图式知识图谱的主要技术5.1知识建模，你了解多少？

5. 知识图谱主要技术 5.1 知识建模

知识建模是对知识和数据的抽象建模，主要包括以下五个步骤：

以节点为主要目标，可以对不同来源的数据进行映射和合并。 （确定节点）用属性来表示不同数据源中对节点的描述，形成对节点的综合描述。 （确定节点属性和标签）用关系来描述抽象建模为节点的各类数据之间的相关性，从而支持相关性分析。 （图形设计）通过节点链接技术，实现节点周围多种类型数据的关联存储。 （节点链接）用事件机制来描述客观世界的动态发展，体现事件与节点之间的关联性，用时序来描述事件的发展。 （动态事件描述）

5.2 知识获取

从不同来源、不同结构的数据中提取知识，并将知识存储到知识图谱中。 这个过程称为知识获取。 我们将使用不同的技术来提取不同类型的数据。

从结构化数据库获取知识：D2R。

难点：复杂表格数据的处理。

从关联数据中获取知识：图形映射。

难点：数据对齐。

从半结构化（网站）数据获取知识：使用包装器。

难点：方便的包装器定义方法，包装器自动生成、更新和维护。

从文本中获取知识：信息提取。

难点：结果的准确性和覆盖范围。

5.3 知识整合

如果知识图谱的数据源来自不同数据结构的数据源，系统从不同数据源的不同结构的数据中提取出知识后，接下来要做的就是将它们合并成统一的知识图谱。 这时候就需要使用知识融合技术（如果知识图谱的数据结构都是结构化数据，或者是单模数据结构，则不需要使用知识融合技术）。

知识融合主要分为数据模式层融合和数据层融合。 使用的技术如下：

数据模式层融合：概念合并、概念下位关系合并、概念属性定义合并。 数据层融合：节点合并、节点属性融合、冲突检测与解决（例如某个节点的数据源包括：豆瓣论文、数据库、网络爬虫等，不同数据源的同一节点需要融合数据层）。

由于行业知识图谱的数据模型通常采用自上而下（由专家创建）和自下而上（由现有行业标准转换、由现有优质数据源（如百科全书）转换）相结合，在model 各层基本都经过人工验证，保证可靠性。 因此，知识融合的关键任务在于数据层的融合。

5.4 知识存储

图的数据存储不仅要完成基础数据存储，还要支持上层知识推理、知识快速查询、图实时计算等应用。 因此，需要存储以下信息：三元组（由起始节点、关系、结束节点三个元素组成）知识的存储、事件信息的存储、时间信息的存储以及使用知识图组织的数据的存储。

关键技术和难点在于：

大规模三元数据存储； 以知识图谱组织的大数据存储； 事件和时间信息的存储； 支持快速推理和图计算。

5.5 知识计算

知识计算主要基于知识图谱中的知识和数据，利用各种算法发现显性或隐性的知识、模式或规则等。知识计算的范围非常大。 这里我们主要讲三个方面：

图挖掘计算：基于图论的相关算法，实现图的探索和挖掘。 本体推理：使用本体推理进行新知识发现或冲突检测。 基于规则的推理：使用规则引擎编写相应的业务规则，通过推理辅助业务决策。

5.6 图挖掘与图计算

知识图谱的图挖掘和计算主要分为以下六类：

5.7 可视化技术

目前，两种常见的可视化工具是：D3.js 和 .

6.知识图谱的应用

知识图谱的应用场景有很多。 除了问答、搜索和个性化推荐之外，它还广泛应用于不同行业和领域。 以下是一些比较常见的应用场景。

6.1 信用卡申请反欺诈图谱

6.1.1 欺诈技术

银行信用卡申请诈骗包括个人诈骗、团伙诈骗、中介包装、伪造信息等。是指申请人利用自己的身份或者他人的身份或者编造、伪造虚假身份申请信用卡、申请信​​用卡等的诈骗行为。贷款和透支欺诈。

诈骗者一般会共享合法联系人的部分信息，如电话号码、联系地址、联系手机号码等，并通过它们的不同组合创建多个合成身份。 例如：3个人只需共享电话号码和地址这两条信息就可以合成9个假名身份。 假设每个合成身份有 5 个帐户，总共约 45 个帐户。 假设每个账户的信用等级为2万元，银行的损失可能高达2万元。

