知識圖譜的關鍵技術

知識圖譜推理(Knowledge Graph Reasoning)是技術的核心。即給定實體與關係，推斷出新的關係。通常有三種類型，基於邏輯的推理，基於概率的推理（例如，distributed representation）和基於前兩種的混合方法(Hybrid approach)。

案例一：反欺詐（Anti-fraud）

反欺詐是整個金融和P2P行業的重點，它是公司盈利或虧損的關鍵點。反欺詐的本質是關係的分析，已定義的反欺詐規則有上百條，其中有些是基於複雜的邏輯關係。例如以下規則：

多個申請人共同使用同一電話號碼，則這些申請人可列為懷疑對象。

不屬於同一公司的申請人，卻有同樣的辦公電話號碼，則可列為懷疑對象。

申請人的有關用戶曾被拒絕貸款，則需重點查看此申請人的歷史信息。

檢測三角關係（cycle detection）

知識圖譜可快速檢測出申請人之間的三角關係，阻止一些代辦公司，團體組織的惡意欺詐。而傳統的方式很難進行關係檢測，例如在關係型資料庫中做數據查詢，則需要大量表的合併，在實際中無法應用。

矛盾關係檢測（inconsistentrelationship）

在一個圖庫里有些關係是存在矛盾的。如左圖：申請人和申請人1是父母關係，申請人1和申請人2也是父母關係，但申請人和申請人2卻是配偶關係。這樣一個矛盾的關係網說明申請人有異常，需要更多的背景調查。準確的判斷用戶關係，需要複雜的知識推理過程。目前的技術只支持簡單的知識推理方式，提前定義所有的邏輯規則，並在整個圖庫中運行一遍，便可檢測出異常用戶。

可疑團體檢驗（suspicious group）

利用知識圖庫，也可檢驗組團式欺詐。如圖，多個用戶共享很多屬性，則這些用戶可能存在問題。

通過案例設計反欺詐規則

知識圖譜這種展示實體和關係的方式，對業務人員更為直觀易懂。例如：已確定一欺詐申請，可用在API上檢驗此案件與其他案件的關係。這種通過案例，設計規則流程的方式更為直觀有效。

快速變化的關係結構

如果在短時間內，關係的結構發生很大的變化，則需要做異常檢測。這一種較難但實用的反欺詐規則，難點在於如何把某個時間段的關係結構存儲在時間圖譜上。

反欺詐系統框架

整個流程分為特徵分析，模型選取還有利用分數進行判斷。首先，我們將選取的特徵數據，運行所有反欺詐規則所得的返回值，還有用戶基本信息和網上獲取的行為記錄，進行整合組成上百維的特徵組。

然後，將之前整合的數據帶入模型庫得出分數。模型庫包括常見的模型，例如線性回歸、決策樹、隨機森林、支持向量機、神經網路和深度神經網路等。這個分數代表一個反欺詐的風險評估，用來支持決策。例如：在1-100的分數體系里，當分數介於80-100之間，則判斷此申請人欺詐概率較大，可免去人工審核直接拒絕申請。隨著系統的不斷優化，分數的準確性提高，希望可以減少人工參與，達到整個流程的自動化。

案例二：失聯管理

貸款人消失，所有聯繫方式無效時稱之為失聯客戶。 通常利用數據挖掘的方法，進行潛在聯繫人查找。例如：對借款人近期通話記錄分析排序，進行關係預測。除一度擴展外，也可進行二度，三度擴展。但結果以指數倍增長，此時進行排序與關係預測面臨較大挑戰。

排序方法

簡單排序法：通話時長排序、通話頻次排序

高級排序法：利用機器學習方法得出排序分數

關係預測

選取特徵數據，帶入模型中得出預測關係。一般有六關係類型，如父母關係、朋友關係、同事關係等。準確的關係預測在很多領域都有實際應用，例如精準營銷。

知識圖譜其他應用

聚類分析、精準營銷、許可權控制、人力資源等等

面臨的挑戰

非結構化數據：如何將文字、圖像、音頻等非結構化數據轉化為結構化數據，使之可以直接進入模型做出預測。此部分涉及機器學習、自然語言處理和數據挖掘技術。

消歧分析：如何讓系統自動判斷，名字相似的幾個公司是否是同一家公司。

推理問題：如何從已有的信息推測出潛在的信息。

樣本不足：大數據，小樣本導致難以建立模型 。例如反欺詐模型，申請人很多但欺詐樣本非常少，沒有足夠的訓練數據建立模型。

推薦閱讀：