基于知识图谱的金融舆情风险分析及自动表示学习技术

公众号 系统之神与我同在

知识图谱 in 4Paradigm
标准化知识图谱构建
风险传导分析案例
认知智能是人工智能发展的高阶形态

知识图谱：AI的大脑

·一种大规模语义网络
·一种结构化语义知识库
·通过不同知识的关联性形成的网状知识结构
·结点代表实体（entity）或者概念（concept）
·边代表实体/概念之间的各种语义关系
·基本组成单位是“实体-关系-实体”或“实体-属性-属性值”三元组

知识图谱视角及用途

知识图谱核心技术

第四范式产品能力 – 标准化构建知识图谱

极致简化，将业务问题转化为知识图谱问题

第四范式知识图谱有什么不同：内置“NLP专家”

传统产品 - NLP专家深度参与

·人员门槛高：需要NLP专家的参与
·工作任务重：要根据数据集情况定制训练方案
·反应速度慢：人工分析调度训练、预测周期长

智能型产品 -业务人员简单操作

·人员门槛低：无需NLP经验，业务人员简单培训即可
·工作任务轻：上传数据后系统自动以合理的方案进行训练、预测、 入图
·反应速度快：根据数据集实时情况，自适应生成方案，时效性强

第四范式知识图谱有什么不同：新一代智能文本标注

核心企业风险传导分析·舆情图谱知识类型定义

核心企业风险传导分析·多元舆情数据的智能化整合

核心企业风险传导分析·基于图谱风控建模的优势

核心企业风险传导分析·知识抽取到图谱构建

核心企业风险传导分析·基于规则的图计算，找出异常值

核心企业风险传导分析·验证场景风险度量

·风险影响时段：事件发⽣前3天到后11天
·风险影响目标：风险事件对核⼼企业在⼆级资本市场影响权重
·风险度量标准：采用15天内核⼼企业股价变化与同期上证指数变化的差值作为预期输出值

核心企业风险传导分析·风险事件传导过程

核心企业风险传导分析·建模逻辑

学习风险对核心企业的影响

·风险事件特征：风险事件本身及其关联属性形 成的特征
·传导链路特征：风险事件到目标节点之间的关 联路径信息形成的特征
·组合特征：已有特征组合，扩展形成高维特征

核心企业风险传导分析·模型算法及预估效果

核心企业风险传导分析·特征工程及梯度优化

自动知识表示学习

·自动负采样算法
·自动模型设计
知识表示（KG embedding）

将图谱中结点和关系，映射到低维向量空间，同时保留图谱中的重要性质、特征。

优势:

·更好地与机器学习算法结合
·更高效地查询
·发现隐藏性质
·预测未知的边

知识表示学习

训练目标: 尽可能保留原图中的连接性质。
相关研究工作

利用AutoML对不同应用场景建模

负采样（negative sampling）

关键点

挑战:

1.负样本数量众多.
2.负样本质量难以度量.
3.负样本分布是动态的.

解决方案:

1.采用cache保证效率和动态.
2.通过分数/梯度度量负样本质量.
3.利用AutoML调整分布.
4.常用负采样算法

AutoML搜索分布

实验——有效性和效率

普适性负采样算法

打分函数（scoring function）设计

关系路径（relational path）建模

关键点

挑战:

·由于不同图谱模式不同，现有模型在不同任务中没有绝对胜者.
·三元组中的语义信息，和元组间的结构信息错综复杂.

解决方案:

·定义统一的模型搜索空间.
·利用搜索技术，自适应设计不同模型.

双线性模型的统一表达

关系路径模型的统一表达

搜索框架

实验有效性