金融知识图谱有什么？

就金融行业来说，企业中保存了大量的数据，从技术上可以分为结构化数据、非结构化数据、半结构化数据。

现在在企业中使用最多的是结构化数据，即数据库中存储的数据。半结构性数据和非结构化数据(例如各种办公文件、文本、图片、语音等)，多数企业只是作为知识库存档，并未被利用，这部分数据蕴涵了许多有价值的信息，如何利用它们提炼出有价值的信息成为当前企业的痛点。利用前沿深度学习、光学字符识别、自然语言处理等技术，快速挖掘非结构化、半结构化数据，找出它们存在的关联关系，提炼价值信息，稳定、可靠地解决行业面临的问题。

在金融领域的主要应用包括：智能风控、智能投顾、智能投研、 智能客服、智能舆情分析、智能营销等。

银行风控主要包括信贷审批、额度授信、信用反欺诈、异常交易行为发现、客户关联分析、风险定价等业务场景。

沃丰科技智能客户服务主要包括机器人对话、智能问答、智能推荐等业务场景。

智能投研包含了上市公司研报、公告数据分析挖掘、企业工商信息、业绩信息、董事会高官、产品、产业链分析等业务场景。

根据市场调查统计，上述金融领域的应用场景均已在各大头部银行及金融机构落地，并已投入使用。

知识图谱由 N多节点和边组成，节点代表实体(entity)，边(edge)表示关系，将节点与边关联接起来构成知识图谱。

在智能投研场景下，知识图谱的构建？

第一，要建立知识图谱，首先要查找资料。大家都知道，金融机构的投研业务依赖大量的数据分析，包括企业业绩、年报、企业信息、产品、产业链条、公司股东等数据。

在收集了这些数据后，我们就可以从海量数据中提炼出包含企业、企业产品、企业所在行业、公司的股东/董事会高、公司风险、竞品等等的知识图谱。上述一些实体可直接从结构化数据中获得(例如企业工商信息包含许多构建知识图谱的实体)，另一些则需要通过 NLP技术进行分析获取(例如企业风险等等)。

在获得这些实体后，根据业务梳理各实体之间的关联，确定知识图谱的边，例如，以企业(实体)为中心结点，向外散播，企业的股东有哪些，企业所属行业，有哪些产品/业务模式，企业竞品、竞争对手有哪些，这些属于知识图谱中的实体关系。

在此过程中，我们发现了构建知识图谱所需的实体和关系，并将企业与个体实体联系起来，形成投研领域的知识图谱。

沃丰科技www.udesk.cn知识图谱常与搜索和推荐产品相结合，可以解决精确搜索或精确推荐的业务场景。另外，图谱还可与产业链、企业舆情等产品结合使用。