完整的以“场景需 求”为导向的人工智能解决方案，进一步实现生产力升级的终极目标。知识图谱的数据处理层次知识图谱与深度学习算法的配合应用,文本,标签,表格,图谱,结构,本体,规则,浅层 语义分析,表格理解,知识抽取,本体学习,机器学习图谱分析,非结构化数据,结,构 化 数,据,数据工程,实例,模式,知识,逻辑,知识图谱的典型应用,知识 图谱,原图应用知识图谱是人工智能应用链条的第一步，是人工智能的底层技术。知识图谱在高效数据处理和知识加工推理方面的能力， 可以推动人工智能既有产品的升级或提供更有效的解决方案，同时也可以转化为新的商业产品形式。知识图谱的产品形式可以分为原图应用和算法支撑两类。原图应用指基于知识图谱的图结构和丰富的语义关系，直接通过图谱产生价值的服务形式，例如图挖掘、关联分析等。通用知识图谱被视为下一代搜索引擎的核心技术，而行业知识图谱 由于有具体场景的认知深度，能很好地满足垂直领域知识类查询的需求，如企业业务流程查询、司法领域案例查询等。算 法支撑指通过知识图谱对于信息源的数据进行处理，将产出的结构化关联数据用于其他人工智能任务的算法模型训练和应 用中，得到能解决具体场景问题的研判建议，形成解决办法产生价值的服务形式。知识图谱的原图应用原图应用：基于知识图谱的图结构和丰富的语义关系，实现知识可视化、 图挖掘、关联分析等，直接通过图谱产生价值的服务形式,学术知识查询,法律案牍查询,保险理赔案例查询,业务流程查询,企业关系查询,临床病例查询,嫌疑人关系 查询,知识图谱的典型应用,自然语言的输入：问题分类器问题文本,语义槽提取： 完成类别判别,SPARQL抽取： 将问题构造为SPARQL模版,回复生成：返回相应的查询结果 转化成易于理解的形式,问题分析：完成分词、词性标注 实体识别、实体消歧建立语义链接： 语义槽中自然语言 表达链接到对应知 识图谱的URL上SPARQL查询生成： 标准构造的SPARQL 可在图谱中被查询,支撑其他人工智能任务：搜索、问答、推荐知识图谱为其他人工智能任务提供算法支撑的典型应用主要包括智能问答、智能搜索和智能推荐、决策分析系统等，目前 都已产生了成熟且广泛应用的商业产品，同时也是各领域知识图谱中的重要一环。基于知识图谱的智能搜索能对文本、图 片、视频等复杂多元对象进行跨媒体搜索，也能实现篇章级、段落级、语句级的多粒度搜索。智能搜索让计算机更准确地 识别和理解用户深层的搜索意图和需求，在知识图谱中查找出目标实体及其相关内容，对结果内容进行实体排序和分类， 并以符合人类习惯的自然语言的形式展示，从而提高搜索体验。智能问答可以分为直接回答、统计回答和推理回答。基于 知识图谱的智能问答能从实体和短句两个维度进行挖掘，能理解多样问法和有噪音问法，具有较高的准确率、召回率。在 对话结构和流程设计上，能实现实体间上下文会话的识别与推理，最终实现更自然的人机交互。基于知识图谱的智能推荐 则通过获得用户和物品的精确画像，从而实现准确的匹配和有针对性的推荐，实现场景化、任务型的推荐。基于知识图谱的智能问答的基本实现方式基于知识图谱的智能搜索的基础运作流程,文本结果排序,扩展搜索语句,用户,Query解析,图谱计算规则扩展 查询,实体解析,文本+图谱 可视化展示,知识库知识索引库概念图谱实例图谱,概念图谱,实体图谱,注释：知识图谱核心产品：Schema三元组模型构建、实体标注等技术，知识图谱管理平台与建模服务、垂直行业的知识图谱应用产品及解决方案；知识图谱带动收入：带动大数据、 智慧应用以及传统产业效益提升规模。,知识图谱的行业发展情况,65.0,82.5,113.8,148.4,165.5,201.3,237.9,704.0497.1391.8,886.5,954.6,1134.7,2019年核心产品市场规模约65.0亿元，预期将迎来快速发展随着人工智能的算法和算力不断提升，数据来源愈发广泛，大规模自动化的知识获取和全新的知识表示成为可能。