本文是针对《A Survey on Application of Knowledge Graph》的一个翻译。
知识图谱作为一种语义图表示信息，在工业界和学术界引起了广泛关注。它们提供语义结构化信息的特性为许多任务带来了重要的可能解决方案，包括问答、推荐和信息检索，并被许多研究人员认为为构建更多智能机器提供了巨大的前景。尽管自谷歌于2012年提出知识图这一术语以来，知识图谱已经支持了各种商业和科学领域的多个“大数据”应用，但之前没有任何研究对知识图谱的应用进行系统性审查。因此，与关注知识图谱构建技术的其他相关工作不同，本文旨在对这些来自不同领域的应用进行首次调查。本文还指出，尽管近年来在应用知识图谱向特定领域提供语义结构化信息的巨大能力方面取得了重要进展，但仍有几个方面有待探索。
近年来，知识图谱（KG）已成为许多需要访问结构化知识的信息系统的基础。语义网的概念可以追溯到Berners-Lee在2001年的研究。在他的工作中，Berners-Lee建议推广和发展统一资源标识符（URI）、资源描述框架（RDF）和Web本体语言（OWL）等技术标准。
早期的一些研究通过使用RDF标准促进了基于图的知识表示。这些图中的节点表示实体，它们由表示关系的边连接。关系集可以组织在模式或本体中，该模式或本体定义了它们的相关性和使用限制。
链接数据的概念于2009年提出。它建议将语义网中的不同数据集相互链接，使它们被视为一个大型的全局知识图谱。直到2014年，大约1000个数据集在链接的开放数据云中相互链接，它们之间的大多数链接连接相同的实体。
2012年，谷歌提出了一种新技术，称为知识图谱，用于在网络搜索中使用语义知识。谷歌的知识图用于识别和消除文本中的实体歧义，用语义结构摘要丰富搜索结果，并在探索性搜索中提供相关实体的链接，以提高搜索引擎的能力，增强用户的搜索体验。此后，许多其他公司开始开发自己的知识图谱。例如，微软开发的搜索引擎Bing已经与类似的知识图谱Satori集成。如今，“知识图谱”也指语义网络知识库，如DBpedia、YAGO、Wikidata或Freebase。
知识图引起了工业界和学术界的广泛关注。它们提供可由计算机解释的语义结构信息，这种特性被认为为许多人构建更智能的机器提供了巨大的前景。许多关于知识图谱的回顾侧重于构建技术，然而，尽管知识图谱已经支持多种商业和科学领域的多个“大数据”应用，但没有关于知识图谱应用的综述。因此，本文的主要贡献是对知识图谱的应用进行了首次综述。
本文组织如下。第2节介绍了KGs的应用。第3节给出了我们的结论。
知识图谱技术自Google提出以来，近年来引起了大量的研究关注。KGs的研究可分为两类：KGs构建技术研究和KGs应用研究。构建技术的研究侧重于图中知识的提取、表示、融合和推理，例如在从非结构化文本中提取实体和关系后，将其正确链接到KG，并从KG中推理新的事实。而应用研究应将KGs应用于实际系统和特定领域。本文系统地综述了知识图谱的应用。
根据我们目前的调查，大多数致力于将KGs应用于特定领域的论文都将他们的兴趣放在了问答系统、推荐系统和信息检索系统上，这将在本文的第2.1节到第2.3节中介绍。第2.4节描述了KGs具有广泛应用前景的一些特定领域，如医疗、金融、网络安全、新闻和教育。第2.5节介绍了KG应用的一些其他可能性，如社交网络或分类。本文中KGs应用领域的分类如图1所示。
来自KGs的语义信息可用于增强语义感知问答（QA）服务中的搜索结果。Watson是一个问答系统，使用了多种知识库，如YAGO和DBpedia作为其数据源，由IBM开发，用于在Jeopardy程序中击败人类专家，该程序可用于显示KGs的价值。结构化知识也是社交聊天机器人和数字助理的重要组成部分，如XiaoIce、Cortana和Siri。