欺诈者利用共享信息形成欺诈团伙。

一开始，诈骗团伙中的账户是正常使用的，诈骗者会进行正常的购买、支付、还款。 这种行为称为“卡维护”。 “养卡”一段时间后，信用额度就会增加，久而久之就会增长到让诈骗者相对“满意”的限额。

突然有一天，诈骗团伙“消失”了，团伙里的所有成员在信用额度最大化后都逃跑了。

6.1.2 知识图谱解决信用卡申请反欺诈问题

使用传统的关系数据库，揭露欺诈团伙需要技术人员执行一系列复杂的联接和自联接，并且查询构建起来很复杂，导致效率低下、缓慢且成本高昂。

知识图谱产品利用图数据库的天然优势，直接设计所有可能涉及银行欺诈的有用数据字段：如申请号、账户、身份证、手机、地址、家庭电话、联系人、设备指纹等放入图节点，定义好图所需的所有节点和节点属性后，定义两个节点之间的关系。

例如：申请号节点与设备指纹节点连接形成“申请设备”关系，人员节点与地址节点连接形成“申请者地址”关系。

根据为业务设计的地图构建地图。 构建地图后，用户可以在关联地图平台上直接输入节点值，查询该节点的关联信息。 例如输入黑色手机号码，即可查看其关联的5层范围。 检查节点涉及的申请者信息，查看该节点是否与其他节点关联构成欺诈圈、该节点是否曾与历史黑节点关联等。

用户可以利用知识图谱产品在贷前防范风险，在贷中进行关联分析，发现可疑点，控制风险，在贷后进行风控，将损失降到最低。

6.2 企业知识图谱

目前，在金融证券领域，应用主要集中在企业知识图谱。 企业数据包括：企业基础数据、投资关系、雇佣关系、企业专利数据、企业招投标数据、企业招聘数据、企业诉讼数据、企业失信数据、企业新闻数据等。

利用知识图谱整合上述企业数据，可以构建企业知识图谱，并在企业知识图谱之上利用图谱的特性，拥有一系列针对金融业务场景的图应用。 示例如下：

（一）企业风险评估

基于企业基本信息、投资关系、诉讼、失信等多维度相关数据，采用图计算等方法，构建科学严谨的企业风险评估体系，有效规避潜在的经营风险和财务风险。

(2)企业社交图谱查询

基于投资、用工、专利、投标、诉讼等关系，以目标企业为核心向外层层扩散，形成网络关系图，直观、立体地展示企业关系。

（三）企业最终控制人查询

根据股权投资关系找到持股比例最大的股东，最终追溯到自然人或国有资产管理部门。

(4)企业间路径发现

在基于股权、雇佣、专利、投标、诉讼等形成的网络关系中，查询企业之间的最短关系路径，衡量企业之间联系的紧密程度。

（五）初创企业融资发展历程

根据企业知识图谱中投融资事件的时间顺序，记录企业的融资发展过程。

（六）上市公司智能问答

用户可以输入自然语言问题，系统会直接给出他们想要的答案。

6.3 交易知识图谱

金融交易知识图谱在企业知识图谱之上，增加了交易客户数据、客户之间的关系数据、交易行为数据等，并利用图挖掘技术，包括很多业务相关的规则，来分析实体之间的关系。 ，最终形成金融领域的交易知识图谱。

在银行交易反欺诈方面，可以从身份证、手机号码、设备指纹、IP等多个维度对持卡人的历史交易信息进行自动关联分析，通过关联分析可以识别可疑人员和可疑人员。交易。

6.4 反洗钱知识图谱

针对反洗钱或电信诈骗场景，知识图谱可以精准追踪卡间交易路径，从源账户/卡号/商户等链接到最终收款人，识别洗钱/套现路径并可疑人员，通过交易痕迹层层链接识别可疑人员，获取更多可疑人员、账户、商户或卡号等实体。

6.5 信用/消费贷知识图谱

针对互联网信贷、消费贷、小额现金贷等场景，知识图谱可以从身份证、手机号码、紧急联系人手机号码、设备指纹、家庭住址、办公地址等多个维度分析申请人的申请信息和IP。 进行自动化关联分析，通过关系和规则识别图中的异常信息，有效判断申请人信息的真实性和可靠性。

6.6 内部控制知识图谱

在内控场景的经典案例中，中介机构利用对方的信息不对称，秘密转移银行的企业存款。 在公司负责人不知情的情况下，中介人已将公司在银行的所有存款转移并消失。 不看。 通过建立企业知识图谱，可以实时交换信息，发现一些隐藏信息，发现欺诈漏洞，找到资金流向。