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。