许多关于问答系统的研究使用Freebase作为知识源，并在WebQuestion上测试他们的系统，包括5810个问答对或包含超过10万个简单问题的SimpleQuestion，这些问题可以通过提取单个事实来回答。传统的基于KG的QA系统可分为三类：基于语义分析的、基于信息检索的和基于嵌入的。近年来，深度学习方法与传统方法相结合，以提高基于KG的QA系统的性能。
基于语义分析的问答系统致力于将自然语言问题转换为能够表达整个查询语义的逻辑形式。然后，解析结果用于生成结构化查询（例如SPARQL），以搜索知识库并获得答案。Bercant等人使用Freebase构建短语和谓词之间的粗略映射。然后，它们在给定问题中使用所有谓词，包括相邻谓词和通过桥接操作基于它们生成的附加谓词，以生成精确查询并获得正确答案。Fader等人将问题分解为一组较小的相关问题，并将每个小问题映射到一个查询，以找到相应的答案。然后，他们将所有答案组合在一起，以回答给定的问题。语义分析方法在处理复杂问题时表现出良好的性能。然而，它依赖于语义解析器的大型手工特征，这限制了应用程序域及其方法的可伸缩性。
基于信息检索的问答系统试图将自然语言问题自动转换为结构化查询。然后，他们从知识库中检索一组候选答案。最后，分别提取问题和候选的特征，对这些候选进行排序，并提出从中识别正确答案的方法。这种方法很少涉及自然语言问题的语义，仅在处理简单查询时取得了良好的效果。例如，在[14]中，从给定问题中提取语言信息，如问题词、问题焦点、问题动词和问题主题，以便将该问题转换为问题特征图。然后，形成一个主题图，该主题图由主题节点和自由库中的其他相关节点组成，主题图中的每个节点都被视为候选答案。最后，将从候选答案和主题图中提取的特征结合起来，从候选答案中识别正确的一个。该方法依赖于规则和依赖项解析结果来提取问题的手工特征。
研究工作[15]是基于嵌入的QA系统的一个示例。作者首先学习给定问题和实体的低维向量嵌入。然后，他们将Freebase类型关联起来，以计算问题和候选答案之间的相似性得分。最后，相似度得分最高的候选人将被视为最终答案。研究工作[16]也将嵌入作为其核心。它在不完美的标记训练数据上表现出诱人的适应性。此外，它还提出了一种微调基于嵌入的模型的方法，从而一致地提高性能。这样的成就取决于对嵌入空间中采用的相似性参数化矩阵的仔细优化。与语义分析方法和信息检索方法相比，向量建模方法在训练期间实现了具有竞争力的性能，而不需要任何手工制作的特征或用于词性标记、句法或依赖性分析的附加系统。然而，它忽略了词序信息，无法处理复杂的问题。
随着深度学习在自然语言处理领域的迅速发展，许多研究开始利用深度学习方法改进传统方法的性能，并取得了良好的效果。Dong等人使用多列卷积神经网络（MCCNN）进行信息检索，而不依赖手工制作的特征和规则。他们采用评分层根据问题和候选答案的表示对候选答案进行排序。Hao等人提供了一种具有交叉注意机制的端到端神经网络模型，该模型考虑了各种候选答案方面，以表示问题及其相应分数。Yih等人认为，语义解析的传统方法在很大程度上与知识库脱钩。受信息检索方法和嵌入方法的启发，他们将语义解析简化为查询图生成，并将其表述为阶段搜索问题，以充分利用知识库中的知识。他们还应用深度卷积神经网络（CNN）模型在早期阶段利用知识库来修剪搜索空间，从而简化语义匹配问题。Zhang等人提出了一种基于注意力的双向长短期记忆（BiLSTM），用于在使用嵌入方法时学习问题的表示。实验结果表明，他们的方法是有效的，并且具有更好的表达问题适当信息的能力。
