金融服务知识图谱

① 中腾信如何利用知识图谱技术，实现风险管理中的实时应用

中腾信的金融科技实力提升从应用效果来看，公司自主研发的知识图谱技术，可专以有效识别传统类型属的欺诈团伙，知识图谱实现了在中腾信风险管理中的实时应用，为欺诈风险防控、信用风险管理提供了新维度，特别是可以对传统类型欺诈团伙的有效识别，提升了风险管理能力；针对近百亿级多种维度的数据进行处理以及社区发现算法的优化，实现了贷前应用秒级响应；划分了数万个网络社区，并对好坏社区进行分类处理，能够支持客群组合管理、额度管理等方面的正面及负面应用；对存量客户实现了多度关联关系的识别；基于社区的关联关系生成了上百个关键社区变量用于风险规则设置及评分模型优化等等。

② 除了百度、阿里、腾讯，还有哪些做知识图谱的企业

做搜索的大部分抄都已经构建了自己的知识图谱，比如Google Knowledge Graph。国内互联网公司也有很多在做的，比如美团大脑。

而2B也有不少优秀的做知识图谱的企业，比如智器云科技，有火眼金睛产品能够快速构建知识图谱并进行可视化认知分析，有天罗地网产品，据说可对千亿级别的数据进行知识图谱构建。

其它还有不少，比如明略，也是行业的姣姣者。

③ 为什么说中腾信自主研发的知识图谱技术，能大幅提升金融科技实力

中腾信消费复金融科技服务主体制，多年来在金融风控领域积累了丰富的历史数据与大数据挖掘经验，完全有实力进行自主研发。针对近百亿级数据进行处理建模及算法优化，中腾信知识图谱技术实现了贷前应用秒级响应；能够支持客群组合管理、额度管理等方面的正面及负面应用；对存量客户实现了多度关联关系识别；基于用户关联关系图谱生成的图特征，提升优化了风险规则及评分模型。自主研发更能够实现数据的精准深度挖掘，更有优势。
从应用效果来看，中腾信自主研发的知识图谱技术，成功突破了人工智能核心技术应用，其经过历史发现的欺诈团伙的验证，可以有效识别传统类型的欺诈团伙，已全面接入风控反欺诈场景，进一步提升了其金融科技实力。

④ 知识图谱好入门吗同盾科技知识图谱水平如何

很多人觉来得知识图谱难入门，其实主源要是因为知识图谱的技术栈比较长,如果要掌握所有技术,入门时间就会很长,而且也抓不住重点。其实不要把知识图谱构建想得太复杂，掌握学习技巧，可以在几个月内具备构建知识图谱的能力。
同盾知识图谱又名“云图”，结合NLP、图计算、深度学习、知识推理和可视化等技术，面向反欺诈、风控、营销以及公共安全等场景，围绕行业知识图谱、知识图谱构建平台和知识图谱分析套件三大核心模块，提供一整套高效、灵活打造的一体化知识图谱构建与应用解决方案。同盾知识图谱具有灵活的产品架构、强大的知识计算引擎、场景化解决方案或模型、智能的可视化交互，相对技术还是挺强的，前段时间发布的《2020爱分析·知识图谱厂商全景报告》中，金融领域的四大主流应用场景，银行对公、银行零售、保险、泛金融领域知识库中，同盾知识图谱技术都榜上有名，杠杠的。

⑤ 知识图谱有什么用处

“知识图谱的应用涉及到众多行业，尤其是知识密集型行业，目前关注度比较高的领域：医疗、金融、法律、电商、智能家电等。”基于信息、知识和智能形成的闭环，从信息中获取知识，基于知识开发智能应用，智能应用产生新的信息，从新的信息中再获取新的知识，不断迭代，就可以不断产生更加丰富的知识图谱，更加智能的应用。

