我似乎总是想以最节能的方式，用自然界里最平常的东西来造各种东西。—— 艾伦·麦席森·图灵
知识图谱（Knowledge Graph）的历程发展可以追溯到20世纪70年代诞生的专家系统，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。
1984年，Douglas Lenat设立的Cyc是本体知识库。
1989年，Tim Berners-Lee发明了万维网。
1998年，Tim Berners-Lee再次提出语义网，语义网是能够根据语义进行判断的智能网络，实现人与电脑之间的无障碍沟通。它好比一个巨型的大脑，智能化程度极高，协调能力非常强大。
2006年，Tim Berners-Lee提出链接数据（Linked Data）的概念，数据不仅仅发布于语义网中，而要建立起数据之间的链接从而形成一张巨大的链接数据网。
2007年，DBpedia项目是目前已知的第一个大规模开放域链接数据。
2012年，Google提出了知识图谱的概念。
构建随着感知智能的慢慢成熟，人工智能进入从感知智能（主要集中在图像、视频、语音方面）向认知智能（自然语言处理、知识推理、因果分析等）升级之路，而知识图谱是认知智能领域中最主要的技术之一。
在知识图谱构建技术挑战中，领域内知识表示建模、实体识别与实体链接、关系事件抽取、隐性关系发现等技术是当前研究的热点。
构建知识图谱流程包含信息抽取、知识表示、知识融合、知识推理四个阶段。从最原始的结构化、半结构化、非结构化数据出发，采用一系列自动或者半自动的技术手段，通过批式和流式进行构建。
结构化数据一般存在于关系性数据库中，但是也存在数据质量差，数据标准不统一，元数据缺少等问题。通过数据清洗，数据标准化，异构数据源的融合等过程来构造知识图谱。
非结构化需要用到实体识别和关系抽取等步骤。实体识别后需要进行实体链接，实体链接是将已识别出的实体与已有知识库中对应实体进行链接，有基于规则的算法和基于深度学习的方法。关系抽取更具挑战性，涉及指代消解等难点，比如，一段文本中有很多代词的指定，这些代词需要找到具体的实体，从中再抽取到关系，越来越多的人使用深度强化学习等技术应用于关系抽取，提高其抽取的效果。
构建隐性关系，显性关系指原始数据直接抽取出来的关系，隐性关系是通过数据挖掘、图挖掘等计算出来的关系。
应用目前知识图谱在多个不同的领域得到了广泛应用，主要集中在社交网络、金融、人力资源与招聘、保险、广告、物流、零售、医疗、电子商务等领域。
扫码关注，或搜索大数据与知识图谱：