近年来，一些研究也集中于更复杂的QA任务。与其他专注于事实发现提取式QA的工作不同，研究工作[21]专注于多跳生成任务。根据这项工作，使用具有多注意机制的模型执行多跳推理，并通过指针生成器解码器合成答案。这项工作还提出了一种方法，通过使用从ConceptNet中选择的接地多跳关系常识信息来填补上下文跳之间的推理空白。工作[22]关注代码混合简单问题QA，它包含两种语言。它提出了一种三重连体混合CNN（TSHCNN）对候选答案进行重新排序，并使用K-最近和双语嵌入进行语言转换。
随着互联网技术的进步，商品、电影和新闻等大量在线内容成为用户面临的严重问题。在这种环境下出现的推荐系统减轻了个人面临的信息过载。协同过滤（CF）是一种传统的推荐方法，基于用户的共同偏好和历史交互执行推荐。然而，这种方法通常受到用户数据稀疏性的影响，例如用户项交互和冷启动问题。因此，解决这些问题以便通过使用辅助信息来改进推荐系统是非常重要的。
最近的研究开始考虑KGs作为辅助信息的来源。KG中与各种类型的关系有助于提高推荐者的准确性并增加推荐项目的多样性。KGs还为推荐系统带来了可解释性。一般来说，现有的构建基于KG的推荐系统的方法可以分为基于嵌入的方法和基于路径的方法。
在推荐系统中利用KG的一种可行方法是基于嵌入的方法，该方法通过知识图谱嵌入（KGE）算法对KG进行预处理，并将学习的实体嵌入应用于推荐框架。DKN是一种基于CNN的方法，提出将实体嵌入与单词嵌入相结合用于新闻推荐。Zhang等人提出了一个统一的贝叶斯框架，其中CF模块与文本嵌入、图像嵌入和项目知识嵌入相结合。这项工作[25]通过使用深度自编码器进行推荐，开发了多个社交、个人资料和情感网络。Wang等人设计了一个交叉和压缩单元，以自动共享KGE任务和推荐任务之间的潜在特征，并学习推荐系统中项目和KG中实体之间的高阶交互。
尽管基于嵌入的方法在将KGs应用于推荐系统时表现出了高度的灵活性，但它们几乎不包含文本之外的辅助信息。此外，基于嵌入方法的常用KGE算法不适合推荐。
另一种更自然、更直观的方法称为基于路径的方法，是设计一种图算法，直接探索KG中节点之间的各种连接模式，为推荐提供额外信息。在研究工作中，KG被认为是一个基于异构信息的网络。在这项工作中，从KG中提取基于元图/元路径的潜在特征，以沿着不同类型的关系图/路径表示项目和用户之间的链接。Wang等人采用LSTM网络，通过组合实体和关系的语义来生成路径表示，并通过利用路径内的顺序依赖性，对路径进行有效推理。
虽然这种方法更自然和直观地使用KG，但它严重依赖于手工设计的元路径，在实践中很难优化，并且不可能在实体及其关系不在一个领域（如新闻推荐）内的某些特殊场景中进行设计。
RippleNet是一种试图结合上述两种方法优点的方法。它在KG中传播用户的潜在偏好，并发现他们的分层兴趣。它通过传播偏好信息自然地将KGE方法结合到推荐系统中，并且不需要任何手工设计。然而，这种方法较少关注关系。此外，随着KG大小的增加，三元组集合的大小可能变得不可预测，这将导致大量计算和存储开销。
Cao等人注意到，KG缺少实体、关系和事实是非常普遍的。因此，他们在利用KG中的事实作为辅助数据来增强用户项交互的建模之后，基于增强的用户项建模来完成KG中缺失的事实。
由于KGs的出现，今天越来越多的商业网络搜索引擎正在整合KGs的实体数据，以改善其搜索结果。例如，Google整合了来自Google Plus和Google知识图谱的数据，而Facebook通过图形搜索对实体执行搜索任务。
KGs包含关于真实单词实体的人类知识的特性有助于搜索系统提高其理解查询和文档的能力。一些研究人员正致力于探索KGs在信息检索方面的潜力。面向实体的搜索随着大规模KGs的发展而发展。有许多可能的方法可以在不同的组件中利用KGs的语义，例如查询表示、文档表示和搜索系统的排序。