与之相 对应的，传统知识工程受限于知识获取阶段需要重度的人工参与，在互联网时代不再能适应整个互联网高效化、智能化应 用的需要。推力和拉力的共同作用促进了知识图谱发展，其构建中的核心产业主要包括Schema三元组模型构建、实体标 注等技术，知识图谱管理平台与建模服务、垂直行业的知识图谱应用产品及解决方案等。据统计推算，2019年知 识图谱核心产品的市场规模约为65.0亿元，仍有较大发展空间，预计2024年将突破200亿元，年复合增长率达到20.4%。 此外，知识图谱技术的应用也进一步带动传统企业智能运维效率升级，据估算，2019年中国知识图谱技术带动经 济增长规模达391.8亿元，预计到2024年将突破1000亿元。2019-2025年中国知识图谱核心产品市场规模及带动经济增长规模1305.9,2019,2022e,2025e,2020e2021e中国知识图谱核心产品市场规模（亿元）,2023e2024e中国知识图谱带动经济增长规模（亿元）,2019-2025 CAGR20.4%,知识图谱产业链与参与者图谱,知识抽取、知识融合、知识加工，逐步构建知识图谱，提供具体场景应用服务,从各类数据来源处采集、挖掘数据，并对数据进行预处理和前期结构化,数据提供方,电商数据 政府数据,公开渠道社交数据 企业数据,网络搜索数据 广播电信数据,定位系统传感器,射频识别电子标签,软硬件 支撑,知识图谱 服务平台,通用知识图谱,数据采标服务商,服务器硬件服务商,云服务商,教育领域能源领域,物联网信息传感设备开放链接知识库,互联网公司人工智能公司大数据智能公司,最终用户通用知识图谱及针对具体场景提供解决方案的行业知识图谱，最终用户包括括企业、政府、个人等 政务领域公安领域营销领域工业领域金融领域医疗领域,知识图谱在各领域中的应用概览,数据繁杂、单一价值有限、问题抽象需要可视化展现、五层 关联维度以上的应用场景更加适合搭建知识图谱知识图谱在各领域中的应用概览,新基建与知识图谱概述,1,知识图谱行业现状,2,知识图谱应用场景,3,4,5,知识图谱应用展望,人工智能新基建下城市创新场景,应用场景篇目录,善政城市治理环境保护公安司法惠民医疗健康教育兴业企业管理制造业智慧建筑智融智能风控与信用评估智能投资研究顾问智能产品营销,善政：城市治理知识图谱应用场景,知识图谱,数据资产管控,离线计算,实时计算,流计算,图计算,分布式计算,No SQL/New SQL,关系数据库,流计算,对象储存,分布式存储,数据质量管控与溯源,多租户与数据安全,元数据统一视图,风险 预警,全息 档案,数据 检索,数据 漏斗,研判 比对,群体 画像,自助 报表,公共安全,生态环境,智慧政务,智慧应急,智慧监管,医疗大脑,实体、事件抽取,关系、属性抽取,知识融合,知识库建立,知识图谱赋能城市智能公共管理系统，打造城市“数字大脑”中国城市存在巨大的存量治理和精细化发展需求。随着城市公共管理的数据来源由政务数据不断拓展至交通、视频、环境 等其他城市运行感知数据以及企业数据，城市大数据平台也从政务共享交换平台，发展成为多方共建共用共享的大数据平 台。基于知识图谱技术，将分散在政府各个部门、生产生活各个领域的相互孤立的数据资源联通共享，实现多源数据集成 交换，从而对政务数据和社会数据进行深度挖掘。通过数据融合分析与管控，最大化发挥数据要素的效能，发现不同群体、 不同行业的服务需求，实现政务服务的精准化供给、政府科学决策和高效社会治理。城市智能公共管理系统解决方案应用层,善政：环保知识图谱应用场景,构建生态环境知识库，形成统一环境数据标准环境保护是产业链规模庞大、业务复杂程度极高的行业。