知识图谱通过提供结构化、互连的数据来增强机器学习模型，这些数据为原始输入添加了上下文和关系。 它们充当特定领域知识的来源，帮助模型理解模糊或稀疏的数据。 例如，在自然语言处理 (NLP) 中，知识图谱可以将“巴黎”等实体链接到“法国首都”或“埃菲尔铁塔所在地”等概念，使模型能够消除歧义并改进实体识别或问题解答等任务。 通过显式编码关系（例如，“is_a”、“located_in”），知识图谱减轻了模型从头开始推断连接的负担。
一个关键优势是改进的特征工程。 知识图谱允许模型合并原始数据中不存在的关系特征。 例如，推荐系统可以使用连接用户、产品和属性的图谱（例如，“用户 A 购买了属于类别 C 的产品 B”）。 可以生成图嵌入（节点和边的向量表示），并将其作为输入特征输入到 ML 模型中。 这些嵌入捕获语义关系，例如产品之间的相似性，模型在单独处理事务数据时可能会遗漏这些关系。 在医疗保健领域，连接症状、疾病和治疗方法的知识图谱可以帮助诊断模型根据患者数据和医学研究确定可能条件的优先级。
知识图谱还可以解决数据稀疏问题并支持半监督学习。 例如，在欺诈检测中，交易历史、帐户链接和地理模式的图谱可以帮助识别可疑集群，即使标记的欺诈示例有限。 图结构允许模型传播信号——例如检测到连接到标记用户的帐户风险更高。 同样，在社交网络分析中，用户交互的知识图谱可以通过利用现有连接来预测缺失的关系（例如，“用户 X 可能认识用户 Y”）。 通过集成外部知识，这些图谱可以帮助模型更好地泛化，尤其是在训练数据稀缺或嘈杂的情况下。