钛资本研究院：事理图谱技术及其金融领域创业投资机会探讨( 九 )_随着阿尔法围棋（AlphaGo）击败人类职

从学术角度或数据理解的角度来讲，知识图谱解决了全部信息类的问题，就是那些事实类的问题。另外知识点之间的关联，名词之间的关联可以解决一部分组合性和相关性的问题，比如从图上可以推理出来林肯和霍金维尔市关系等。过去可能有一些知识没有直接表达，但是可以借助一些网络之间的推理关系、连接关系推理得出，所以知识图谱从信息的角度来讲，是全部的信息加上一部分的知识。

知识图谱的主要应用体现在几个方面：第一，推荐任务，像经常使用的搜索引擎及类似于今日头条内容性的搜索都是推荐类的任务；第二，风控任务，包括金融授信模型、反恐还有情报领域的危险识别，比如美国的Palantir公司用知识图谱识别本拉登的线索，都属于风控任务；第三，知识管理类的任务，如问答、客服等等；第四，知识发现类任务。

知识图谱没能解决什么问题呢？其实在很多领域都会看到与逻辑有关的问题，比如在金融投资领域对事件的逻辑关系进行推理、推演、预测等需求，同时在军事、反恐、情报、舆情领域也都有相关需求。也就是说，从DARPA的五个层次来分，主要是知识类和理解类的问题没有解决。在人思考问题时，会看到各种“如果”“因为” ，在研究问题或表达想法时用的也都是各种逻辑，这些逻辑基于名词的知识图谱是非常难以表达的。再回到看17个场景中，有大量“如果…”“就…” ，即使用大量逻辑来表达知识库，例如金融产品、精准营销以及新场景中的自动化审核、审查、审计、风控、监管、投资研究等都与逻辑密切相关。