中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

知識對于人工智能的價值就在于，讓機器具備認知能力和理解能力。構(gòu)建知識圖譜這個過程的本質(zhì)，就是讓機器形成認知能力，理解這個世界。

一、知識圖譜無處不在

說到人工智能技術(shù)，人們首先會聯(lián)想到深度學習、機器學習技術(shù)；談到人工智能應用，人們很可能會馬上想起語音助理、自動駕駛等等，各行各業(yè)都在研發(fā)底層技術(shù)和尋求AI場景，卻忽視了當下最時髦也很重要的AI技術(shù)：知識圖譜。

當我們進行搜索時，搜索結(jié)果右側(cè)的聯(lián)想，來自于知識圖譜技術(shù)的應用。我們幾乎每天都會接收到各種各樣的推薦信息，從新聞、購物到吃飯、娛樂。

個性化推薦作為一種信息過濾的重要手段，可以依據(jù)我們的習慣和愛好推薦合適的服務，也來自于知識圖譜技術(shù)的應用。搜索、地圖、個性化推薦、互聯(lián)網(wǎng)、風控、銀行……越來越多的應用場景，都越來越依賴知識圖譜。

二、知識圖譜與人工智能的關系

知識圖譜用節(jié)點和關系所組成的圖譜，為真實世界的各個場景直觀地建模。通過不同知識的關聯(lián)性形成一個網(wǎng)狀的知識結(jié)構(gòu)，對機器來說就是圖譜。

形成知識圖譜的過程本質(zhì)是在建立認知、理解世界、理解應用的行業(yè)或者說領域。每個人都有自己的知識面，或者說知識結(jié)構(gòu)，本質(zhì)就是不同的知識圖譜。正是因為有獲取和形成知識的能力，人類才可以不斷進步。

知識圖譜對于人工智能的重要價值在于，知識是人工智能的基石。機器可以模仿人類的視覺、聽覺等感知能力，但這種感知能力不是人類的專屬，動物也具備感知能力，甚至某些感知能力比人類更強，比如：狗的嗅覺。

而“認知語言是人區(qū)別于其他動物的能力，同時，知識也使人不斷地進步，不斷地凝練、傳承知識，是推動人不斷進步的重要基礎?！?知識對于人工智能的價值就在于，讓機器具備認知能力。

而構(gòu)建知識圖譜這個過程的本質(zhì)，就是讓機器形成認知能力，去理解這個世界。

三、圖數(shù)據(jù)庫

知識圖譜的圖存儲在圖數(shù)據(jù)庫（Graph Database）中，圖數(shù)據(jù)庫以圖論為理論基礎，圖論中圖的基本元素是節(jié)點和邊，在圖數(shù)據(jù)庫中對應的就是節(jié)點和關系。用節(jié)點和關系所組成的圖，為真實世界直觀地建模，支持百億量級甚至千億量級規(guī)模的巨型圖的高效關系運算和復雜關系分析。

目前市面上較為流行的圖數(shù)據(jù)庫有：Neo4j、Orient DB、Titan、Flock DB、Allegro Graph等。不同于關系型數(shù)據(jù)庫，一修改便容易“牽一發(fā)而動全身”圖數(shù)據(jù)庫可實現(xiàn)數(shù)據(jù)間的“互聯(lián)互通”，與傳統(tǒng)的關系型數(shù)據(jù)庫相比，圖數(shù)據(jù)庫更擅長建立復雜的關系網(wǎng)絡。

圖數(shù)據(jù)庫將原本沒有聯(lián)系的數(shù)據(jù)連通，將離散的數(shù)據(jù)整合在一起，從而提供更有價值的決策支持。

四、知識圖譜的價值

知識圖譜用節(jié)點和關系所組成的圖譜，為真實世界的各個場景直觀地建模，運用“圖”這種基礎性、通用性的“語言”，“高保真”地表達這個多姿多彩世界的各種關系，并且非常直觀、自然、直接和高效，不需要中間過程的轉(zhuǎn)換和處理——這種中間過程的轉(zhuǎn)換和處理，往往把問題復雜化，或者遺漏掉很多有價值的信息。

在風控領域中，知識圖譜產(chǎn)品為精準揭露“欺詐環(huán)”、“窩案”、“中介造假”、“洗錢”和其他復雜的欺詐手法，提供了新的方法和工具。盡管沒有完美的反欺詐措施，但通過超越單個數(shù)據(jù)點并讓多個節(jié)點進行聯(lián)系，仍能發(fā)現(xiàn)一些隱藏信息，找到欺詐者的漏洞，通常這些看似正常不過的聯(lián)系（關系），常常被我們忽視，但又是最有價值的反欺詐線索和風險突破口。

