視頻中，用戶在問第二個問題時，并沒有提到城市，但是客服機器人可以準確回答珠海分行。客服機器人「機智過人」的背后，便是來自捷通華聲AI硬核技術——知識圖譜。
知識圖譜可以將非結構化、結構化、半結構化數(shù)據(jù)經(jīng)過知識抽取、知識融合、知識加工等方法構建成有關聯(lián)關系的圖模型。知識圖譜由實體、關系和屬性三部分構成，能夠非常清晰的體現(xiàn)不同實體之間的關系。在智能客服中，知識圖譜利用知識庫來輔助理解用戶問話內容。
以上圖為例，張京的「職業(yè)」是翻譯，她的「國籍」是中國…在知識圖譜中，將客觀存在的「職業(yè)」和「國籍」等屬性關系，作為連接線，將張京與個人標簽之間進行連接。當然，除此外，張京還有很多個人標簽，比如畢業(yè)院校外交學院，漢族等等。
在現(xiàn)實世界中還存在很多隱性或復雜的關系。在客服領域，這種關系同樣存在，這就需要對各種關系不斷的挖掘，從而構建龐大的知識圖譜，以便更好的服務用戶。
知識圖譜構建
簡單來說，知識圖譜的構建類和思維導圖非常相似，只要找到關聯(lián)關系，就可以將各個實體連接起來，主要包括知識抽取、知識融合及知識加工。
知識抽取
知識抽取就是從獲取到的各種原始數(shù)據(jù)中提取出實體、關系和屬性。知識抽取步驟所涉及的數(shù)據(jù)有非結構化數(shù)據(jù)、結構化和半結構化數(shù)據(jù)。以非結構化數(shù)據(jù)的關系抽取為例，可以分為開放領域關系抽取和限定領域三元組抽取。
- 限定領域關系抽取
限定領域三元組抽取是在一個或多個限定的領域內對實體間的語義關系進行抽取，即實體領域已做限制，如：
數(shù)據(jù)：以下是鈞達股份在北京時間9月19日14:26分盤口異動快照:9月19日，鈞達股份盤中快速上漲，5分鐘內漲幅超過2%，截至14點26分，報18.05元，成交3310.86萬元，換手率4.92%。
抽取結果：鈞達股份，漲跌幅，超過2%
- 開放領域三元組抽取
開放領域三元組抽取是依據(jù)模型對自然語言句子理解的結果進行開放式抽取實體關系，即對實體領域不做限制，如：
數(shù)據(jù):7月19日，河南省自然資源廳地質勘查處陳軍副處長協(xié)同自然資源部專家孟立山組成省廳地質災害防治調研組蒞臨方城縣調研指導工作。
抽取結果：河南省自然資源廳，副處長，陳軍
知識融合
知識抽取完成后，需要將不同類型實體信息進行知識融合，即將不同知識庫的同一實體和同一屬性分別融合在一起。
- 屬性融合
把來自不同知識庫或名稱不同但表示特征相同的屬性進行信息融合，將同一實體中等價的屬性進行歸類統(tǒng)一，如：「注冊地，注冊地點，注冊地址」融合為「注冊地址」
- 實體融合
對表示同一個對象的多個實體之間構建對齊關系，同時對實體包含的信息進行融合和聚集。如：「捷通華聲，捷通華聲靈云，捷通華聲科技股份有限公司」屬性值相同融合。
知識加工
對知識圖譜進一步補充擴展，形成更加靈活的知識大腦。
知識圖譜功能
捷通華聲的知識圖譜支持查詢實體或實體對應屬性、查詢多個實體間的關聯(lián)關系，實現(xiàn)實體間的屬性值進行計算，以及根據(jù)多個實體的屬性值進行篩選等功能。
屬性查找
查詢實體或實體對應屬性時，對于某一實體以及實體對應的某種屬性進行提問，返回其答案。例如當圖譜數(shù)據(jù)為：姚明-身高-226cm
Q：姚明的身高是多少？
A：姚明的身高是226cm
關系查詢
查詢多個實體間的關聯(lián)關系時，對于多個實體之間的關聯(lián)關系提問，返回其關系。例如圖譜數(shù)據(jù)包括“葉惠美-兒子-周杰倫”和“周杰倫-妻子-昆凌”
Q：葉惠美和昆凌什么關系？
A：葉惠美的兒子是周杰倫，周杰倫的妻子是昆凌
插值計算
實現(xiàn)實體間的屬性值進行計算，例如圖譜數(shù)據(jù)為“小明-年齡-5”和“小王-年齡-6”
Q：小王比小明大幾歲？
A:1歲
按值篩選
根據(jù)多個實體的屬性值進行篩選，例如圖譜數(shù)據(jù)為“小明年齡5”，“小王年齡6”，以及“小洪年齡7”
Q:6歲以下的人有哪些？
A：小明，小王
