数据分析
知识图谱为大数据应用提供背景知识，提供对数据的理解。
舆情分析、互联网的商业洞察、军事情报分析和商业情报分析都需要对大数据做精准分析，这种精准分析必须有强大的背景知识来支撑。
如搜索热度的归类：
对王宝强离婚这样一个事实，三种不同的搜索：”王宝强离婚“”王宝宝离婚“和”宝强离婚“，在热搜排行榜上应该合而为一。
智慧搜索
- 精准的搜索意图理解
如淘宝上搜”iPad充电器“，应该反馈给用户充电器产品以供选择，而不是iPad。再如在搜索引擎搜”toys kids“或者”kids toys“，都是搜索玩具，而不是搜索孩子，因为一般不会有人通过搜索引擎搜孩子。 - 搜索引擎复杂化、多元化
传统搜索的对象以文本为主，未来要求一切皆可搜索，如图片或声音，甚至是代码、视频、设计素材等。 - 搜索粒度多元化
从篇章级，到段落级、语句级和词汇级。 - 跨媒体协同搜索
类似好事者通过明星的一张自家小区的照片，通过各种渠道联合检查准确推断出所在小区的位置（不太好的例子，只表达技术），其中可能动用微博社交网络、百度地图、微博文本与图片信息等多个渠道、多个媒体的信息。
智能推荐
- 场景化推荐
电商搜索关键词、购物车中的商品背后，都是特定的消费意图。如搜索”沙滩裤”“沙滩鞋“，可以推测用户很可能要去海边度假，就可以推荐”游泳衣“”防晒霜“之类的海边度假常用物品。
可以基于场景建立图谱，实现基于场景的精准推荐。 - 冷启动阶段下的推荐
冷启动阶段下，可以利用来自知识图谱的外部知识，特别是关于用户与物品的知识，增强用户与物品的描述，提升匹配程度，是让系统尽快度过冷启动阶段的重要思路。 - 跨领域推荐
异质平台的跨领域推荐，如某微博用户经常晒名山的照片，那么可以推荐一些淘宝平台的登山装备。从媒体平台到电商平台的推荐，跨越语言体系、用户行为方式的差异，有着巨大的商业价值，但平台表达方式完全不同，如果能有效利用知识图谱这类背景知识，不同平台间的表达鸿沟是有可能被跨越的。 - 知识型的内容推荐
如用户搜索”三段奶粉“，可以为用户推荐一些关于喝三段奶粉的婴儿每天的需水量、常见疾病的预防等育儿知识。
消费行为背后的内容与知识需求将成为推荐的重要考虑因素。可以将各类知识片段与商品对象建立关联，实现知识型的内容推荐。
自然人机交互
自然人机交互包括自然语言问答、对话、体感交互和表情交互等。
自然语言交互的实现要求机器能够理解人类的自然语言。对话式交互（Conversational UI）、问答式（QA）交互将逐步代替传统的关键词搜索式交互。机器演化趋势是越来越高的内容理解水平与背景知识水平，然后回答人类关心的问题。知识图谱就是这类背景知识的重要形式之一。
决策支持
知识图谱为决策提供深层关系发现与推理能力。建立包含各种语义关系的知识图谱，挖掘实体之间的深层关系。
如信贷风险评估，需要分析一个贷款人的关联人物和关联公司的信用评级。