助力企业数字化转型，知识图谱为应用而生｜爱分析报告(3)

在知识图谱的构建过程中，存在几项关键步骤，即知识抽取、知识表示、知识融合、知识推理、知识存储以及知识图谱应用等。
其中，知识抽取与知识融合环节是知识图谱构建的基础。通过客户数据库或公开网络获取到多源异构数据具有冗余、噪声、不确定性等特征，前期的数据清洗工作并不能实际解决这些问题，需要对相关数据抽取后进行融合操作并对质量进行评估，以便及时知识更新，保证知识图谱的准确性。同时，已有知识构建数据模型形成数据规范作用于知识表示的过程可以及时对数据模型进行修订，保证数据模型针对特定数据的实时性与有效性。
知识图谱的前期构建过程即知识抽取与知识融合，各厂商在技术层面大致趋同，更多的是基于人力与时间的投入。知识图谱发展至今，决定应用效果的更多是应用模型，即特定应用场景下相对应的应用模型。

1.1.4 知识图谱应用特性

知识图谱技术源于语义网络，经过半个世纪的发展，融合本体论、群体智能使得知识图谱又形成自身特点。在实际业务应用中，知识图谱技术有以下特征：
（1）可视化：知识图谱作为图类型知识库，本身具备可视化特性。知识图谱可以将多实体间的关系通过图形的方式进行显示。目前，通过知识图谱技术分析展示实体间关联关系已在多领域有广泛的应用；
（2）准确性：知识图谱构建的语义网络中具有多种语义关系，多角度挖掘信息，保证相关信息的准确性；
（3）关联分析：知识图谱本身具备“边”的概念，强调实体间的关联与属性。在实际业务场景中，利用知识图谱技术能快速有效地发现无关实体间的隐性关联关系。目前，关联分析在金融行业的营销与风控，政府与公共服务行业智能刑侦、智能经侦、治安管理、政务数字化等多领域有广泛应用；