知识图谱

标签：欺诈图谱知识用户智能感知

早在文艺复兴时期，培根就提出了“知识就是力量”，在当今人工智能时代，各大科技公司更是纷纷提出：知识图谱就是人工智能的基础。

一、什么是知识图谱？

知识图谱（ Knowledge Graph）的概念由谷歌2012年正式提出，旨在实现更智能的搜索引擎，并且于2013年以后开始在学术界和业界普及。

按数据结构的不同，我们可以把现有数据分为三种：结构化数据、半结构化数据和非结构化数据，根据不同的数据类型，我们采用不同的方法对这些数据做抽取、融合、加工，最后形成可用的业务知识图谱。

人工智能分为三个阶段，从机器智能到感知智能，再到认知智能。

机器智能更多强调这些机器的运算的能力，大规模的集群的处理能力，GPU 的处理的能力。
在这个基础之上会有感知智能，感知智能就是语音识别、图像识别，从图片里面识别出一个猫，识别人脸，是感知智能。感知智能并非人类所特有，动物也会有这样的一些感知智能。
再往上一层的认知智能，是人类所特有的，是建立在思考的基础之上的，认知的建立是需要思考的能力，而思考是建立在知识的基础之上，必须有知识的基础、有一些常识，才能建立一些思考，形成一个推理机制。

AI 需要从感知智能迈向认知智能，本质上知识是一个基础，然后基于知识的推理，刚好知识图谱其实是具备这样的一个属性。

在深度问答应用场景中（比如智能音箱、Siri等），系统同样会首先在知识图谱的帮助下对用户使用自然语言提出的问题进行语义分析和语法分析，进而将其转化成结构化形式的查询语句，然后在知识图谱中查询答案。

比如，如果用户提问：

『如何判断是否感染了埃博拉病毒？』

则该查询有可能被等价变换为『埃博拉病毒的症状有哪些？』，然后再进行推理变换，最终形成等价的三元组查询语句，如（埃博拉，症状，？）和（埃博拉，征兆，？）等。

如果由于知识库不完善而无法通过推理解答用户的问题，深度问答系统还可以利用搜索引擎向用户反馈搜索结果，同时根据搜索结果更新知识库，从而为回答后续的提问提前做出准备。

我们上网的时候会经常查找一些我们感兴趣的页面或者产品，在浏览器上浏览过的痕迹会被系统记录下来，放入我们的特征库。

比如：对于电子商务网站来说，如果我们想购买笔记本，就会在电子商务网站上查看比较不同商家的笔记本，我们再次打开电子商务网站的时候，笔记本这个产品就会优先显示在商品列表中，供我们选择。
再比如，浏览新闻，如果我们对体育类或者社会热点很关注，新闻APP就会给我们推荐体育题材或者社会热点的新闻。

个性化推荐系统通过收集用户的兴趣偏好、属性，产品的分类、属性、内容等，分析用户之间的社会关系，用户和产品的关联关系，利用个性化算法，推断出用户的喜好和需求，从而为用户推荐感兴趣的产品或者内容。

知识图谱在金融行业里面比较典型的应用就是风控反欺诈。

知识图谱可以进行信息的不一致性检查，来确定是不是存在可能的借款人欺诈的风险，比如：借款人甲和乙来自于不同的公司，但是他却非常诡异地留下了相同的公司的电话号码，这时审核人员就要格外留意了，有可能会存在欺诈的风险。

甲乙丙三个借款人同一天向银行发起借款，他们是互不相关的人，但是他们留了相同的地址，这时有可能是组团的欺诈。

它表示的是在某个时间点突然发现图中的某几个节点的联系异常的紧密，原来是互相联系都比较少、比较松散的，突然间有几个点之间密集的联系，有可能会出现欺诈组织。

随着时间的变化，几个节点之间图的结构发生明显的变化，原来它是比较稳定的，左边深蓝色的上三角、下三角，然后中间连线，但过了一段时间之后，它整个图的结构变成了右边的这样结构，此时很可能是异常的关系的变化，会出现一个欺诈组织。

怎么样去做失联客户的管理？图中的例子有一个借款的用户，银行可能现在没有办法直接找到他，甚至通过他的直接联系人也没办法找到他，那这个时候是不是可以再进一步的通过他的二度联系人来间接的来找到他？通过这样的图结构是可以快速找到他的二度联系人，比如张小三或者是王二，再去联系他们，尝试把李四这个人给找到。

知识图谱的重要性不仅在于它是一个全局知识库，是支撑智能搜索和深度问答等智能应用的基础，而且在于它是一把钥匙，能够打开人类的知识宝库，为许多相关学科领域开启新的发展机会。

从这个意义上看来，知识图谱不仅是一项技术，更是一项战略资产。

标签：欺诈,图谱,知识,用户,智能,感知
From： https://www.cnblogs.com/ghj1976/p/zhi-shi-tu-pu.html