随着技术的快速发展，依托物联网感知设备构建的对大气、水利、 土壤、危废等环境监测网络已经铺开，但仍面临监测数据分散且维度多，存储维护难，海量原始数据需要大量人工清洗加 工以供预警、决策等问题，导致辅助上层决策利用率和准确率较低。应用知识图谱技术能统一并可视化结构复杂的原始环 境数据，梳理挖掘环保对象、环保流程、环保措施等数据之间的关系并转化为知识库，形成安全可靠的数据标准。知识图谱在环境保护中的应用场景及优势实现地理空间、污染源、水利、气象、土壤环境质量、网络舆情等多源异构数据的采 集，统一环境数据标准，构建生态环境数据平台和知识库，打通各级环保部门、跨部 门业务系统和社会各方，实现生态类数据资源全面多层次的共享开放对环境数据进行实时、立体化监控，通过对大量历史数据的统计分析和模型建 立，进行对环境质量趋势的长期跟踪和分析研判，对质量异常波动和各类环境 污染事故做出预警，提升管理能力，辅助精准决策对自然资源进行资产化管理，为自然资源资产做定性、定量的审计与评估，并 为其规划和管理提供业务数据支持对污染源信息进行全面逐级采集和深度挖掘，对企业固废信息申报、排污申报 管理、固废转移联单、污染减排、监管统计等工作进行全生命周期的跟踪管理， 实现污染物快速溯源，高效监管和执法对于产废企业及其上下游企业，对影响污染物排放的生产设施和污染物治理设施运行 的关键参数进行收集记录，建立环境信用评价体系对企业环保信用进行标准化评级， 累积相关数据形成企业环境信用档案，为环境治理提供依据,善政：公安知识图谱应用场景,重点解决数据关联性和数据价值挖掘问题，赋能线索情报分 析与案件预警公安大数据是全面助推公安工作质量、效率、动力变革的重要力量。随着跨部门、警种、业务的协同和整合大趋势的到来， 知识图谱作为大数据和人工智能双重技术的应用表现，能通过数据分析、文本语义分析等手段，抽取出人、物、地、机构、 虚拟身份等实体，并根据其中的属性、时空、语义、特征、位置联系等建立相互关联，构建一张多维多层的，实体与实体、 实体与事件的关系网络。根据数据的接入实时进行自动更新，能提供更有深度的信息，真正激发大数据的价值。在解决公 安大数据发展中面临的数据缺乏关联性、缺乏全警种智能应用等问题时发挥重要作用。建设公安知识图谱仍遵循知识图谱搭建逻辑，但其中知识抽取、本体层建设和实战应用开发等环节需要运用分布式储存、 关联算法、语义推理等技术，将公安部门多年业务中积累的技战法进行总结和可视化处理，与技术算法相互转换，以集成 犯罪和预测模型，实现重点人员场所关联分析、物品关联分析、团伙关系分析、异常事件挖掘、相似案件推理等功能，提 升公安信息化的智能化水平，促进公安情报研判的演进，高效服务公安的打防管控工作，甚至做到精准的犯罪预测预警。公安知识图谱构建流程,善政：司法知识图谱应用场景,司法领域数据治理以知识性为中心，适于知识图谱应用落地面对大量且复杂的司法大数据，应用人工智能需要提炼共性规则，即依据不同的司法场景，提取具有统一性和相似性的领 域规则并对抽取的数据进行数据标注，供机器学习以形成类似于人类的信息提取、逻辑分析能力。因此，与其说司法人工 智能以数据为中心，不如说其以知识为中心，构建司法知识图谱是人工智能司法应用的基础和先决性问题。司法知识图谱 将法律领域中的实体、属性和关系进行体系化梳理，并建立逻辑关联，通过知识图谱和大数据技术进行数据挖掘，辅助决 策，洞察知识领域动态发展规律。基于司法知识图谱可实现司法业务场景的智能应用，解决“案多人少”“同案不同判” 等现实问题。目前，司法知识图谱已广泛运用于法律知识检索和推送、文书自动生成、类似案件推送、裁判结果预测、知 识智能问答、数据可视化等方面，为司法人员办案提供高效参考和科学依据，全新定义司法数据应用和司法智能化，凝练 司法智慧，服务法治建设。