在搜索任务中，Query-Doc的文本相似度计算一直都是其中最核心的一个难题。传统的搜索文本相关性模型如BM25等，由于字符空间本身的局限性，很难实现与query语义一致但表达不一致的doc的召回。随着深度模型在NLP应用的普及，基于向量空间的DSSM模型在搜索的任务上也表现出来亮眼的效果。

而实际上，无论是字符空间还是向量空间，都并不符合人类的思维逻辑。而基于知识图谱，加之基于知识的文本认知技术，如命名实体识别、Entity Linking、篇章核心实体识别、篇章主题分类等，我们可以将query、doc，甚至用户的意图、兴趣全部与知识进行关联，将其形式化表达，并在知识空间中模拟人类的思维逻辑，进行检索、推理运算，从而找到更加语义化的搜索结果，甚至直接给出问题答案，大幅度提升了百度搜索的用户体验。

而在基于兴趣点推荐技术上，由于用户的兴趣存在多粒度的多维度情况，很难基于扁平的兴趣点来精细刻画，而基于知识空间的兴趣体系，能够对用户及资源进行体系化表示，并基于图谱中实体之间的关系数据，通过在线的层级推荐计算，为用户推荐最合适粒度资源，并且所有的推荐结果均具有可解释性。

演讲提纲：

1. 图谱构建 —— 知识空间构建与知识表示

2. 知识认知技术 —— 从文本空间到知识空间

3. 知识计算 —— 基于知识空间的搜索与推荐

听众受益：

1. 了解知识图谱的基本原理

2. 了解知识图谱在搜索推荐场景下应用的实际案例