3. 金融图谱构建流程
金融知识图谱的构建是一个从多源异构数据到结构化图数据的流水线过程。在风控场景中，该流程必须兼顾数据质量、实体对齐精度以及图存储的查询性能。本章将拆解从数据采集到图存储的五个核心环节。
3.1 数据采集：结构化与非结构化
金融风控数据源通常分为两类，其采集策略与处理难点差异显著：
| 数据类别 | 典型来源 | 采集方式 | 主要挑战 |
|---|---|---|---|
| 结构化数据 | 银行核心系统、征信报告、交易流水、财报 | JDBC/API 直连、ETL 批量同步 | 字段映射、数据脱敏、增量更新 |
| 非结构化数据 | 尽调报告、新闻公告、裁判文书、社交媒体 | 爬虫、OCR、PDF解析、NLP预处理 | 文本噪声、格式多样、实体密度低 |
风控实践提示： 非结构化数据中往往隐藏着“隐性关联”（如担保圈、隐性一致行动人），建议在采集阶段保留原始文本的段落结构和时间戳，为后续时序图谱构建预留元数据。
3.2 实体抽取
实体抽取是将非结构化文本中的金融对象（公司、个人、产品、事件）识别并分类的过程。在风控图谱中，核心实体类型包括：
- 法人实体： 企业名称、统一社会信用代码、分支机构
- 自然人实体： 姓名、身份证号、手机号、邮箱
- 金融产品： 贷款合同、理财产品、担保函
- 风险事件： 逾期、诉讼、股权冻结、行政处罚
常用技术方案对比：
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 规则+词典 | 高精度、小规模、领域固定 | 可解释性强、零样本 | 维护成本高、泛化差 |
| BiLSTM+CRF | 中等规模、标注数据充足 | 序列依赖建模好 | 训练时间长 |
| 预训练模型(BERT/FinBERT) | 大规模、多源异构文本 | 语义理解强、迁移性好 | 计算资源需求高 |
3.3 关系抽取
关系抽取旨在识别实体之间的语义联系。在金融图谱中，典型关系类型包括：
- 股权关系： 持股比例、实际控制人、一致行动人
- 担保关系： 保证担保、抵押担保、质押担保
- 交易关系： 资金往来、关联交易、上下游供应链
- 任职关系： 法定代表人、董事、监事、高管
- 事件关系： 涉及诉讼、被行政处罚、股权冻结
样本偏差预警： 关系抽取模型在训练时容易受到“关系分布不均衡”的影响。例如，担保关系在公开数据中占比极低（<5%），导致模型对担保关系的召回率远低于股权关系。建议在训练阶段使用重采样或代价敏感学习。
3.4 属性对齐
属性对齐解决的是同一实体在不同数据源中属性值不一致的问题。例如，同一家企业在工商系统、税务系统、舆情文本中的“注册资本”字段可能因数据更新时点不同而存在差异。
对齐策略通常分为三个层次：
- 模式层对齐： 统一属性名称和数据类型（如“注册资本”统一为 decimal(18,2)）
- 实例层对齐： 基于实体ID或相似度匹配，合并同一实体的多条属性记录
- 时效层对齐： 根据时间戳选择最新或最权威的数据源作为主数据
| 对齐维度 | 常见冲突 | 解决方案 |
|---|---|---|
| 数值型属性 | 注册资本、营收数据不一致 | 取工商登记最新值 + 置信度加权 |
| 文本型属性 | 企业名称简写/全称混用 | 标准化映射表 + 编辑距离匹配 |
| 日期型属性 | 成立日期、变更日期不同 | 以官方登记日期为准，保留变更记录 |
| 枚举型属性 | 行业分类代码不同 | 映射到统一分类体系（如GB/T 4754） |
3.5 图存储：Neo4j 与 JanusGraph
图数据库的选择直接影响图谱的查询性能、扩展性和运维复杂度。以下从金融风控场景出发，对比两种主流方案：
| 对比维度 | Neo4j | JanusGraph |
|---|---|---|
| 存储模型 | 原生图存储（Native） | 后端依赖 HBase/Cassandra/ES |
| 查询语言 | Cypher（声明式，易学） | Gremlin（遍历式，灵活） |
| 事务支持 | ACID 强一致 | 最终一致性（取决于后端） |
| 水平扩展 | 企业版支持集群（成本高） | 原生支持分布式（开源） |
| 金融风控适用场景 | 中小规模图谱、实时风控查询 | 超大规模图谱（百亿节点+）、离线分析 |
选型建议： 对于大多数金融风控项目（节点数在千万级以下，需要毫秒级实时查询），Neo4j 是更优选择。当图谱规模达到数十亿节点且需要跨机房部署时，JanusGraph + HBase 的组合更具成本优势。
3.6 完整构建流程总览
将上述五个环节串联起来，形成金融图谱构建的完整流水线：
- 数据采集层： 对接结构化数据库（Oracle/MySQL）和非结构化源（PDF/HTML），完成数据入库
- 实体与关系抽取层： 运行 NLP 模型，输出三元组（实体1，关系，实体2）
- 属性对齐与融合层： 跨源去重、属性标准化、时间戳管理
- 图存储层： 将三元组写入 Neo4j 或 JanusGraph，建立索引
- 质量校验层： 执行样本偏差校验（详见第4章），确保图谱无系统性偏差
工程化建议： 建议使用 Apache Airflow 或 DolphinScheduler 编排整个构建流程，每个环节设置数据质量监控点（如实体抽取率、关系密度、属性对齐成功率），一旦指标异常立即告警。