盡管各個風險場景的業(yè)務風險不同，其欺詐方式也不同，但都有一個非常重要的共同點——欺詐依賴于信息不對稱和間接層，且它們可以通過知識圖譜的關聯(lián)分析被揭示出來，高級欺詐也難以“隱身”。

凡是有關系的地方都可以用到知識圖譜，事實上，知識圖譜已經(jīng)成功俘獲了大量客戶，且客戶數(shù)量和應用領域還在不斷增長中，包括沃爾瑪、領英、阿迪達斯、惠普、FT金融時報等知名企業(yè)和機構(gòu)。

目前知識圖譜產(chǎn)品的客戶行業(yè)，分類主要集中在：社交網(wǎng)絡、人力資源與招聘、金融、保險、零售、廣告、物流、通信、IT、制造業(yè)、傳媒、醫(yī)療、電子商務和物流等領域。在風控領域中，知識圖譜類產(chǎn)品主要應用于反欺詐、反洗錢、互聯(lián)網(wǎng)授信、保險欺詐、銀行欺詐、電商欺詐、項目審計作假、企業(yè)關系分析、罪犯追蹤等場景中。

那相比傳統(tǒng)數(shù)據(jù)存儲和計算方式，知識圖譜的優(yōu)勢顯現(xiàn)在哪里呢？

（1）關系的表達能力強

傳統(tǒng)數(shù)據(jù)庫通常通過表格、字段等方式進行讀取，而關系的層級及表達方式多種多樣，且基于圖論和概率圖模型，可以處理復雜多樣的關聯(lián)分析，滿足企業(yè)各種角色關系的分析和管理需要。

（2）像人類思考一樣去做分析

基于知識圖譜的交互探索式分析，可以模擬人的思考過程去發(fā)現(xiàn)、求證、推理，業(yè)務人員自己就可以完成全部過程，不需要專業(yè)人員的協(xié)助。

（3）知識學習

利用交互式機器學習技術(shù)，支持根據(jù)推理、糾錯、標注等交互動作的學習功能，不斷沉淀知識邏輯和模型，提高系統(tǒng)智能性，將知識沉淀在企業(yè)內(nèi)部，降低對經(jīng)驗的依賴。

（4）高速反饋

圖式的數(shù)據(jù)存儲方式，相比傳統(tǒng)存儲方式，數(shù)據(jù)調(diào)取速度更快，圖庫可計算超過百萬潛在的實體的屬性分布，可實現(xiàn)秒級返回結(jié)果，真正實現(xiàn)人機互動的實時響應，讓用戶可以做到即時決策。

五、知識圖譜的主要技術(shù)

5.1 知識建模

知識建模，即為知識和數(shù)據(jù)進行抽象建模，主要包括以下5個步驟：

1. 以節(jié)點為主體目標，實現(xiàn)對不同來源的數(shù)據(jù)進行映射與合并。（確定節(jié)點）
2. 利用屬性來表示不同數(shù)據(jù)源中針對節(jié)點的描述，形成對節(jié)點的全方位描述。（確定節(jié)點屬性、標簽）
3. 利用關系來描述各類抽象建模成節(jié)點的數(shù)據(jù)之間的關聯(lián)關系，從而支持關聯(lián)分析。（圖設計）
4. 通過節(jié)點鏈接技術(shù)，實現(xiàn)圍繞節(jié)點的多種類型數(shù)據(jù)的關聯(lián)存儲。（節(jié)點鏈接）
5. 使用事件機制描述客觀世界中動態(tài)發(fā)展，體現(xiàn)事件與節(jié)點間的關聯(lián)，并利用時序描述事件的發(fā)展狀況。（動態(tài)事件描述）

5.2 知識獲取

從不同來源、不同結(jié)構(gòu)的數(shù)據(jù)中進行知識提取，形成知識存入到知識圖譜，這一過程我們稱為知識獲取。針對不同種類的數(shù)據(jù)，我們會利用不同的技術(shù)進行提取。

