Um gráfico de conhecimento, também conhecido como uma rede semântica, representa uma rede de entidades do mundo real, ou seja, objetos, eventos, situações ou conceitos, assim como ilustra o relacionamento entre elas. Essas informações são geralmente armazenadas em um banco de dados gráfico e visualizadas como uma estrutura gráfica, dando origem ao termo "gráfico" de conhecimento.

Um gráfico de conhecimento é composto por três componentes principais: nós, bordas e rótulos. Qualquer objeto, lugar ou pessoa pode ser um nó. Uma borda define o relacionamento entre os nós. Por exemplo, um nó pode ser um cliente, como a IBM, e uma agência, como a Ogilvy. Uma borda seria categorizar o relacionamento como um relacionamento com o cliente entre a IBM e a Ogilvy.

A representa o sujeito, B representa o predicado, C representa o objeto

Vale a pena notar também que as definições de gráficos de conhecimento variam e existem pesquisas (PDF, 183 KB) (link externo à ibm.com), que sugerem que um gráfico de conhecimento não é diferente de uma base de conhecimento ou uma ontologia. Em vez disso, ela argumenta que o termo foi popularizado pelo gráfico de conhecimento do Google em 2012.

Ontologias

As ontologias também são frequentemente mencionadas no contexto de gráficos de conhecimento, mas, novamente, ainda há debate sobre como elas diferem dos gráficos de conhecimento. Por fim, as ontologias servem parar criar uma representação formal das entidades no gráfico. Eles geralmente são baseados em uma taxonomia, mas como podem conter várias taxonomias, sua própria definição separada é mantida. Como gráficos de conhecimento e ontologias são representados de maneira semelhante, ou seja, por meio de nós e bordas, e são baseados nos triplos do Resource Description Framework (RDF), eles tendem a se parecer um com o outro nas visualizações.

Um exemplo de uma ontologia pode ser se formos examinar um determinado espaço, como o Madison Square Garden. Uma ontologia distingue entre os eventos naquele local usando uma variável, como o tempo. Um time de esportes, como o New York Rangers, tem uma série de jogos em uma temporada que será jogada nessa arena. São todos jogos de hóquei no gelo, e estão todos localizados no mesmo local. No entanto, cada evento se destaca por sua data e hora.

A Web Ontology Language (OWL) é um exemplo de uma ontologia amplamente adotada, que é suportada pelo World Wide Web Consortium (W3C), uma comunidade internacional que defende normas abertas para a longevidade da Internet.  Por fim, essa organização do conhecimento é suportada por uma infraestrutura tecnológica, como bancos de dados, APIs e algoritmos de machine learning, que existem para ajudar as pessoas e os serviços a acessar e processar informações com mais eficiência.

Os gráficos de conhecimento são normalmente compostos por bancos de dados de várias origens, frequentemente com estruturas diferentes. Esquemas, identidades e contexto trabalham juntos para proporcionar uma estrutura a dados diversos. Os esquemas fornecem uma estrutura para o gráfico de conhecimento, as identidades classificam os nós subjacentes apropriadamente, e o contexto determina o ambiente em que esse conhecimento existe. Esses componentes ajudam a distinguir palavras com múltiplos significados. Isso permite que produtos, como o algoritmo do mecanismo de procura do Google, determinem a diferença entre Apple, a marca, e apple, a fruta.

Gráficos de conhecimento, alimentados por machine learning, utilizam o processamento de linguagem natural (PLN) para construir uma visualização abrangente de nós, bordas e rótulos por meio de um processo chamado enriquecimento semântico. Quando os dados são ingeridos, este processo permite aos gráficos de conhecimento identificar objetos individuais e entender os relacionamentos entre diferentes objetos. Esse conhecimento de trabalho é então comparado e integrado com outros conjuntos de dados, relevantes e semelhantes em natureza. Assim que um gráfico de conhecimento estiver concluído, ele permite que sistemas de resposta a perguntas e de busca recuperem e reutilizem respostas abrangentes para determinadas consultas. Enquanto produtos voltados ao consumidor demonstram sua capacidade de economizar tempo, os mesmos sistemas também podem ser aplicados em um ambiente de negócios, eliminando o trabalho de coleta de dados manual e de integração para suportar a tomada de decisão corporativa.

Os esforços de integração de dados em torno de gráficos de conhecimento também podem suportar a criação de novo conhecimento, estabelecendo conexões entre pontos de dados que podem não ter sido percebidos antes.

Há uma série de gráficos de conhecimento populares voltados para o consumidor, os quais estão definindo as expectativas do usuário em relação a sistemas de busca em todas as empresas. Alguns desses gráficos de conhecimento incluem:

• DBPedia e Wikidata são dois gráficos de conhecimento diferentes para dados na Wikipedia.org. O DBPedia é composto por dados das caixas de informação da Wikipedia, enquanto o Wikidata se concentra em objetos secundário e terciários. Ambos normalmente publicam em um formato RDF.  
• O Google Knowledge Graph é representado por meio do Google Search Engine Results Pages (SERPs), fornecendo informações com base naquilo que as pessoas procuram. Este gráfico de conhecimento é composto por mais de 500 milhões de objetos, obtendo dados da Freebase, Wikipedia, CIA World Factbook e muitos outros.

No entanto, os gráficos de conhecimento também tem aplicações em outros setores, como:

• Varejo: gráficos de conhecimento são utilizados para estratégias de venda incrementada (up-sell) e venda cruzada (cross-sell), recomendando produtos com base no comportamento de compra individual e tendências populares de compra em grupos demográficos.
• Entretenimento: gráficos de conhecimento também são utilizados para mecanismos de recomendação baseados em inteligência artificial (IA) para plataformas de conteúdo, como Netflix, SEO ou mídia social. Baseados em clique e em outros comportamentos de engajamento on-line, esses provedores recomendam novo conteúdo para os usuários ler ou assistir.
• Finanças: esta tecnologia também tem sido utilizada para iniciativas de KYC (know-your-customer ou "conheça seu cliente") e contra lavagem de dinheiro dentro do setor financeiro. Elas ajudam na prevenção e investigação de crimes financeiros permitindo que as instituições bancárias entendam o fluxo de dinheiro em sua clientela e identifiquem clientes fora de conformidade.
• Assistência médica: gráficos de conhecimento estão também beneficiando o setor de assistência médica ao organizar e categorizar relacionamentos dentro de pesquisas médicas. Essas informações auxiliam os provedores, validando diagnósticos e identificando planos tratamento com base nas necessidades individuais.