對普通的網民來說，構建全面的移動應用知識庫信息有助于用戶查詢和預防APP的詐騙; 對網絡安全分析人員來說，APP知識圖譜不僅可以幫助網絡安全分析人員更加快速地找出潛在風險，也可以在一定程度確保移動網絡的安全。

移動應用（APP）知識圖譜MAKG

KBQG與一般QG任務主要區別在于輸入從知識庫來的事實一般以三元組<subject，predicate，object>形式表示，根據給定答案生成自然語言表述的問題。

知識庫問題生成（KBQG）技術介紹

人物圖譜是以“人物”實體和人物之間的社會關系為核心構建的知識圖譜。根據“六度分離理論”，在人際交往中，任意兩個陌生人最多只要通過五個朋友就能建立聯系。

傳統知識圖譜主要集中研究文本和數據庫的實體和關系，而多模態知識圖譜則在傳統知識圖譜的基礎上，構建了多種模態（例如視覺模態）下的實體，以及多種模態實體間的多模態語義關系。

在知識圖譜構建技術棧中，關系抽取（Relation Extraction）技術是其中的重要環節。關系抽取的一般形式是給定文本及文本中涉及的兩個實體，判定實體之間是否存在關系以及存在何種關系。

實現裁判文書的類案推送，關鍵在于度量案件事實之間的相似度，本質上是文本相似度計算。目前，學術界有許多針對文本相似度計算的模型，也有專門針對類案推送的數據集。

本體為特定領域中的信息提供了一個基本的分類框架，同時也為特定領域中的信息之間的關聯性提供了一定程度的邏輯描述，使得特定領域中的信息資源能夠在本體描述的框架上組織成一個有機的整體。

為了獲取并利用這些信息，越來越多的搜索引擎得到了廣泛使用，如 Google、Baidu、Bing 等。這些搜索引擎根據一定的算法，運用特定策略從互聯網中檢索出相關信息反饋給用戶。

Richpedia 網站（//richpedia.cn/）是為多模態知識圖譜開發的一個網站，其提供了對 Richpedia 數據庫的介紹，查詢，資源檢索，
使用說明以及數據下載服務，同時提供了多模態知識圖譜相關的SPARQL 和圖象實體鏈接等功能。

隨著近年人工智能的興起，各種大型的通用知識圖譜和領域知識圖譜被構建出來，這些圖譜在智能問答、語義搜索、輔助決策等應用中起
到了重要作用。但在知識圖譜的構建的過程中，始終存在著難以去除的噪聲與錯誤，即不確定性，如何在對不確定性的知識圖譜進行表示
與推理逐漸引起廣泛的關注。