從結(jié)構(gòu)化數(shù)據(jù)庫中獲取知識：D2R。

難點：復雜表數(shù)據(jù)的處理。

從鏈接數(shù)據(jù)中獲取知識：圖映射。

難點：數(shù)據(jù)對齊。

從半結(jié)構(gòu)化（網(wǎng)站）數(shù)據(jù)中獲取知識：使用包裝器。

難點：方便的包裝器定義方法，包裝器自動生成、更新與維護。

從文本中獲取知識：信息抽取。

難點：結(jié)果的準確率與覆蓋率。

5.3 知識融合

如果知識圖譜的數(shù)據(jù)源來自不同數(shù)據(jù)結(jié)構(gòu)的數(shù)據(jù)源，在系統(tǒng)已經(jīng)從不同的數(shù)據(jù)源把不同結(jié)構(gòu)的數(shù)據(jù)提取知識之后，接下來要做的是把它們?nèi)诤铣梢粋€統(tǒng)一的知識圖譜，這時候需要用到知識融合的技術(shù)（如果知識圖譜的數(shù)據(jù)結(jié)構(gòu)均為結(jié)構(gòu)化數(shù)據(jù)，或某種單一模式的數(shù)據(jù)結(jié)構(gòu)，則無需用到知識融合技術(shù)）。

知識融合主要分為數(shù)據(jù)模式層融合和數(shù)據(jù)層融合，分別用的技術(shù)如下：

1. 數(shù)據(jù)模式層融合：概念合并、概念上下位關系合并、概念的屬性定義合并。
2. 數(shù)據(jù)層融合：節(jié)點合并、節(jié)點屬性融合、沖突檢測與解決（如某一節(jié)點的數(shù)據(jù)來源有：豆瓣短文、數(shù)據(jù)庫、網(wǎng)頁爬蟲等，需要將不同數(shù)據(jù)來源的同一節(jié)點進行數(shù)據(jù)層的融合）。

由于行業(yè)知識圖譜的數(shù)據(jù)模式通常采用自頂向下（由專家創(chuàng)建）和自底向上（從現(xiàn)有的行業(yè)標準轉(zhuǎn)化，從現(xiàn)有高質(zhì)量數(shù)據(jù)源（如百科）轉(zhuǎn)化）結(jié)合的方式，在模式層基本都經(jīng)過人工的校驗，保證了可靠性，因此，知識融合的關鍵任務在數(shù)據(jù)層的融合。

5.4 知識存儲

圖譜的數(shù)據(jù)存儲既需要完成基本的數(shù)據(jù)存儲，同時也要能支持上層的知識推理、知識快速查詢、圖實時計算等應用，因此需要存儲以下信息：三元組（由開始節(jié)點、關系、結(jié)束節(jié)點三個元素組成）知識的存儲、事件信息的存儲、時態(tài)信息的存儲、使用知識圖譜組織的數(shù)據(jù)的存儲。

其關鍵技術(shù)和難點就在于：

1. 大規(guī)模三元組數(shù)據(jù)的存儲；
2. 知識圖譜組織的大數(shù)據(jù)的存儲；
3. 事件與時態(tài)信息的存儲；
4. 快速推理與圖計算的支持。

5.5 知識計算

知識計算主要是在知識圖譜中知識和數(shù)據(jù)的基礎上，通過各種算法，發(fā)現(xiàn)其中顯式的或隱含的知識、模式或規(guī)則等，知識計算的范疇非常大，這里主要講三個方面：

1. 圖挖掘計算：基于圖論的相關算法，實現(xiàn)對圖譜的探索和挖掘。
2. 本體推理：使用本體推理進行新知識發(fā)現(xiàn)或沖突檢測。
3. 基于規(guī)則的推理：使用規(guī)則引擎，編寫相應的業(yè)務規(guī)則，通過推理輔助業(yè)務決策。

5.6 圖挖掘和圖計算

知識圖譜之上的圖挖掘和計算主要分以下6類：

• 第一是圖遍歷，知識圖譜構(gòu)建完之后可以理解為是一張很大的圖，怎么去查詢遍歷這個圖，要根據(jù)圖的特點和應用的場景進行遍歷；
• 第二是圖里面經(jīng)典的算法，如最短路徑；
• 第三是路徑的探尋，即給定兩個實體或多個實體去發(fā)現(xiàn)他們之間的關系；
• 第四是權(quán)威節(jié)點的分析，這在社交網(wǎng)絡分析中用的比較多；
• 第五是族群分析；
• 第六是相似節(jié)點的發(fā)現(xiàn)。

5.7 可視化技術(shù)

