图谱实战 | 鲍捷：知识图谱技术在金融领域的分析和应用

84 阅读 0 评论 56 点赞

我是靠谱客的博主强健萝莉，最近开发中收集的这篇文章主要介绍图谱实战 | 鲍捷：知识图谱技术在金融领域的分析和应用，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

转载公众号 | DataFunSummit

分享嘉宾：鲍捷博士文因互联

编辑整理：松烨博瑜科技

出品平台：DataFunTalk

导读：知识图谱标准件已经全面赋能主流金融场景，经历了7年时间的发展，在金融监管、银行、资管、证券等领域得到广泛应用。今天我们从时间的角度，详细介绍应用场景是如何一步一步演化出来的。

2016年知识图谱在金融领域Big Bang
2017年举办第一届金融知识图谱论坛
2018年成立金融知识图谱工作组
2019年金融知识图谱工作系列沙龙（如何破局）
2020年理解四种自动化（手、眼、脑、心）
2021年“知识”是企业数字化转型的核心基础设置

2016年知识图谱在金融领域Big Bang

2010年我们已经有很多如何把语义和金融融合在一起的想法，学术界已有很多方面的研究，2012年语义演化为知识图谱。

2016年3月9号AlphaGo打败了围棋冠军李世石，整个金融界完全被震撼，金融市场是程序化交易的天下，这一天成为知识图谱在金融领域的Big Bang，金融界有很多人提出了很多问题，问题大致分类如下：

2016年3月12日，我们组织国内第一次语义和金融两个领域的对话，“语义对话金融沙龙”。邀请了很多业内专家，一起探讨很多问题。

2016年3月国内几乎没有知识图谱的应用案例，我们的认知只在“创投类数据库”，能找到的案例只有少量的欧美应用案例：

2016年是Fintech上下半场的转折点，互联网金融向智能金融的演进，互联网金融主要是以P2P为主，上半场以金融为主，下半场以技术为主，不仅延伸以前那些场景，并且创造新场景。

金融IT化的过程分为四个阶段，分别是信息化、大数据化、自动化、智能化。前面20年时间已完成信息化和大数据化的建设，2010到2016的5年时间已完成一些简单的自动化。因此到了2016年，我们就考虑是否需要智能化。

智能化的本质是自动化处理“脑力体力劳动”，比如每天做财务报表来算账，属于重复的脑力体力劳动，可以自动化，但是如何去找到一个非常优质的投资机会不属于此类。我们怎么能够把人的洞察的能力用巨大的规模来实现，或者把社会的力量用机器的速度来实现，这就是智能化在金融里落地的核心，如何去自动化脑力体力劳动。

2016年是否要需要智能化，事实最终证明，2016年仍属于大数据化阶段，自动化是超前的，智能化更是超前的。

2017年举办第一届金融知识图谱论坛

2017年3月我们在杭州大学组织第一届金融知识图谱论坛，由中文信息协会主办。

在本次会议上，中国中文信息学会常任理事，上交所前CEO白硕介绍NPL与知识图谱的对接；浙江大学教授陈华钧分享开放知识图谱的愿景和挑战。还邀请腾放、文飞翔、郭颖哲三位创投数据库领域的CEO分享了他们的成功案例。

1. 认知

2017年知识图谱的场景较2016年有大幅扩展，除了创投数据库之外，有了公众公司的基本面的数据库，行情数据库，特别值得指出，2017年我们文因互联负责完成上交所的公告摘要项目，是国家第一个采用自然语言处理进行上市公告。2017年证明可以用机器去做公告数据提取、研报数据提取，还有舆情数据提取。同时还有其他的数据提取，例如工商数据，也就是泛企业数据。

2. 应用

2017年知识图谱的应用系统丰富起来，看到传统数据终端可能会被替代，出现了金融搜索引擎、金融问答引擎、研报的公告摘要、脱水研报、脱水公告、自动化信贷流程，自动化评级流程，自动化写报告，自动化写新闻，自动化做审计等。

