ABSTRACT. 知识图谱是一系列结构化数据的处理方法，它涉及知识的提取、表示、存储、检索等诸多技术。从渊源上讲，它是知识表示与推理、数据库、信息检索、自然语言处理等多种技术发展的融合。但传统的知识处理方法，在实际的工程应用，特别是互联网应用中，面临实施成本高、技术周期长、熟悉该类技术的人才缺乏、基础数据不足等诸多现实制约。实战中的知识图谱，需要充分利用成熟的工业技术，不拘泥于特定的工具和方法，特别是不盲目追求标准化、技术的先进性或者新颖性，以实际的业务出发，循序渐进推进工程的实施。在本教程中，我们首先回顾知识图谱从理念到工程逐步落地的发展历程，梳理各技术与知识图谱应用的关系。然后，我们结合工程上具体的实例，来展示知识图谱的核心理念和技术如何在成本约束下实施，包括结构化数据生成，可维护的知识结构，海量知识的数据库管理，和多层次的语义检索等。最后，我们讨论知识图谱在搜索，自动问答等应用中如何与统计/机器学习方法相结合来解决实际问题。

ABSTRACT. In this tutorial, we will introduce the notions of quality control for constructing and reusing knowledge graphs. Firstly, we will introduce a test driven approach of schema construction for knowledge graphs, by leveraging the ideas of competency questions and test driven software development. We will show some typical patterns of competency questions and illustrate how to use competency questions to construct authoring tests for knowledge graphs. Secondly, we will introduce data quality model, data quality assessment model and methods of data quality assessment. We will illustrate the role of data quality evaluation in big data trading.