000975科学城,000975科学城

常识图谱赋能金融科技，看这一篇就够了

广州金逸影视传媒股份有限公司,广州金逸影视传媒股份有限公司

2016年国内出产总值对全球经济增加的贡献率,2016年国内出产总值对全球经济增加的贡献率

数据是数字经济时代的新式出产资料。

湖南期货配资,湖南期货配资

依据数据的出产革新和事务办法创新正驱动着全球规模内经济社会各个范畴的数字化、智能化转型。金融职业因与数据的高度相关性，成为人工智能最早使用的职业之一，而常识图谱作为人工智能技能的重要研讨方向与组成部分，正在快速渗透到金融事务使用层面，并日益成为金融科技的“底层支撑”。

“金融常识图谱”是金融职业语义了解和常识查找的根底技能，可认为危险评价、猜测、反诈骗、精准营销、智能查找等供给技能支撑。越来越多的金融机构及企业在探究构建金融范畴的常识图谱研讨，将海量非结构化信息主动化使用起来，为金融范畴使用决议计划供给更精准、更牢靠的依据。

什么是常识图谱？

常识图谱本质上是一种大规划语义络，是一种依据图的数据结构，由节点和边组成。在常识图谱里，每个节点表明实践国际中存在的“实体”，每条边为实体与实体之间的“联系”。浅显地讲，常识图谱便是把一切不同品种的信息衔接在一起而得到的一个联系络。常识图谱供给了从“联系”的视点去剖析问题的才能，是联系表明最有用的办法之一。

相对于传统的描绘办法，常识图谱有三大特色：

（1）多维度，需求从许多的信息源中抽取多维度的特征信息，为后续算法拓宽深度相相联系供给必要的资料。

（2）深加工，在信息资料的根底上，经过智能推理实现从数据到才智的深加工。

（3）可视化，深加工的成果以可视化的办法展现给用户，并与用户交互，直观易懂。

常识图谱的开展进程能够追溯到20世纪70年代诞生的专家系统，专家系统一般由常识库与推理引擎两部分组成，它积累了许多的某个范畴专家水平的常识与经历，依据常识和经历，模仿人类专家的决议计划。1984年由DouglasLenat树立的Cyc是这一期间较为超卓的本体常识库。

1989年万维的呈现，为常识的获取供给了极大的便利，1998年，万维之父蒂姆·伯纳斯·李再次提出语义，语义直接向机器供给可直接用于程序处理的常识表明，它也是NLP（自然言语处理）的前身。

2001年维基百科诞生使得全球用户能够经过协作完结数上百万词条的常识，推动了许多依据维基百科的结构化常识的常识库的构建，DBpedia、Yago等归于这一类常识库代表项目。

2006年，伯纳斯·李提出链接数据（LinkedData）的概念，期望数据不仅仅发布于语义中，而要树立起数据之间的链接然后构成一张巨大的链接数据。随后，2007年DBpedia项目开端运转，它是现在已知的第一个大规划敞开域链接数据。

2012年5月16日，Google发布了名为“常识图谱（KnowledgeGraph）”的“智能”查找功用，在Google传统查找列表右侧，添加了与查找关键词相关的人物、地址和事物相关的实践，比较传统查找成果页，这种查找办法供给与词汇所描绘的“实体”或概念匹配的页面，这也标志性着常识图谱正式诞生。

常识图谱的构建与分类

常识图谱的前史使命是作为一个巨大的布景常识库让机器具有言语认知才能。有了常识图谱，机器看到的不再仅仅是字符串，而是能够把这些字符串映射到各式各样的实体、概念，然后树立机器自己的认知国际。树立一个完好精细化的常识图谱所依托的布景常识库有必要满意三个条件：

第一个是常识库有规划要满足大，有必要包含满足多的实体和概念。

第二个是常识库语义联系要满足丰厚，描绘实践国际的语义联系是丰厚多样的，常识库要包含常见的语义联系。

第三个便是常识库表明结构要非常友爱。文本是一个巨大的载体，可是文本是一个非结构化数据表现办法，机器很难处理，而常识图谱往往表达为RDF结构，是一种结构友爱的表达办法，是能够被计算机有用处理的。

从技能的视点来看，常识图谱构建流程包含信息抽取、常识表明、常识交融、常识推理四个阶段。从最原始的结构化、半结构化、非结构化数据动身，选用一系列主动或许半主动的技能手法，从原始数据库和第三方数据库中提取常识实践，并将其存入常识库的数据层和办法层。

依据掩盖规模而言，常识图谱也可分为敞开域通用常识图谱和笔直职业常识图谱。敞开通用常识图谱重视广度，着重交融更多的实体，首要使用于常识获取的场景，要求常识全面，如查找引擎，常识问答；比较闻名的常识图谱库有Freebase、Wikidata、Yago、DBPedia、WolframAlpha等。

职业常识图谱一般需求依托特定职业如金融、电信、教育等职业的数据来构建，首要使用于职业智能商业和智能服务的场景，要求精准，如出资决议计划、智能客服等。职业常识图谱中，实体的特点与数据办法往往比较丰厚，规划化扩展要求更敏捷、常识结构愈加杂乱、常识质量要求更高、常识的使用办法也愈加广泛。

