知识图谱主要是有节点和关系组成，通过建模反应世界中的实际场景。运用 “图”这种语言，来表现世界的多种关系，这种“图”的表现方式直观、高效且保真，能够减少知识处理中由于中间转换处理而造成的信息损失。
知识图谱的主要应用行业包括：社交网络、人力资源与招聘、金融、保险、零售、广告、物流、通信、IT、制造业、传媒、医疗、电子商务和物流等领域。在风控领域中，知识图谱类产品主要应用于反欺诈、反洗钱、互联网授信、保险欺诈、银行欺诈、电商欺诈、项目审计作假、企业关系分析、罪犯追踪等场景中。
知识图谱的应用行业非常多，凡是涉及到关系的行业都可以展开知识图谱的应用，同时随着相关技术的研究更更进，其研究成果应用范围也在不断增加。
传统知识图谱不具有深度知识结构，无法解决专业的业务问题。将专业领域知识赋予机器，让机器代替业务人员从事简单知识工作，实现重复性、基础性劳动的智能化过程。 同时，传统领域知识图谱主要采用专家人工构建费时费力的方式，投入极大且效率不高，急需自动化、智能化构建行业知识图谱的工具。
北京理工大学大数据搜索与挖掘实验室张华平主任研发的NLPIR大数据语义智能分析技术是对语法、词法和语义的综合应用。NLPIR大数据语义智能分析平台平台是根据中文数据挖掘的综合需求,融合了网络精准采集、自然语言理解、文本挖掘和语义搜索的研究成果,并针对互联网内容处理的全技术链条的共享开发平台。
其中KGB(Knowledge Graph Builder)知识图谱引擎是自主研发的知识图谱构建与推理引擎，基于汉语词法分析的基础上，采用KGB语法实现了实时高效的知识生成，可以从非结构化文本中抽取各类知识，并实现了从表格中抽取指定的内容等。KGB同时可以定义不同的动作，如抽取动作，并能自定义各类后处理程序。 在应用方面， KGB(Knowledge Graph Builder)知识图谱 能够实现中国人保利用知识图谱加工厂对保险条款中的险种、费用、天数等等关键知识进行抽取，通过抓取用户需求进行不同险种的精准智能推荐。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/31386431/viewspace-2659244/ ，如需转载，请注明出处，否则将追究法律责任。