目前兩個比較常見的可視化工具是：D3.js和ECharts。

• D3.js：全稱Data-Driven Documents，是一個用動態(tài)圖形顯示數(shù)據(jù)的JavaScript庫，一個數(shù)據(jù)可視化工具，它提供了各種簡單易用的函數(shù)，大大方便了數(shù)據(jù)可視化的工作。
• ECharts：是一款由百度前端技術(shù)部開發(fā)的，同樣基于Javascript的數(shù)據(jù)可視化圖標庫。它提供大量常用的數(shù)據(jù)可視化圖表，底層基于ZRender（一個全新的輕量級canvas類庫），創(chuàng)建了坐標系、圖例、提示、工具箱等基礎組件，并在此上構(gòu)建出折線圖（區(qū)域圖）、柱狀圖（條狀圖）、散點圖（氣泡圖）、餅圖（環(huán)形圖）、K線圖、地圖、力導向布局圖以及和弦圖，同時支持任意維度的堆積和多圖表混合展現(xiàn)。

六、知識圖譜的應用

知識圖譜的應用場景很多，除了問答、搜索和個性化推薦外，在不同行業(yè)不同領域也有廣泛應用，以下列舉幾個目前比較常見的應用場景。

6.1 信用卡申請反欺詐圖譜

6.1.1 欺詐手法

銀行信用卡的申請欺詐包括個人欺詐、團伙欺詐、中介包裝、偽冒資料等，是指申請者使用本人身份或他人身份或編造、偽造虛假身份進行申請信用卡、申請貸款、透支欺詐等欺詐行為。

欺詐者一般會共用合法聯(lián)系人的一部分信息，如電話號碼、聯(lián)系地址、聯(lián)系人手機號等，并通過它們的不同組合創(chuàng)建多個合成身份。比如：3個人僅通過共用電話和地址兩個信息，可以合成9個假名身份，每個合成身份假設有5個賬戶，總共約45個賬戶。假設每個賬戶的信用等級為20000元，那么銀行的損失可能高達900000元。

由于擁有共用的信息，欺詐者通過這些信息構(gòu)成欺詐環(huán)。

一開始，欺詐環(huán)中的賬戶使用正常，欺詐者會進行正常的購買、支付和還款行為，這種行為稱為“養(yǎng)卡”?！梆B(yǎng)卡”了一段時間后，信用額度會有所增加，隨著時間推移會增長到一個讓欺詐者相對“滿意”的額度。

突然有一天欺詐環(huán)“消失”了，環(huán)內(nèi)成員都最大化地使用完信用額度后跑路了。

6.1.2 知識圖譜解決信用卡申請反欺詐問題

使用傳統(tǒng)的關系數(shù)據(jù)庫，來揭露欺詐環(huán)需要技術(shù)人員執(zhí)行一系列的復雜連接和自連接，而且查詢構(gòu)建起來非常復雜，查詢效率低、速度慢且成本高。

知識圖譜產(chǎn)品利用圖數(shù)據(jù)庫的天然優(yōu)勢，直接將銀行欺詐環(huán)節(jié)可能涉及的所有有用的數(shù)據(jù)字段：如申請?zhí)?、賬戶、身份證、手機、地址、家庭電話、聯(lián)系人、設備指紋等設計成圖譜的節(jié)點，定義好圖譜所需的所有節(jié)點和節(jié)點屬性后，定義兩兩節(jié)點間的關系。

如：申請?zhí)柟?jié)點與設備指紋節(jié)點相連構(gòu)成“申請設備”關系，人節(jié)點與地址節(jié)點相連構(gòu)成“申請人地址”關系。

根據(jù)業(yè)務上設計好的圖譜進行建圖，建圖后，用戶可以直接在關聯(lián)圖譜平臺上，輸入某個節(jié)點值查詢節(jié)點的關聯(lián)信息，如：輸入某個黑手機號，看其關聯(lián)5層范圍內(nèi)的涉及到的申請人信息，看該節(jié)點是否與其他節(jié)點關聯(lián)成欺詐環(huán)，看節(jié)點與歷史的黑節(jié)點間是否有過關聯(lián)等等。

用戶可借助知識圖譜產(chǎn)品，在貸前防御風險，貸中進行關聯(lián)分析找出可疑點，控制風險，貸后進行風險把關，讓損失降到最低。

6.2 企業(yè)知識圖譜

目前金融證券領域，應用主要側(cè)重于企業(yè)知識圖譜。企業(yè)數(shù)據(jù)包括：企業(yè)基礎數(shù)據(jù)、投資關系、任職關系、企業(yè)專利數(shù)據(jù)、企業(yè)招投標數(shù)據(jù)、企業(yè)招聘數(shù)據(jù)、企業(yè)訴訟數(shù)據(jù)、企業(yè)失信數(shù)據(jù)、企業(yè)新聞數(shù)據(jù)等。