如果说波士顿动力的翻跟头是在帮机器人锻炼筋骨，那么知识图谱的“绘制”则是在试图“创造”一个能运转的机器人大脑。

“目前，还不能做到让机器理解人的语言。”中国科学院软件所研究员、中国中文信息学会副理事长孙乐说。无论是能逗你一乐的Siri，还是会做诗的小冰，亦或是会“悬丝诊脉”的沃森，它们并不真正明白自己在做什么、为什么这么做。

让机器学会思考，要靠“谱”。这个“谱”被称为知识图谱，意在将人类世界中产生的知识，构建在机器世界中，进而形成能够支撑类脑推理的知识库。

为了在国内构建一个关于知识图谱的全新产学合作模式，知识图谱研讨会日前召开，来自高校院所的研究人员与产业团队共商打造全球化的知识图谱体系，建立世界领先的人工智能基础设施的开拓性工作。

技术原理：把文本转化成知识

“对于‘姚明是上海人’这样一个句子,存储在机器里只是一串字符。而这串字符在人脑中却是‘活’起来的。”孙乐举例说。比如说到“姚明”，人会想到他是前美职篮球员、“小巨人”、中锋等，而“上海”会让人想到东方明珠、繁华都市等含义。但对于机器来说，仅仅说“姚明是上海人”，它不能和人类一样明白其背后的含义。机器理解文本，首先就需要了解背景知识。

那如何将文本转化成知识呢？

“借助信息抽取技术，人们可以从文本中抽取知识，这也正是知识图谱构建的核心技术。”孙乐说，目前比较流行的是使用“三元组”的存储方式。三元组由两个点、一条边构成，点代表实体或者概念，边代表实体与概念之间的各种语义关系。一个点可以延伸出多个边，构成很多关系。例如姚明这个点，可以和上海构成出生地的关系，可以和美职篮构成效力关系，还可以和2.26米构成身高关系。

“如果这些关系足够完善，机器就具备了理解语言的基础。”孙乐说。那么如何让机器拥有这样的“理解力”呢？

“上世纪六十年代，人工智能先驱麻省理工学院的马文·明斯基在一个问答系统项目SIR中，使用了实体间语义关系来表示问句和答案的语义，剑桥语言研究部门的玛格丽特·玛斯特曼在1961年使用Semantic Network来建模世界知识，这些都可被看作是知识图谱的前身。”孙乐说。

随后的Wordnet、中国的知网（Hownet）也进行了人工构建知识库的工作。

“这里包括主观知识，比如社交网站上人们对某个产品的态度是喜欢还是不喜欢；场景知识，比如在某个特定场景中应该怎么做；语言知识，例如各种语言语法；常识知识，例如水、猫、狗，教人认的时候可以直接指着教，却很难让计算机明白。”孙乐解释，从这些初步的分类中就能感受到知识的海量，更别说那些高层次的科学知识了。

构建方式：从手工劳动到自动抽取

“2010年之后，维基网络开始尝试‘众包’的方式，每个人都能够贡献知识。”孙乐说，这让知识图谱的积累速度大大增加，后续网络、互动网络等也采取了类似的知识搜集方式，发动公众使得“积沙”这个环节的时间大大缩短、效率大大增加，无数的知识从四面八方赶来，迅速集聚，只待“成塔”。

面对如此大量的数据，或者说“文本”，知识图谱的构建工作自然不能再手工劳动，“让机器自动抽取结构化的知识，自动生成‘三元组’。”孙乐说，学术界和产业界开发出了不同的构架、体系，能够自动或半自动地从文本中生成机器可识别的知识。

孙乐的演示课件中，有一张生动的图画，一大摞文件纸吃进去，电脑马上转化为“知识”，但事实远没有那么简单。自动抽取结构化数据在不同行业还没有统一的方案。在“网络知识图谱”的介绍中这样写道：对提交至知识图谱的数据转换为遵循Schema的实体对象，并进行统一的数据清洗、对齐、融合、关联等知识计算，完成图谱的构建。“但是大家发现，基于维基网络，结构化半结构化数据挖掘出来的知识图谱还是不够，因此目前所有的工作都集中在研究如何从海量文本中抽取知识。”孙乐说，例如谷歌的Knowledge Vault，以及美国国家标准与技术研究院主办的TAC-KBP评测，也都在推进从文本中抽取知识的技术。