常识图谱的玩家有哪些？

但凡有联系的当地都能够用到常识图谱，现在常识图谱在多个不同的范畴得到了广泛使用，常识图谱产品的客户职业分类首要会集在：交际络、人力资源与招聘、金融、稳妥、零售、广告、物流、通讯、IT、制造业、传媒、医疗、电子商务和物流等范畴。

首要的玩家大致能够分为两类，一类是互联巨子，如阿里产品常识图谱、腾讯云“星图”、百度“知己”、搜狗“知立方“等；另一类是创业公司，如脉脉、天眼查、企查查、中诚信征信、知因才智、文因互联、明略数据、豁达数据、智言科技、海知智能、渊亭科技、海智星图、海致大数据等企业。

创业公司又能够细分为两类：一是专心于单一的金融范畴，如知因才智、文因互联、智言科技；另一类则是挑选交际、企服、金融、法令、公安、航空、医疗等多个笔直范畴一起推动，如明略数据主打公安、金融、工业；拿手长文本剖析的豁达数据则主攻金融、制造业、法令；海知智能主攻智能家居、医疗、金融；渊亭科技则在航空、医疗、军工、通讯、教育等多个范畴均有进入。

金融常识图谱能够做什么？

1、危险评价与反诈骗

现在数字金融诈骗办法不断更新、纷繁杂乱，诈骗手法逐步表现出专业化、产业化、荫蔽化、场景化的特征。

传统反诈骗技能的维度单一、功率低下、规模受限的下风越来越显着。在反诈骗场景中，常识图谱能够聚合与告贷人相关的各类数据源，包含告贷人的基本信息、日常日子中的消费记载、行为记载、联系信息、上阅读记载等，然后抽取该告贷人的特征标签，然后将相关的信息整组成进结构化的常识图谱中，在此根底上，对该告贷人的危险进行全方位的剖析和评价。

除了请求阶段的反诈骗，经过构建已知诈骗要素如手机、设备、账号、地域等的联系图谱，全方位了解客户海量危险数据的离线统计剖析，按主题要素搜集危险运营的成果反应，树立客户危险特征信息库，优化危险模型和规矩，还能做到买卖阶段的反诈骗。

2、危险猜测

危险猜测包含对潜在危险职业猜测和潜在危险客户猜测。

在潜在危险职业猜测上，依据多维度数据对职业进行细分，依据职业信息树立联系发掘模型，展现每个职业之间的相关度，假如某一职业产生了职业危险或高危险事情，能够及时猜测未来有潜在危险的相关职业，金融机构然后可对相关职业的危险做出预判，尽早地发现并躲避危险。

在潜在危险客户猜测上，经过常识图谱整合和相关企业内部结构化数据、非结构化数据以及互联收集数据、第三方协作数据，发现和树立企业与企业之间的集团联系、出资联系、上下游联系、担保联系，企业与个人之间的任职、实践操控、共同举动联系，及时猜测未来有潜在危险的相关企业。

3、精准营销

针对个人客户，常识图谱能够经过链接的多个数据源，构成对用户或用户集体的完好常识系统描绘，发掘已有客户的潜在需求，针对性地推送相关产品，为客户供给营销服务。

例如，金融公司的商场司理用常识图谱去剖析待出售用户集体之间的联系，去发现他们的共同爱好，然后更有针对性地对这类用户人群拟定营销战略。假如对常识图谱扩展（如个人爱好、电商买卖数据、交际数据等），还能够愈加精准地剖析客户行为，进行精准推送。

针对企业级客户，经过剖析包含企业根底数据、出资联系、任职联系、专利数据、招投标数据、招聘数据、诉讼数据、失期数据、新闻咨询等企业数据勾画出企业客户的资金联系、法人联系、上下游出资联系、类似企业事务联系等构建起企业常识图谱，为企业引荐适宜产品、服务。

4、智能查找和数据可视化

智能查找的功用指的是，常识图谱能够在语义上扩展用户的查找关键词，然后回来更丰厚、更全面的信息。

比方，查找某个人的身份证号，能够回来与这个人相关的一切前史告贷记载、联系人联系和其他相关的标签（如黑名单等）。这些成果能够用图形络的办法展现，然后把杂乱的信息以直观明晰的图画呈现出来，让使用者对躲藏信息的来龙去脉一望而知。

结语

互联促成了大数据的集聚，大数据促进了人工智能算法的前进。

新数据和新算法为规划化常识图谱构建供给了新的技能根底和开展条件，使得常识图谱构建的来历、办法和技能手法都产生极大的改变。常识图谱作为常识的一种办法，已经在语义查找、智能问答、数据剖析、自然言语了解、视觉了解、物联设备互联等多个方面发挥出越来越大的价值。

尤其在金融范畴，从数据可视化、危险评价与反诈骗、危险猜测到用户洞悉，常识图谱的底层性支撑效果越来越明显。

AI浪潮愈演愈烈，常识图谱赛道也从鲜有问津到缓慢升温，跟着更多入局者的呈现，未来这条赛道将会越来越拥堵。