答题游戏里的题目大多不难，但涉及范围很广，知识、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卖力算出535+679 的结果，B卖力回答海绵宝宝住的屋子是什么形状。

就算是这样，末了还是败在了“长城到底有多长”这样的问题上。
对付此，很多同学调侃说为什么不能多长一个脑袋。

本日就先容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年由谷歌宣告提出，开始只是作为谷歌天下知识库的名称，后来由于这个名词太深入民气，便被泛指各种大规模天下知识库或领域知识库。

说大略点，知识图谱便是一张由知识点相互连接而成的语义网络，举个小栗子，提到贤人孔子，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，便是一张最大略的知识图谱

如图所示，常日我们会把图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）

这些便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。

构建一张完全的知识图谱，除了信息抽取之外，多源知识的自动领悟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领悟，还是来举个小栗子，大部分同学该当都认识张学友，他不仅是个歌手，也是个演员，我们很随意马虎理解唱《吻别》的张学友，和出演《男人四十》的张学友，是同一个人。

但机器可能没那么随意马虎就判断电影数据里的张学友，便是音乐数据里的张学友。

由于电影数据和音乐数据属于不同的数据源，这时候就须要多源知识的自动领悟，将不同数据源的相同实体用自动华算法将其聚类。

知识加工实在包含2个方面，一是面向知识的表示学习，一是知识的运用。

说大略点，便是机器通过信息抽取和知识领悟，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，便是出演《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，涌现张学友演唱的吻别，这个从后端打算到前端呈现的过程，便是知识加工，这一个完全的循环便是知识图谱。

没有完备弄懂的同学，可以现搜一下“长城有多长”这个问题，涌现的“21196.18千米”这个精确答案，便是知识图谱。

图片来自于刘知远老师《知识图谱的构建技能综述》一文

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？

紧张缘故原由有以下2点

a 数据库的及时更新

这一点用普通的话来讲，叫做追热点。
比如我们能够及时吸收并轻易接管“撒币”这个词，并沉醉于这类答题游戏。

我们接管这个新词，玩这个新游戏的时候，便是在随时随地的更新我们的知识储备。

但机器弗成，目前大部分机器更新数据库都须要人类的赞助，由于这一天然劣势，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能的快速发展给填补起来，机器学习让机器能够实时接管和容纳新的知识，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随意马虎了，通过干系措辞，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。