通过引入相关实体及其文本来扩展查询，可以改进查询表示。例如，工作[31]提供了实体本身的特征，实体与知识库（如结构化属性和文本）之间的链接用于丰富查询。
通过将注释实体添加到文档的向量空间模型中，可以丰富文档表示。在研究工作[32]中，从查询和文档的实体注释生成实体向量包以表示它们。然后，使用实体空间中文档和查询之间的输出匹配对文档进行排序。工作[33]将查询和文档建模为一组语义概念，这些语义概念是通过实体链接系统运行它们而获得的。
另一种方法是通过相关实体建立从查询到文档的附加连接，以改进排序模型。Liu等人将查询和文档映射到高维潜在实体空间，其中每个维度对应于一个实体，然后根据查询和文档对潜在空间中每个维度的投影来估计查询和文档之间的相关性。Xiong等人有助于捕获更多语义关联模式。在他们的工作中，实体和词表示之间的交叉匹配与四方交互结合在一起。
在信息检索系统中，融合了KGs中人类知识的面向实体搜索显示出了良好的结果，而深度学习技术使得从大规模训练数据中学习更复杂的排序模型成为可能。研究工作[36]将KGs引入神经搜索系统。它将KG的语义集成到其实体的分布式表示中，并通过基于交互的神经排序网络对文档进行排序。
随着医疗保健信息的爆炸式增长，文本医学知识（TMK）在医疗保健信息系统中占据越来越重要的地位。因此，一些研究开发了TMK并将其集成到知识图谱中，以提供计算机以正确和快速的方式检索和解释医学知识。Ernst等人提出了一种自动构建大型生物医学科学知识图谱的方法。他们的数据来源是UMLS的实体词库，以及来自不同卫生门户网站的各种科学出版物和帖子的输入源，它们无法与卫生数据集成。Shi等人成功地将健康数据整合到异质文本医学知识中。它们还提供了一种算法来修剪知识图上的无意义推理，以提高推理结果的性能。Goodwin等人专注于使用2010年i2b2挑战提出的框架，将医生的信念状态纳入病历中。
Rotmensch等人提出了一种方法，可以自动生成一个将疾病映射到症状的图表，这可能是由电子病历（EMR）数据引起的。他们的数据来源包括超过270000名患者就诊的急诊科医疗记录。
这些构建医学KG的方法依赖于真实的标准医学术语，而在某些语言（如中文）中缺乏这些术语。因此，在这种语言上构建医学KG的尝试总是得到相对较低的精度结果。构造算法仍然需要改进，以在未来的工作中解决此类问题。
随着信息技术的发展，信息安全越来越受到社会和行业的关注。KG可以与网络安全相结合，以检测和预测动态攻击，保护人们的网络资产。Jia等人使用机器学习建立了一个网络安全知识库，并提出了一个五元模型，通过路径排序算法获得新知识。Qi等人演示了网络攻击步骤，并通过在构建KG时添加事件本体来定义攻击、事件和警报之间的关系。然后，他们提出了一种关联分析算法，该算法基于一些攻击步骤具有许多组合，但它们与同一警报相关的思想。
上述工作更侧重于网络安全KG的建设。然而，如何利用KG固有的知识推理能力有效地检测网络安全事件，并根据分析人员的新发现快速更新KG，还需要进一步研究。
Liu等人通过抓取每家公司的新闻，识别命名实体并提取相关股票之间的业务关系，构建了一个企业KG。他们通过门控循环单元（GRU）模型结合相关股票的新闻情绪，以预测股票的价格变动。他们的方法使用股票之间的关系进行预测，因此如何在大KG中识别它们之间具有强相关性的股票是一个需要解决的问题。工作[44]提出了一种开放、细粒度、可自由访问的KG公司标识符方案。