利用知識圖譜融合以上企業(yè)數(shù)據(jù)，可以構(gòu)建企業(yè)知識圖譜，并在企業(yè)知識圖譜之上利用圖譜的特性，針對金融業(yè)務場景有一系列的圖譜應用，舉例如下：

（1）企業(yè)風險評估

基于企業(yè)的基礎信息、投資關系、訴訟、失信等多維度關聯(lián)數(shù)據(jù)，利用圖計算等方法構(gòu)建科學、嚴謹?shù)钠髽I(yè)風險評估體系，有效規(guī)避潛在的經(jīng)營風險與資金風險。

（2）企業(yè)社交圖譜查詢

基于投資、任職、專利、招投標、涉訴關系以目標企業(yè)為核心向外層層擴散，形成一個網(wǎng)絡關系圖，直觀立體展現(xiàn)企業(yè)關聯(lián)。

（3）企業(yè)最終控制人查詢

基于股權(quán)投資關系尋找持股比例最大的股東，最終追溯至某自然人或國有資產(chǎn)管理部門。

（4）企業(yè)之間路徑發(fā)現(xiàn)

在基于股權(quán)、任職、專利、招投標、涉訴等關系形成的網(wǎng)絡關系中，查詢企業(yè)之間的最短關系路徑，衡量企業(yè)之間的聯(lián)系密切度。

（5）初創(chuàng)企業(yè)融資發(fā)展歷程

基于企業(yè)知識圖譜中的投融資事件發(fā)生的時間順序，記錄企業(yè)的融資發(fā)展歷程。

（6）上市企業(yè)智能問答

用戶可以通過輸入自然語言問題，系統(tǒng)直接給出用戶想要的答案。

6.3 交易知識圖譜

金融交易知識圖譜在企業(yè)知識圖譜之上，增加交易客戶數(shù)據(jù)、客戶之間的關系數(shù)據(jù)以及交易行為數(shù)據(jù)等，利用圖挖掘技術(shù)，包括很多業(yè)務相關的規(guī)則，來分析實體與實體之間的關聯(lián)關系，最終形成金融領域的交易知識圖譜。

在銀行交易反欺詐方面，可以從從身份證，手機號、設備指紋、IP等多重維度對持卡人的歷史交易信息進行自動化關聯(lián)分析，關聯(lián)分析出可疑人員和可疑交易。

6.4 反洗錢知識圖譜

對于反洗錢或電信詐騙場景，知識圖譜可精準追蹤卡卡間的交易路徑，從源頭的賬戶/卡號/商戶等關聯(lián)至最后收款方，識別洗錢/套現(xiàn)路徑和可疑人員，并通過可疑人員的交易軌跡，層層關聯(lián)，分析得到更多可疑人員、賬戶、商戶或卡號等實體。

6.5 信貸/消費貸知識圖譜

對于互聯(lián)網(wǎng)信貸、消費貸、小額現(xiàn)金貸等場景，知識圖譜可從身份證、手機號、緊急聯(lián)系人手機號、設備指紋、家庭地址、辦公地址、IP等多重維度對申請人的申請信息，進行自動化關聯(lián)分析，通過關系關系并結(jié)合規(guī)則，識別圖中異常信息，有效判別申請人信息真實性和可靠性。

6.6 內(nèi)控知識圖譜

在內(nèi)控場景的經(jīng)典案例里，中介人員通過制造或利用對方信息的不對稱，將企業(yè)存款從銀行偷偷轉(zhuǎn)移，在企業(yè)負責人不知情的情況下，中介已把企業(yè)存在銀行的全部存款轉(zhuǎn)移并消失不見。通過建立企業(yè)知識圖譜，可將信息實時互通，發(fā)現(xiàn)一些隱藏信息，尋找欺詐漏洞，找出資金流向。

相關閱讀

什么是關聯(lián)圖譜？

作者：Amy，公眾號：Amy的風控產(chǎn)品記（Amy_fkcpj），旨在與同行交流關聯(lián)圖譜（知識圖譜）和風控領域產(chǎn)品。

本文由 @Amy 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議