1. 课程导论：金融图谱样本偏差的定义、偏差校验的重要性、课程目标与学习路径

1.1 金融图谱样本偏差的定义

在金融知识图谱的构建与应用过程中，样本偏差是指用于训练、验证或测试的图谱样本集合，与真实金融业务场景中的全量数据分布之间存在系统性差异。这种偏差会导致图谱模型在特定子群体上表现优异，而在其他关键群体上性能显著下降，最终影响金融风控、智能投顾、反欺诈等核心业务的决策质量。

金融图谱样本偏差主要来源于以下三个层面：

• 数据采集偏差：金融数据源（如交易流水、舆情文本、企业财报）在采集过程中存在时间窗口、渠道偏好、覆盖范围等限制，导致部分实体或关系被过度或不足采样。
• 标注偏差：人工标注或自动标注过程中，标注者认知差异、标注规则不一致、标注样本选择不均等，造成标签分布偏离真实情况。
• 图谱结构偏差：图谱构建时对节点（如企业、个人、账户）和边（如担保、持股、交易）的筛选策略，可能使图谱的拓扑结构（如度分布、社区结构）与真实金融网络不一致。

1.2 偏差校验的重要性

在金融领域，样本偏差校验不是可选项，而是保障图谱可用性与合规性的必要环节。其重要性体现在以下四个维度：

1.3 课程目标与学习路径

本课程旨在帮助金融科技从业者、数据治理专家及知识图谱工程师，系统掌握金融图谱样本偏差的识别、度量、校验与校正方法，并能够独立构建高质量的校验样本集。课程目标拆解如下：

• 目标一：理解金融图谱样本偏差的成因、分类与影响机制，建立偏差校验的全局认知框架。
• 目标二：掌握样本偏差的量化评估指标（如分布差异度、覆盖度、代表性指数），能够使用统计与图谱分析方法诊断偏差。
• 目标三：学会设计并实施偏差校验流程，包括校验样本的采样策略、标注规范、质量评估与迭代优化。
• 目标四：能够针对典型金融场景（如反洗钱、信用评估、供应链金融）构建定制化的偏差校验样本集。

课程学习路径采用“认知→方法→实践→优化”四阶段递进结构：

1. 认知阶段（第1-3章）：定义偏差、理解校验重要性、掌握金融图谱数据特征。
2. 方法阶段（第4-10章）：学习偏差度量指标、校验算法、采样策略与标注技术。
3. 实践阶段（第11-25章）：通过多个金融场景案例，手把手构建校验样本集并验证效果。
4. 优化阶段（第26-30章）：探讨自动化校验、持续监控、偏差校正与合规审计。