腾讯音乐：知识图谱在音乐搜索中的应用
业务挑战：基于文本的搜索召回流程复杂，精准度不足
近几年来，图数据在计算机领域得到了广泛的应用。图数据在影音娱乐场景中也广泛存在，其中与音乐相关的业务数据主要有以下三类：内容方面有歌曲、综艺、影视、专辑等；歌手方面有歌手信息、歌手之间的关系，包括组合、相似度等；歌手和歌手内容之间的关系有演唱、作词、作曲等。
之前腾讯音乐的搜索召回主要是基于文本匹配，召回后还需进行相关性排序，存在召回流程/排序策略复杂、精准度不足、过度召回的问题，难以满足业务需求。为了让内容搜索更加智能化、用户体验更佳，腾讯音乐希望借助知识图谱对搜索行为的后台逻辑进行优化。
选择 悦数图数据库：优化内容搜索效率和用户体验
为了满足平台业务需要，我们选出的是支持千亿级规模数据，高性能毫秒级多跳查询，能做到毫秒级的在线响应、支持数据批量导入导出的分布式图数据库产品。经过对多个图数据库的对比 & 优缺点分析，并通过一度邻居（跟点直接相连的点）、两度邻居、共同邻居这三个方面的数据库性能测试，综合来看发现「悦数图数据库」不管是单机性能，还是集群性能，都要远超于其他竞品。
腾讯音乐知识图谱项目架构可以分为在线层和离线层，在线层主要包含以下模块：storaged 负责具体数据的存储，包括点数据、边数据，以及相关的索引；metad 负责存储图数据的 meta 信息，例如数据库的 schema、addition 等。离线层有音乐数据实时的新增数据，例如新增发行的唱片，还有全量数据的更新，我们选择了全量加增量的数据层方案。通过全量数据生成和实时数据生成的方案，形成一个增量的源数据，实现分钟级的历史增量的补发。
应用场景
应用场景1： 复杂搜索查询
音乐知识图谱不仅可以做简单的搜索，还可以实现复杂搜索需求。例如要查询周杰伦的男女对唱的歌曲有哪些，如果要实现这个查询，需要对周杰伦的歌曲进行一定的过滤，歌手的数量要等于 2，另一位歌手的性别是女性，还要考虑基于播放量、歌手权重等等的排序。
在传统关系型数据要实现这个功能很复杂，利用知识图谱就比较简单了——先找到歌手周杰伦，查找周杰伦的所有歌曲中满足 2 人合唱，另一个歌手性别是女性的，只要两跳就可以实现复杂的搜索查询。
应用场景2：搜索结果的相关推荐
使用知识图谱可以根据搜索的关键词查询图谱中的实体节点，进而查询出关联的节点，用关联的节点给出推荐的结果。例如：用户搜索“周华健”，我们希望通过关联信息推荐出“李宗盛”。如果通过原有的搜索引擎这个关联很难实现；而用知识图谱，从周华健（歌手）对应到纵贯线（组合），从组合再到另一歌手李宗盛，只要两跳。
应用场景3：基于知识计算给出答案
通过图谱的关联信息、实体上下位信息、实体属性信息，也可以根据知识图谱的计算结果查询出相应的答案。例如用户搜索刘德华90年代的歌曲，用知识图谱的话，只要选择「歌手」-刘德华、「时间」-90年代歌曲，两个联合起来就可以得到结果。
使用收益：召回流程缩短，搜索更快更精准
传统的搜索召回是基于文本匹配，流程复杂准确度不足，而知识图谱搜索召回是基于实体之间的关系进行查询，搜索召回具有结果精准、流程短的优点。通过使用图数据库进行音乐知识图谱的升级，增强了检索和推荐的效率，同时基于图数据技术实现的知识库具备一定的推理能力，提升了客户的搜索体验。
目前，腾讯音乐已经上线了知识图谱的搜索应用，支持各类搜索场景。例如：校歌搜索-当用户搜索大学校名和校歌组合时，召回对应的学校的校歌；歌手场景-当用户搜索歌手名字的时候，返回歌手所在组合，以及合唱过知名歌曲的合作歌手等；影视场景-当用户搜索影视主题曲、片尾曲、插曲等等的时候，返回对应的影视的歌曲等等。
