知识图谱是人工智能的一种手段
有知识图谱可以快速分析，得到我们需要的答案。
工业质检、智能机器人控制、医药挖掘更适合知识图谱，知识图谱更加重视逻辑。
知识图谱与人工智能、机器学习的关系
知识图谱在数据上提供了更加易于调用的，相对成逻辑的知识（底层数据），支持算法更好的实现业务诉求。
端对端的深度学问答技术：chatgpt
基于图检索的问答技术：问题知识的语义解析，超大规模图检索引擎，需要很强的底层数据知识图谱。 图谱生成系统需要应用很多人工智能和机器学习的技术，比如网络爬虫、实体生产（比如用深度学习算法生成）、语义识别
基于推理计算的问答技术
都是为了实现人工智能而出现的工具，知识图谱为人工智能和机器学习提供了底层的数据，机器学习又帮助了知识图谱帮助知识图谱的生成，是复杂的双向关系。
知识图谱数据库VS传统结构化数据库
知识图谱数据库VS传统结构化数据库的关系：
预先整理里数据库中的信息，变为相对结构化、逻辑严谨的知识结构；
传统数据库强调记录。
知识图谱图式流计算VS传统结构化数据库的逻辑计算：
深层次很深，比sql快上千倍，效率更高。
需要实时计算和反应。
知识图谱VS预训练模型：
更加适合精准、有明确的结果的处理指令。
知识图谱构建方法
知识建模——>知识获取——>知识融合——>知识存储——>知识计算——>知识应用
- 知识获取： 非结构化数据：算法nlp，实体识别，关系抽取
结构化数据：格式转化D2R
- 知识融合：
- 知识计算：
知识图谱：基于现有的信息有逻辑展示的图形，好处是快速及时大规模的反应和计算
图应用：
- 信息、语义搜索
搜索、过滤、引导、遍历、连通性确认、寻找最短路径、拆分、merge - 可视化决策支持
- 辅助模型探索
