捕捉关系并提供数据的整体视图
情境是人类和机器学习的关键组成部分。情境信息将是开发下一代人工智能系统的关键，该系统采用人类的方法将数据转化为知识，从而实现更像人类的决策。
知识图谱利用上下文和关系的力量，将智能嵌入数据中。通过基于事实的相互联系和相互关系来组织数据，知识图谱为数据添加了现实世界的 阿塞拜疆手机数据 意义，使人工智能系统更容易从大量数据中提取知识。
知识图谱的一个关键组织原则是提供额外的元数据层，该层根据上下文组织数据以支持逻辑推理和知识发现。组织原则可以采用多种形式，包括受控词汇表（例如分类法、本体等）、实体解析和分析以及标记、分类和分类。
通过知识图谱，智能行为被直接编码到数据中，这样图谱本身就可以动态地理解实体之间的连接和关联，从而无需手动编写每条新信息。
知识图谱为决策支持提供上下文，并可根据用例进一步分为行动 KG（数据管理）和决策 KG（分析），以及上下文丰富的 KG（内部知识管理）、外部感知 KG（外部数据映射）和自然语言处理 KG。
增强搜索和发现：
实现精确且上下文感知的搜索结果
理解知识图谱如何改变数据搜索和发现功能的第一步是理解数据搜索和数据发现之间的区别。
数据搜索广义上是指用户寻找他们知道或认为存在的特定信息的情况。这是一个框架，允许用户从大量不相关的数据中寻找和提取相关信息。数据发现更侧重于主动让用户发现和探索可能与实际搜索字符串相关的新信息和想法。发现本质上是基于上下文的搜索。
知识图谱将不同数据孤岛和系统中的所有实体和关系以上下文方式集成到统一的语义层中。这使它们能够提供更准确、更全面的搜索结果，并提供与上下文相关的连接和关系，以促进知识发现。然后，用户可以按照与他们的兴趣最相关的上下文链接深入研究数据，从而提高数据利用率和价值。也许同样重要的是，知识图谱的直观和灵活的查询功能甚至允许非技术用户探索数据并发现新见解。