主要为金融业提供服务、协助金融公司降低网络安全风险的网络安全保险（CI）也蓬勃发展。保险供应商在对保险项目之间复杂关系导致的网络事件进行分类时遇到的困难是CI中的一个问题。Elnagdy等人认为，将知识图谱与本体相结合是识别CI领域实体之间复杂关系的有效方法。该工作提出了一种网络事件分类模型，称为SCIC，该模型将语义网中的所有本体连接起来，以生成知识表示。
总的来说，新闻是动态的，随着时间的推移而变化，新闻语言高度浓缩，充满了知识实体和常识。因此，一些研究将KGs应用于新闻领域来处理这些特征。DKN在新闻推荐中采用知识图谱表示，以充分发现新闻之间潜在的知识水平联系，从而合理扩展用户推荐结果。这项工作[47]开发了一种工具，用于从以英语、意大利语、荷兰语和西班牙语等多种语言描述世界变化的新闻报道中自动构建以事件为中心的KG。工作[48]聚合了非结构化新闻文章和描述事件的结构化维基数据，以检索描述事件的新闻文章。
另一方面，假新闻的广泛传播可能会对社会产生巨大的负面影响。研究工作将假新闻检测问题视为KG中的链接预测任务。这项工作从事实陈述网络中挖掘异构连接模式，以检验断言的真实性。
考虑到新闻总是在国家之间快速传播，提高实体解析和语义角色标记等一些关键任务的性能是非常必要的，尤其是在多语言环境中。
在教育领域，一些研究采用KGs进行学习资源推荐和概念可视化。KnowEDU是一个自动构建KG用于教育的系统。与一般KG中节点代表共同现实世界的实体不同，教育KG中的期望节点代表学习者应该掌握的教学概念。因此，本研究将循环神经网络（RNN）模型应用于教学数据，以提取教学概念。然后，利用学生的表现数据，通过概率关联规则挖掘算法识别连接教学概念的教育关系。Grévisse等人介绍一种工具，用于推荐和整合流行创作软件中的学习材料。他们通过扩展和过滤策略从开放KG中获取额外信息，构建语义表示，并为教师识别最重要的概念，然后使用这些概念从开放语料库中定位和检索相关学习资源。
目前的研究主要集中在基本关系提取上。更深入和准确的关系提取可能有助于显示教育KG中数据的更多潜在信息。
描述社交网络去匿名化和隐私推断过程是应用KGs的进一步应用。此类应用有助于确定和衡量隐私暴露。在此场景中，节点表示用户，而链接表示用户关系。将非对称化问题转化为最大加权二分匹配问题，并使用局部敏感哈希（LSH）进行隐私推断。
一些研究人员还考虑使用KGs进行分类。Zhang等人充分利用更接近生物视觉信息处理模型的知识图谱来研究图像中类别之间的关系，并结合语义计算方法来指导图像分类任务。Ma等人通过添加与外部知识集成的组件改进了经典LSTM单元，这直接有助于识别情感分析的方面和情感极性。
虽然主要地球科学研究工作侧重于处理地理参考定量数据，但一些研究人员正试图从文本地球科学数据中提取信息和知识发现。该工作[55]处理地质文件，并通过无监督学习方法直接提取知识。然后利用文档处理和字典扩展技术，结合链接的开放数据，构建了一个KG。然而，这些工作并没有实现知识图谱和原始文献之间的信息检索。
KG还可以帮助打击人口贩运。为了帮助相关组织找到贩运者并帮助受害者，Szekely等人为人口贩运领域建立了一个大型KG。他们使用从网站上连续爬取的性交易行业广告作为数据源，并通过语义技术协调来自不同来源的数据。
工作[57]表明，KGs可以应用于机器翻译，研究工作[58]支持了这一观点，研究工作通过生成多语言知识图嵌入，有助于跨语言对齐实体。
据我们所知，本文首次系统地回顾了知识图谱在不同领域的不同应用，如问答、推荐、信息检索等。总体而言，我们得出结论，尽管知识图谱具有提供语义结构化信息的巨大能力，并且近年来在将这种能力应用于特定领域方面取得了重要进展，但仍有几个方面有待探索。
在未来的工作中，我们计划通过整合KG算法的应用程序和方法扩展来扩展这项调查。