在2017年知识图谱在金融领域的建设过程总结为三句话：

• 天下难事，必做于易；天下大事，必做于细。金融知识图谱是一个很复杂的系统工程，中间可能需要先达到若干中间节点，而非一下子就能变魔术。

• 它可能催生新的应用，但一时难以在旧的金融体系内承载。

• 它需要金融人才和人工智能人才的密切交流，培养一种新的复合型人才。这些工作，都不是一两年就能完成的。

2018年成立金融知识图谱工作组

2018年在全国知识图谱与语义计算大会上成立金融知识图谱工作组，我们发现金融领域应用从利用技术角度可以分为四类：大数据技术、机器学习技术、文本处理技术，以及知识和规则技术。2016年以前我们基本以大数据技术和机器学习技术为主，在智能营销、智能支付、智能风控、智能投顾应用已经相比较成功。在智能监管、智能资管、智能审计、智能投研、智能客服应用遇到困难，难点在于结构化数据之前的文本信息，巧妇难为无米之炊。解决难点的关键是在提供优质的数据，必须解决文档自动化理解问题，成为整个行业的主旋律。

2018年客户提出非常多的需求，整个行业趋势总结为以下方面：

1. 认知

2018年的金融知识图谱比之前又丰富了很多。灰色部分是2017年的，黑色部分是2018年的。

2. 应用　

随着图谱的增强，应用也大大扩展，灰色部分是2017年的应用，黑色部分是2018年新增的应用。尤其是2018年前后，各种聊天机器人开始大量使用，降低了客服和营销成本。

2018年随着整个国家金融转型，在监管、基础数据、资管、咨询、研究、销售、投顾、会计、审计、投资等10大应用领域新增非常多的细分场景，具体场景如下：

2019年金融知识图谱工作系列沙龙——如何破局

2019年大家都在探索，还不知道商业化场景和真正的破局点在哪里？我们金融知识图谱工作组就组织一系列的会议和沙龙，金融界和技术界更加密切地进行交流。

2019年3月24日在国家金融发展实验室组织了金融制度论坛，主要讨论监管业务。

2019年4月13日普华永道中国会议讨论的更广的业务内容。

2019年配合CCKS２０１９的评测竞赛，我们和中南大学一起发布三项评测任务，评测任务代表自动化文本处理在金融领域已经开始进入主流视野。

我们认识到整个知识图谱其实是一个技术栈，不是一项技术，而是一堆技术的集合体，知识图谱不仅是图谱，是知识加上辅助，如下图的知识图谱金字塔：

规则、本体和模式这些工程就是知识，它们是非常重要的，在不同层级上对应金融领域里都有应用，例如证券领域要进行规则建设，实现大规模的合规和审批的流程自动化；银行中的信贷合规，信贷反欺诈的数据集成、风险图谱、自动化生成报表，都是有相应知识支撑的应用，本质上来说“知识的核心价值是驱动流程自动化”。

2019年出现了知识图谱的破局点，就是证监会发布监管3.0，一个纲领性的文件，提出了全覆盖，无死角建设监管体系。

证监会、银保监会都开始用机器自动进行监管，监管科技倒逼所有的金融机构进行流程的自动化，2019年7月知识图谱非常有效地支撑科创板审核的一些关键流程，中国第一次实现IPO审核中利用自然语言处理技术构造上市公司的知识图谱。我们在参与科创板知识图谱和2018年北交所构造股转中心第一套制度，我们在实现银行、交易所等机构的细分场景时，出现非常多的新型用户交互。

我们面临一些新的问题：数据结构化，数据如何呈现问题，还有各种细粒度的自动化监管问题。另外我们也开始发现了更多银行精细化运营的问题，包括集中作业问题、获客问题、客户防流失问题，所以很多细分场景如下：

2020年理解四种自动化（手、眼、脑、心）

知识图谱的核心不是图，更重要的是业务知识，能够帮助我们进行任务的自动化，从数据结构化的流程自动化到业务的服务化，再到服务的开发，分别对应手、眼、脑、心四种自动化。

四种自动化对应不同的应用场景，流程的自动化帮助我们提高产品质量，比如各种券商的IPO自动化写招股说明书，自动化审核。

2021年“知识”是企业数字化转型的核心基础设置

知识图谱的标准件已经全面赋能主流的金融城，包括监管、资管、保险、银行、证券和各种通用的这种领域里，现在都有相对成熟的金融制度的应用。未来到底是什么样，这其实是一个左右互搏的过程。

企业一直在做数字化转型，数字化转型的本质是企业都要一个CPU，上面都是各种核心的业务系统，包括BPM系统和ERP系统、CRM系统。传统企业的IT系统底层都是数据库，未来企业一定会发生巨大范式变迁，企业的核心资产是流程知识和业务知识。过去五年时间，我们看到金融企业在财务的知识、审核的知识、信贷的知识、风控的知识，都在不断的去沉淀。