它脱胎于"语义网络"，随着网络和计算机技术的发展而逐渐演变。目前，知识图谱一词已经成为知识应用领域的一个通用词汇，不仅仅局限于谷歌搜索引擎的知识库及服务功能，而成为了人工智能领域炙手可热的概念。
        知识图谱的构建与应用技术。构建知识图谱的本质是一个从数据采集，数据建模到数据存储的过程。（1）通过结构化数据库、爬虫等方式获取知识图谱原始数据；（2）对数据进行预处理。其中，文本数据往往需要借助自然语言处理技术；（3）提取数据中的实体和关系。其中，不同来源的知识需要进行知识融合；（4）构建三元组；（5）存储三元组信息。可以采用关系数据库和Neo4j等图数据库；（6）使用知识图谱。  
        知识图谱在金融投资领域的应用。通过知识图谱，我们可以进行产业链的挖掘，建立更为全面深入的事件驱动投资策略，构建知识图谱类因子，改善现有分析框架等。
        产业链挖掘。通过对比产业链的产品和服务网络中的"实体"与上市公司主营业务产品网络中的"实体"，并将相同的"实体"进行链接，即可确认不同公司在产业链中的具体位置。此外，知识图谱也可以根据不同的关系得到不同的网络信息，例如，股权网络挖掘、供应链挖掘、热点主题挖掘等。
        事件驱动策略。以业绩预警事件在应收账款网络中的传播为例，除了直接发生业绩预警事件的上市公司外，这些公司的主要应收账款债权人也受到相同方向的冲击，但影响幅度会有所减弱且具有一定的滞后性。类似地，其他事件也可能存在这种传递效应，例如，大股东重大负面信息（例如，偷税漏税）在股权网络中的传播、主营业务产品产量大幅减少在供应链网络中的传播等。  
        知识图谱类因子。可以采用供应链、股权等数据构建图网络相关因子，包括：下游企业的业绩、上游企业的基本面、关联公司的数量和分散度、企业在图网络中的重要性、中心性等因子。由于这类因子包含关联结构，能够提供额外的信息，因而与传统因子的相关性通常较低。  
        对现有分析框架的改进。以行业基本面量化为例，知识图谱标准化了不同品种/行业的分析和研究框架，由此带来的改进主要体现在以下三点。（1）可以对知识图谱中的任一节点进行预测和分析。例如，要研究铝的库存情况，只需选取与库存有关联关系的所有节点作为初始变量集；（2）将知识图谱中的结构信息带入量化模型中。例如，采用主成分分析降维，可以对每个包含关系下的分项变化汇总为一个主成分等。（3）可以在传统量化模型的基础上叠加行业观点。
        风险提示。数据挖掘是从历史先验数据获取经验模型的方法，存在模型失效可能。