知识图谱概述及应用.doc

知识图谱概括及应用
知识图谱概括及应用
知识图谱概括及应用
导读：知识图谱(KnowledgeGraph)是目前的研究热点。自从2012年Google推出自己第一版知识图谱以来，它在学术界和工业界掀起了一股热潮。各谱概括及应用
知识图谱概括及应用
知识图谱概括及应用
en/blog_post
用
在本文中，我们主要议论知识图谱在互联网金融行业中的应用。自然，好多应用场景和想法都能够延长到其他的各行各业。这里提到的应用场景只是冰
山一角，在好多其他的应用上，知识图谱仍旧能够发挥它潜在的价值，我们在后续的文章中会持续议论。
反欺诈
反欺诈是风控中特别重要的一道环节。鉴于的反欺诈的难点在于怎样把不同根源的数据（构造化，非构造）整合在一同，并建立反欺诈引擎，进而有效
知识图谱概括及应用
知识图谱概括及应用
知识图谱概括及应用
地鉴识出欺诈案件（比方身份造假，团体欺诈，代劳包装等）。而且不少欺诈
案件会波及到复杂的关系网络，这也给欺诈审核带来了新的挑战。知识图谱，
作为关系的直接表示方式，能够很好地解决这两个问题。首先，知识图谱提供特别便捷的方式来增添新的数据源，这一点在前面提到过。其次，知识图谱本
身就是用来表示关系的，这种直观的表示方法能够帮助我们更有效地解析复杂关系中存在的特定的潜在风险。
反欺诈的核心是人，首先需要把与借钱人有关的所有的数据源打通，并构
建包含多半据源的知识图谱，进而整合成为一台机器能够理解的构造化的知识。
在这里，我们不单能够整合借钱人的基本信息（比方申请时填写的信息），还
能够把借钱人的消费记录、行为记录、网上的浏览记录等整合到整个知识图谱
里，进而进行解析和预测。这里的一个难点是好多的数据都是从网络上获取的
非构造化数据，需要利用机器学****自然语言办理技术把这些数据变成构造化
的数据。
不一致性考证
不一致性考证能够用来判断一个借钱人的欺诈风险，这个跟交错考证近似。比方借钱人张三和借钱人李四填写的是同一个公司电话，但张三填写的公司和
李四填写的公司完全不同样，这就成了一个风险点，需要审核人员格外的注意。
知识图谱概括及应用
知识图谱概括及应用
知识图谱概括及应用
再比方，借钱人说跟张三是朋友关系，跟李四是父子关系。当我们试图把
借钱人的信息增添到知识图谱里的时候，“一致性考证”引擎会触发。引擎首先
会去读取张三和李四的关系，进而去考证这个“三角关系”是否正确。很显然，
朋友的朋友不是父子关系，所以存在着显然的不一致性。
不一致性考证波及到知识的推理。通俗地讲，知识的推理能够理解成“链接预测”，也就是从已有的关系图谱里推导出新的关系或链接。比方在上面的例子，假定张三和李四是朋友关系，而且张三和借钱人也是朋友关系，那我们能够推理出借钱人和李四也是朋友关系。
知识图谱概括及应用
知识图谱概括及应用
知识图谱概括及应用
组团欺诈
知识图谱概括及应用
知识图谱概括及应用
知识图谱概括及应用
相比虚假身份的鉴识，组团欺诈的挖掘难度更大。这种组织在特别复杂的关系网络里隐藏着，不容易被发现。当我们只有把其中隐含的关系网络梳理清楚，才有可能去解析并发现其中潜在的风险。知识图谱，作为天然的关系网络的解析工具，能够帮助我们更容易地去鉴识这种潜在的风险。举一个简单的例子，有些组团欺诈的成员会用虚假的身份去申请贷款，但部分信息是共享的。下面的图大体说了然这种情形。从图中能够看出张三、李四和王五之间没有直接的关系，但经过关系网络我们很容易看出这三者之间