8-1 蚂蚁知识图谱在金融交易风控的应用实践

风控需求与痛点

• 金融风控面临海量异构时序数据标准化与数据孤岛矛盾，业务专家经验缺乏有效管理和沉淀。
• 风控的竞对是黑产，要求风控能力具备实时性、结果可解释、深度关联挖掘等特点。

知识图谱重点研究领域

• 知识图谱重点研究事实、关系、公理、规则的补充、预测、检测、推理和团伙挖掘。

知识图谱价值

• 领域知识沉淀：基于图谱知识语义和图结构实现知识表示和互联，有效积累领域知识。
• 知识标准化：利用知识图谱技术提升实体、概念、关系、事件等的标准化和归一化水平。
• 知识融合与合规复用：构建高质量核心知识图谱（CoreKG），通过融合、链接等服务多下游，为业务降本提效。
• 知识推理发现：基于图谱推理洞察发现更多稀薄知识，服务风控、信贷、理赔、商家运营、营销推荐等场景。

图谱构建与挖掘

• 图谱构建：DAG框架、事理图谱、知识工程算子框架等。
• 图谱挖掘：资金追踪、规则推理、资金分析图谱、图特征挖掘等。
• 图谱服务：图谱SDK（Python、Java）、图谱服务（产品-知蛛，在线服务等）。
• 图谱知识仓储：kgstateondfs（Vertex索引、增量更新、多版本、全量存储、按域隔离）。

蚂蚁知识图谱平台整体架构

• 平台架构包括odps读取、知识映射、知识抽取、知识质检、知识融合、知识存储等环节。

应用实践

• 基础数据建设：海量异构数据长周期时序存储、业务数据标准化建设、跨业务的知识合规复用。
• 贷前：实体间关系预测（用户-用户、商户-商户、企业-实控人、用户-设备&环境&交易对手、企业-企业）、赌博、欺诈团伙挖掘。
• 贷中：交易转账基于实时特征的模型在线预测、风险跟踪突发事件对企业还款能力的评估。
• 贷后：贷后资金管控、投诉审理洗钱、欺诈的分析&审理。

应用示例

• 商家&消金图谱融合：增加亿实体，亿关系，直连&间联商户实体degree从提升到。
• 商家&安全图谱融合：增加*亿用户实体，构建用户、商户、账户双层知识网络，建设基础风控数据。
• 交易转账：基于实时特征的模型在线预测，支持离线批量、近线秒级规则推理。
• 风险跟踪：突发事件对企业还款能力的影响评估。
• 贷后资金管控：最大化隐私保护及数据安全，资金时序图谱-无交易背景的最小化数据属性用于贷款资金穿透定位，算后即抛，高效特征分析-交易特征命中风险策略，才追溯还原至原始贷款凭证，可视化应用输出-比数据输出更安全，更直观便于业务使用。
• 投诉审理：洗钱、欺诈的分析&审理，支持文本、语义检索、基于KGDSL的规则推理与子图结构探查、路径关联分析、可视化多跳展开与智能分析。