是面向特定范畴的常识图谱，如电商、金融、医疗等。比拟较而言，范畴常识图谱的常识滥觞更多常识分享有几种情势、范围化扩大请求更疾速、常识构造愈加庞大、常识质量请求更高、常识的使用情势也愈加普遍。从多个方面临通用常识图谱和范畴常识图谱停止了比力阐发。上面以电商、医疗、金融范畴常识图谱为例，引见范畴常识图谱的次要特性及手艺难点。

　　以阿里巴巴的电子商务常识图谱为例，最新的常识图谱范围已达数百亿。常识图数据次要基于阿里巴巴现有的构造化商品数据，并与行业协作同伴数据，当局营业办理数据和内部开放数据停止集成和扩大。在常识暗示方面，除简朴的三元组外，它还包罗更庞大的分层电子商务本体和大批用于营业掌握的通例常识。

　　在常识的质量方面，对常识的笼盖范畴和精确性有更高的请求。在申请情势方面房产常识案牍，它撑持普遍的使用处景，比方产物搜刮，产物购物指南，天猫精灵和其他产物的智能问答，平台管理和办理和贩卖趋向猜测和阐发房产常识案牍。电子商务常识还具有很高的静态特征，比方，买卖常识和与贩卖趋向相干的常识具有很强的实时性和实时性。

　　在医学范畴中有大批的大型范畴常识库。比方，Linked LifeData项目包罗RDF三元组，其范围为102亿，此中包罗很多范畴的常识，比方基因，卵白质，疾病，化学，神经科学和医学。

　　在常识暗示方面，财政观点还具有很高的庞大性和条理构造，而且更多地依靠通例常识来停止投资身分的相干阐发。就申请情势而言，它次要是基于财政问答和投资，投资，投资和研讨决议计划阐发的使用法式房产常识案牍。金融常识图谱的一个明显特性是高度静态性，且需求思索常识的时效性，对金融常识的工夫维度停止建模。

　　另外一个例子是在中国制作的中药常识图谱，它凡是需求整合来自根底医学，文献和病院诊所等各类滥觞的数据。医学范畴的常识构造愈加庞大房产常识案牍，如医学语义收集UMLS包罗大批庞大的语义干系常识分享有几种情势，GeneOnto则包罗庞大的类条理构造。在常识质量方面，出格触及临床帮助决议计划的常识库凡是请求完整制止毛病常识。

　　金融范畴的典范例子如Kensho接纳常识图谱帮助投资参谋和投资研讨，海内以恒生电子为代表的金融科技机构和很多银行、证券机构等也都在展开金融范畴的常识图谱构建事情。金融常识图谱构建次要滥觞于机构已有的构造化数据和公然的公报、研报及消息的结合抽取等常识分享有几种情势。