KGB知识图谱深入挖掘金融行业的知识关联

金融行业面对的数据资源来源更多样、结构更复杂，其中既包括来自互联网舆情、监管机构的合规要求、内部报告等文本数据，财务、行研等半结构化数据，以及上百个业务系统产生的海量结构化数据。这些数据资源的获取和整合不仅依赖数据爬取、多源异构数据治理、分布式数据存储等技术，也依赖强大的外部数据资源协作能力和内部推动能力。这样，知识图谱就发挥了重要作用。知识图谱在金融领域的应用主要包括：风控、征信、审计、反欺诈、数据分析、自动化报告等。
以反欺诈为例，反欺诈是风控中非常重要的一道环节。基于大数据的反欺诈的难点在于如何把不同来源的数据（结构化，非结构）整合在一起，并构建反欺诈引擎，从而有效地识别出欺诈案件（比如身份造假，团体欺诈，代办包装等）。不少欺诈案件会涉及到复杂的关系网络，也给欺诈审核带来了新的挑战。KGB知识图谱提供便捷的方式添加新的数据源，同时可以分析复杂关系中的潜在风险。
在数据分析方面，KGB知识图谱能够深入挖掘知识关联，将知识实体链接为有意义的知识事实，并推理暗含的知识与结论，丰富知识图谱。知识图谱能够借助深度学习技术，对个股行业宏观策略研报进行知识关联，节省阅读量，实现信息串联，统一维度分析展现。根据企业股权关系，业务上下游关系，资金关系，人员关系，产业链关系等构建知识图谱，提供风险评估及预警。KGB知识图谱具有以下特色：
1、跨领域可扩展：知识图谱加工厂具有通用图谱构建引擎。知识抽取、知识关联与质量核查过程不依赖特定业务知识，结合用户知识图谱构建的需求，可以快速构建用户领域知识图谱。
2、知识质量智能核查：知识图谱加工厂实现对多种知识错误与冲突的智能核查与校验，并对知识库进行实时自动更新，保证知识图谱准确性。
3、人机结合的服务：知识图谱加工场人机构成：90%机器+10%的人工，只需要提供语料，就可以快速得到对应的知识图谱构建成果。