知识图谱问答应用场景有哪些？
从知识管理的角度而言，知识图谱的应用场景有以下这些：
智能知识库：采用数据爬虫、NLP、知识图谱等技术，实现企业知识内容自动采集以及自动化加工整理，帮助企业节省成本，从而便于企业从0-1快速启动知识管理工作；
科技资源图谱：以专业知识本体为中心，实现企业相关专利、论文、成果、标准等知识资源的一体化管理，可以为跨类型发现科技情报关联、科技情报语义检索、以及技术决策分析提供支持。
产品知识图谱：打通研发、制造、市场等环节，实现产品全生命周期数据&信息&知识的全视图呈现、产品信息查询、产品版本时序追溯等，并可以为产品原料挖掘、研发成本计算、产品卖点提炼等提供决策依据。
解决方案图谱：帮助方案型企业实现针对各个解决方案的特征（F）、优势（A ）、利益（B）和证据（E）的FABE结构化知识描述，并动态关联方案相关的专家、项目、客户等信息，可以为提升公司产品方案的销售赋能效果，提高项目中标率等提供支持。
项目知识图谱：实现项目基本属性、项目阶段成果、项目关联信息（如合同、人员、客户、业绩等）的一体化管理，构建融项目结构化、非结构化数据为一体的“项目户口本”应用，可以为企业项目资产管理、项目知识成果推荐复用等提供支持。
设备维修图谱：面向设备健康场景，通过设备故障、家族型缺陷、故障案例、缺陷记录等各类数据构建成设备维修图谱。如以变压器为例，设备维修图谱基于装备、部件、故障、质量分析报告、故障事件等数据形成统一管理知识库，为设备管理人员提供家族缺陷信息、设备故障等查询功能，为设备维修人员提供相似案例推荐、设备处理建议等功能，同时支持可视化分析缺陷影响范围。
工艺知识图谱：基于人机料法环五要素，实现工艺、工艺原料、工艺流程、工艺缺陷、工艺设备、相关人员等数据融合，可以为用户提供工艺知识检索、工艺全景展示、工艺流程控制等应用。如在工艺流程控制中，可由实施人员对设计人员的工艺设计进行可行性检测，减少不合理的设计、避免后期返工，进而达到工艺协同改进、辅助工艺设计的效果。
知识图谱有哪些应用？
从知识管理的角度而言，知识图谱的应用场景有以下这些：智能知识库：采用数据爬虫、NLP、知识图谱等技术，实现企业知识内容自动采集以及自动化加工整理，帮助企业节省成本，从而便于企业从0-1快速启动知识管理工作；科技资源图谱：以专业知识本体为中心，实现企业相关专利、论文、成果、标准等知识资源的一体化管理，可以为跨类型发现科技情报关联、科技情报语义检索、以及技术决策分析提供支持。产品知识图谱：打通研发、制造、市场等环节，实现产品全生命周期数据&信息&知识的全视图呈现、产品信息查询、产品版本时序追溯等，并可以为产品原料挖掘、研发成本计算、产品卖点提炼等提供决策依据。解决方案图谱：帮助方案型企业实现针对各个解决方案的特征（F）、优势（A ）、利益（B）和证据（E）的FABE结构化知识描述，并动态关联方案相关的专家、项目、客户等信息，可以为提升公司产品方案的销售赋能效果，提高项目中标率等提供支持。项目知识图谱：实现项目基本属性、项目阶段成果、项目关联信息（如合同、人员、客户、业绩等）的一体化管理，构建融项目结构化、非结构化数据为一体的“项目户口本”应用，可以为企业项目资产管理、项目知识成果推荐复用等提供支持。设备维修图谱：面向设备健康场景，通过设备故障、家族型缺陷、故障案例、缺陷记录等各类数据构建成设备维修图谱。如以变压器为例，设备维修图谱基于装备、部件、故障、质量分析报告、故障事件等数据形成统一管理知识库，为设备管理人员提供家族缺陷信息、设备故障等查询功能，为设备维修人员提供相似案例推荐、设备处理建议等功能，同时支持可视化分析缺陷影响范围。工艺知识图谱：基于人机料法环五要素，实现工艺、工艺原料、工艺流程、工艺缺陷、工艺设备、相关人员等数据融合，可以为用户提供工艺知识检索、工艺全景展示、工艺流程控制等应用。如在工艺流程控制中，可由实施人员对设计人员的工艺设计进行可行性检测，减少不合理的设计、避免后期返工，进而达到工艺协同改进、辅助工艺设计的效果。
知识图谱概念是什么?
知识图谱的概念是：知识图谱是自顶向下(top-down)的构建方式。自顶向下指的是先为知识图谱定义好本体与数据模式，再将实体加入到知识库。该构建方式需要利用一些现有的结构化知识库作为其基础知识库，例如 Freebase 项目就是采用这种方式，它的绝大部分数据是从维基百科中得到的。然而目前，大多数知识图谱都采用自底向上(bottom-up)的构建方式。自底向上指的是从一些开放连接数据（也就是 “信息”）中提取出实体，选择其中置信度较高的加入到知识库，再构建实体与实体之间的联系。知识图谱的体系架构是：知识图谱的架构主要包括自身的逻辑结构以及体系架构。知识图谱在逻辑结构上可分为模式层与数据层两个层次，数据层主要是由一系列的事实组成，而知识将以事实为单位进行存储。如果用（实体1，关系，实体2）、（实体、属性，属性值）这样的三元组来表达事实，可选择图数据库作为存储介质，例如开源的 Neo4j、Twitter 的 FlockDB、JanusGraph 等。模式层构建在数据层之上，主要是通过本体库来规范数据层的一系列事实表达。本体是结构化知识库的概念模板，通过本体库而形成的知识库不仅层次结构较强，并且冗余程度较小。大规模知识库的构建与应用需要多种智能信息处理技术的支持。通过知识抽取技术，可以从一些公开的半结构化、非结构化的数据中提取出实体、关系、属性等知识要素。通过知识融合，可消除实体、关系、属性等指称项与事实对象之间的歧义，形成高质量的知识库。知识推理则是在已有的知识库基础上进一步挖掘隐含的知识，从而丰富、扩展知识库。分布式的知识表示形成的综合向量对知识库的构建、推理、融合以及应用均具有重要的意义。