司法案件案情知识图谱构建流程,法律法规文书库宪法、刑法、民法总则 公司法、合同法行为规范法条识别 证据时效法条识别证据有效性法条识别,类结构化信息文本运用基于规则的方法， 提炼出案情基本信息,判决书 电子卷宗,非结构化案情文本运用基于深度学习的方法， 提炼出案情关系三元组,事理图谱构建关键词筛选句法分析 模式匹配样本分析,证据推理规则生成,证据实体识别、证据属性抽取证据特征设计、证据特征量化 （支持度、置信度计算）专家知识校验证据链条事实判定链条模型,应用场景篇目录,善政城市治理环境保护公安司法惠民医疗健康教育兴业企业管理制造业智慧建筑智融智能风控与信用评估智能投资研究顾问智能产品营销,惠民：医疗健康知识图谱应用场景,患者：智能就医导诊患者就医时常会面临“知症不知病，知病 不知科”的问题，而现有的导诊方式一般 为人工导诊或基于关键词的导诊系统，其 效率和效果有待提升。基于知识图谱的智能就医导诊系统，借助 知识图谱的推理能力，为患者精准匹配症 状和疾病对应的科室和医生，不仅为患者 就医提供方便，提升患者就医体验，同时 也能促进医疗资源合理配置。,医生：辅助临床诊断高水平的医生往往需要多年的经验积累， 而基层医院的医生以及资历较浅的医生经 验比较欠缺，需要的培养时间也较长。 构建知识图谱平台，积累医药行业医学信 息及行业服务经验，能完整分析患者当次 诊断、主诉、相关检验检查结果及电子病 历、影像等历史数据，直观反映和动态推 理患者病情，查询类似病例，辅助优化诊 疗方案，审核医嘱合理性，有利于节约成 本、规范诊疗。,药企：市场拓展随着新产品加速上市和拓展基层市场，药 企面临医务工作者和患者间大量关于疾病 和用药的咨询，依靠医药代表和医学部的 人力资源很难及时提供高质量的咨询服务。 通过构建疾病和产品知识图谱、搭建知识 体系平台或问答平台，能对高频问题进行 智能回复，释放人力来处理更复杂的问题 咨询。同时，通过图谱的积累能不断完善 用户画像，进行客户的关联和转化。,在就医导诊、辅助诊断、药企市场拓展等领域提供知识服务医疗健康是典型的数据海量且多源异构的行业，且限于数据专业性强、结构复杂，数据融合在医疗健康行业应用场景中更 加困难。利用知识图谱的能力，可以聚合核心医学概念和全方位的医疗生态圈知识，从海量的临床案例中对经验和知识进 行提炼整理、录入标注、体系构建，在解决优质医疗资源供给不足和医疗服务需求持续增加的矛盾中产生重要的作用。知识图谱在医疗行业的应用场景,惠民：教育知识图谱应用场景,教育知识图谱与机器学习算法结合实现智适应教育当前人工智能技术更多应用在如拍照搜题、口语评测、课堂监控等外围需求的工具上，并未能有效深入到教学场景中，而 真正产生生产价值建立在充分且必要的数据基础上，搭建贯穿教材知识体系、教学资源管理和受教育者学习轨迹的知识图 谱，将教与学的全过程进行可视化展现，使静态知识点数据与动态教学活动的数据产生关联，为算法利用提供支撑环境。 知识图谱在教育领域主要有以下几种应用场景：一是将学科教材知识进行本体建模，形成可关联性查询的知识网络；二是 以图结构将教学资源以及关系进行语义化组织，以便合理调用；三是在知识图谱的基础上，应用大数据、AI等技术形成面 向学习目标的个性化学习路径，实现千人千面的教学方案；四是面对受教育者搭建个人知识图谱，通过对其知识点学习进 度和考试反馈数据的实时关联，形成知识掌握状态的可视化个人画像，以至于习题推送和老师一对一教学有的放矢；五是 将教育领域碎片化多源异构数据进行处理，形成标准化的关联数据集，为机器学习算法训练提供充要条件。