109°

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。

 

全部评论: 0

    我有话说: