助力企业数字化转型，知识图谱为应用而生｜爱分析报告(4)

（4）拓展性：知识图谱本身的构建方式决定其本身具有良好的拓展性，当形成某细分领域知识图谱后可在此领域内快速拓展。同时，不同领域间知识图谱也有一定的拓展性，本身知识抽取与知识融合阶段对领域业务知识依赖有限，决定知识图谱领域内应用效果的关键因素是上层业务模型；
（5）可解释性：弥补机器学习的不足，知识图谱本身与人类认知类似，通过实体、关系、属性去认知世界，同时知识图谱目前均为大规模知识库，语义丰富，将搜索问题与答案相连接，提供解释性的来源；
（6）知识学习：通过推理、标注、纠错等具有反馈能力的学习机制，快速积累沉淀行业知识，形成领域知识库，降低行业经验的依赖性。
02
知识图谱应用分析与落地挑战
2.1 知识图谱应用分析
知识图谱可为多领域客户在数据管理、关联分析、营销与风控、反欺诈等应用场景提供技术赋能。知识图谱技术为用户提供了一种更为有效的方式表达、组织、管理以及利用多源、异构、动态的数据。通过对于各领域内应用场景的分析，可以看出目前知识图谱应用场景的共性特点：
知识图谱的核心优势体现在对于实体、属性等客观世界事物的关联关系分析，包括显性关系与隐性关系识别。基于知识图谱此项特性，银行营销与风控、公安刑侦等较多业务场景都有应用。也是目前知识图谱技术应用最为广泛的功能点。构建实体关系网络，察觉实体关系，并发现信息（包括：风险消息、商机线索、关系事件）的传导路径，也会在其他行业中逐渐获得广泛应用；同时，关系网络的搭建结合目前数据可视化（二维以及三维展示）的技术，将会更好地给用户呈现实体关系网络；