智能升级：知识图谱在金融核心场景中的应用

随着互联网的发展，数据信息呈现爆炸式增长，这也对有效获取信息和知识提出了挑战，人们越发渴望信息的精确获得。在这种背景下，知识图谱技术应运而生。

2012年，知识图谱（Knowledge Graph）概念由谷歌正式提出，本质上是一种由知识点相互连接而成的语义网络（semantic network）。

知识图谱旨在描述现实世界中存在的实体以及实体之间的关联关系。这些实体可以是人物、作品，也可以是地点、数值、身高、职业等。当发起搜索、查询时，就能够根据知识图谱已知的知识点，准确理解用户，给出最精准的回答。

随着人工智能的发展和应用，知识图谱越来越成为关键技术之一，已被广泛应用于智能搜索、智能问答、内容分发等领域。

对数据具有强依赖的金融行业，尤其注重数据如何甄别、选取、组织，也因此，对知识图谱技术抱着更开放、更欢迎的态度。很多嗅觉灵敏、意识领先的金融机构与企业，通过积极跟技术公司的合作，已成功将知识图谱运用于智能推荐、风险管理、营销获客、反欺诈等方面，早先一步获享了技术赋能的优势与价值。

金融行业数据运用、风险管理、反欺诈方面，确实存在着很多痛点与挑战。

比如，在海量数据面前，传统金融机构对数据资源的运用在广度与深度上都不够，导致营销乏力、获客不准。

而在风控与反欺诈方面，问题则更加严重。不仅防控效率低下、人力成本耗用高，而且还出错率高、疏漏严重、前瞻性不足、反应速度慢。现在行业整体风险偏高，大量团伙欺诈、身份冒用、老赖、黑中介等，带来巨大经济损失，坏账率居高不下。因此，在欺诈、骗贷、薅羊毛的手段变得越来越精准化、团伙化、产业化、科技化的趋势下，银行的风控体系面临着提档升级的问题。

针对这些行业痛点与挑战，金融科技公司也积极的予以回应。像排列科技，就针对性地在其全流程信贷风控、精准营销获客等产品服务中融入知识图谱技术。

排列科技知识图谱的架构，可以分为三个主要部分：

第一个部分是知识获取。排列科技拥有很多可以把现实知识富集起来的方法，从海量的结构化、半结构化以及非结构化数据中获取知识，包括互联网上的数据、行业数据、日志数据等等，再进行挖掘、归一、融合。

第二部是数据融合。通过图挖掘算法、图数据库等各种算法与关键技术，对不同数据源获取的知识进行融合，将用户不同种类的数据以实体-关系-事件-属性的形式存储，连接在一起，并在纵横交错的数据信息之间的构建关联关系，最终形成行业或用户的知识图谱，从而了解用户在现实世界中实际的关系。

第三部分是知识计算及应用。这些巨大知识图谱会有丰富的计算功能，包括调用算子去查询、标注、计算、推理、预测等，从而完成特定的能力，并基于此形成知识图谱的具体应用。

从具体应用来说，可以基于排列科技的知识图谱进行风险识别、信用评估、营销获客、智能推荐等，尤其是在金融机构最为重视的反欺诈领域，知识图谱的技术优势十分明显，对中介识别、黑产团伙识别、关联骗贷团伙识别、团伙监控与预警十分高效，可以在丰富的用户运营商和通讯信息里，迅速建立知识图谱的关联关系，通过用户以往的交互行为与轨迹热点，最快识别出欺诈客户和团伙，疑似高危团伙。

  例如，现在骗贷、套现的用户，一般都会在网络上与同类人士交流，还有形成很多的微信群、QQ群，那么就可以通过运营商数据、第三方数据及用户的通讯信息，追溯出用户在信贷行为上与哪些人物节点、群组节点发生高频交互行为，从而迅速发现骗贷团队，就可以提前做好团伙监控与预警。

融合了知识图谱技术的金融业务系统，自动化、智能化程度会得到质的提升，金融机构的数据抓取服务能力、风控与反欺诈能力及精准获客能力也将大大提高。

在科技日新月异的今天，金融违法犯罪或灰色行动的技术水平也越来越高，所谓“道高一尺魔高一丈”，如果金融机构在技术融合上跟不上时代的变化，不仅会在数据运用的竞争中落下风，也将难以应付手段越来越技术化的信贷风险与欺诈。

未来，随着AI更加深度渗透到金融领域的核心场景，作为AI关键技术的知识图谱，势必会得到更加广泛地运用，革新银行对客户价值、风险控制、服务体验的认知。

作为中国金融数智风控专家，排列科技在知识图谱的运用上也会持续发力，用技术赋能金融行业。