通过以上五点 应用，勾勒出基于知识图谱的数字中台形式，最大限度地对教育领域数据进行资源整合，为上层智能化应用提供支撑，改 变了“传统教育披上人工智能外衣”的状况，用技术起底教育逻辑，形成数据指导下自适应学习的价值闭环。智适应教育技术框架,学习管理 系统核心,学习 引擎 本体,基于对话的人类用户界面,监控预警服务 系统呈现服务 系统管理服务,测试服务,学习导航服务,多模态综合行为分析 事件收集器,实时事件收集器,学习记录库,高级诊断和VPA引擎,目标管理引擎,实时分类 与预测,推荐引擎,用户状态评估引擎,学生画像,动态学习目标,内容图谱,错因分析本体,学习图谱,应用场景篇目录,善政城市治理环境保护公安司法惠民医疗健康教育兴业企业管理制造业智慧建筑智融智能风控与信用评估智能投资研究顾问智能产品营销,兴业：通用企业管理知识图谱应用场景,企业内部知识管理平台高效实现知识资源创造、沉淀和使用知识是企业发展和创新的重要源泉。随着Web2.0时代的到来，企业内部信息化的成本不断降低，信息化基础设施不断完 善，信息系统在大中小企业得到广泛覆盖，信息化的变革不仅极大的提升了企业的运作效率，也为企业积累了丰富的数据 资源，为企业步入知识管理阶段奠定基础。但数据孤岛和数据间缺乏关联的难题依然是制约企业有效实施知识发现和知识 管理的重要因素。日常工作场景中，企业内部往往会有大量的培训和项目总结会议，其中产生大量经验和知识需要准确地 推送给潜在使用者，各级员工有大量个人知识储量和项目及管理经验应当被共享，此外，企业用户产生与业务相关的知识需求后，往往希望能快速、准确地获得相关领域和业务的相关知识和解决方案、案例经验，都对企业内部知识的高效流动、 传播和利用提出要求。企业内部的知识来源广泛，知识增长体量大，识别、审核和管理知识的难度高，而知识图谱在信息 表达上更接近人类的认知方式，具有理解和处理海量信息的能力，并能通过语义理解和训练对知识进行推理和判断。因此 构建基于知识图谱的企业内部知识管理平台和商业洞察系统，能帮助企业从多源异构的海量数据中发现业务规律，建立从 研发、生产、营销、销售到服务的完整智能商业闭环，实现精准洞察、实时决策和高效运转。企业内部知识管理平台运作流程,知识,创造,员工、专家、项目、 文档、社区技术经验、产品经验、项目经验,识别、审核、维护知识管理平台：知识分类管理知识文档管理,- 知识分享社区- 外部资料库、专家库、 术语库、标准化库、 项目成果库、人才库,知识,应用,图谱分析、知识地图知识检索、智能推荐过程监督、偏差分析预测、规划、辅助决策,知识存储,兴业：通用制造业知识图谱应用场景,钢铁制造业汽车制造业能源行业军工行业纺织业.,对基础数据进行建模，在制造全流程实现多方面协调管控制造业体系庞大、场景丰富、产品类型多、定制化程度高，具有数据庞大且知识结构复杂的特性，存在着如工序流程和工 艺制造知识等事理知识，同时也存在大量的定量知识。事件之间存在着大量的事理逻辑关系，而不同角色本体构造提出的 需求也不尽相同。引入知识图谱技术，将工厂车间、人工资源、物料组件、设备制具、工艺流程、故障等制造业的基础数 据进行知识分类和建模，通过对知识的抽取，对定量知识与事理知识的融合以及对实体之间复杂关系的挖掘，构建制造业 知识服务平台，建立产品规划、设计、生产、试制、量产、使用、服务、营销和企业管理等全生命周期的互联，还能融合 环境、焚烧、水务、模具、能源管理等多个相关行业的知识内容，通过快速搜索和推理关系中的趋势、异常和共性更好地 组织、管理和理解制造业体系的内部联系，将知识转化为决策依据，破除产品封闭式的重复研发实现创新，进行全流程多 方面的协调管控，提高制造流程中问题的预见和解决能力，提升资源管理能力、生产效率和产品质量。知识图谱在制造业各流程的应用场景研究开发生产制造运行保障,