在权威的“知识库自动构建国际评测”中，从文本中抽取知识被分解为实体发现、关系抽取、事件抽取、情感抽取等4部分。在美国NIST组织的TAC-KBP中文评测中，中科院软件所—搜狗联合团队获得综合性能指标第3名，事件抽取单项指标第1名的好成绩。

“我国在这一领域可以和国际水平比肩。”孙乐介绍，中科院软件所提出了基于Co-Bootstrapping的实体获取算法，基于多源知识监督的关系抽取算法等，大幅度降低了文本知识抽取工具构建模型的成本，并提升了性能。

终极目标：将人类知识全部结构化

《圣经·旧约》记载，人类联合起来兴建希望能通往天堂的高塔——“巴别塔”，而今，创造AI的人类正在建造这样一座“巴别塔”，帮助人工智能企及人类智能。

自动的做法让知识量开始形成规模，达到了能够支持实际应用的量级。“但是这种转化，还远远未达到人类的知识水平。”孙乐说，何况人类的知识一直在增加、更新，一直在动态变化，理解也应该与时俱进地体现在机器“脑”中。

“因此知识图谱不会是一个静止的状态，而是要形成一个循环，这也是美国卡耐基梅隆大学等地方提出来的Never Ending Learning（学无止境）的概念。”孙乐说。

资料显示，目前谷歌知识图谱中记载了超过35亿事实；Freebase中记载了4000多万实体，上万个属性关系，24亿多个事实；网络记录词条数1000万个，网络搜索中应用了联想搜索功能。

“在医学领域、人物关系等特定领域，也有专门的知识图谱。”孙乐介绍，Kinships描述人物之间的亲属关系，104个实体，26种关系，10800个事实；UMLS在医学领域描述了医学概念之间的联系，135个实体，49种关系，6800个事实。

“这是一幅充满美好前景的宏伟蓝图。”孙乐说，知识图谱的最终目标是将人类的知识全部形式化、结构化，并用于构建基于知识的自然语言理解系统。

尽管令业内满意的“真正理解语言的系统”还远未出现，目前的“巴别塔”还只是在基础层面，但相关的应用已经显示出广阔的前景。例如，在网络输入“冷冻电镜”，右竖条的关联将出现“施一公”，输入“撒币”，将直接在搜索项中出现“王思聪”等相关项。其中蕴含着机器对人类意图的理解。

⑥ 百分点公司的动态知识图谱主要应用在什么场景下

公共安全和金融反欺诈方面的，针对公共安全，利用产品配置化接入银行转账记录专、电话通话属记录、户籍信息、注册信息等多源异构数据，快速构建出经侦行业知识图谱，可结合智能安全分析系统，为分析人员提供直观的数据世界。通过对嫌疑账户进行的资金流向、电话关联等线索扩散分析、时空分析、战法分析，为分析人员提供破案强有力的技术支持，提升破案效率。针对金融反欺诈，利用产品配置化接入客户申请贷款的注册信息、客户线上账户信息，利用手机、注册地址、社交媒体账户等多方数据拉通，快速构建出金融领域的客户知识图谱，运用金融战法分析对可能的反欺诈模式进行判别、预警，高效地控制贷款风险，降低坏账率。

⑦ 知识图谱是什么有哪些应用价值

【1】能用html+css把页面做出来，能用js实现动态效果。

【2】在1的基础上保证浏览器兼容版性。

【3】在2的基础上开始出现权代码洁癖，代码会逐渐趋向于简洁高效

【4】在3的基础上开始关注语义性、可用性和可重用性

【5】在4的基础上开始关注页面性能

【6】在5的基础上开始费劲脑汁的去寻思怎么能把开发效率也提升上来

⑧ 知识图谱在金融行业的应用重要吗

知识图谱对于信贷风控环节的价值巨大，尤其是针对借款端风控的贷前反欺诈环节。小花钱包借款环节就应用了知识图谱技术，