2. 知识图谱基础回顾：实体、关系、属性、三元组、图数据库（Neo4j）基本概念
在深入金融样本偏差校验之前，必须统一团队对知识图谱核心要素的认知。知识图谱本质上是语义网络，用图结构描述真实世界中的对象及其关联。以下从五个基础概念展开，并引入图数据库 Neo4j 作为技术载体。
2.1 核心概念定义
| 概念 | 定义 | 金融示例 |
|---|---|---|
| 实体 (Entity) | 客观存在的、可区分的事物，是知识图谱中的节点。 | “张三”、“工商银行”、“贷款合同_2024001” |
| 关系 (Relation) | 实体之间的语义连接，有方向性。 | “持有”、“担保”、“属于”、“交易” |
| 属性 (Property) | 实体或关系的特征描述，以键值对形式存在。 | 实体属性：{年龄: 35, 信用评分: 720}；关系属性：{担保金额: 500000, 起始日期: 2024-01-01} |
| 三元组 (Triple) | 知识图谱的最小语义单元：(头实体, 关系, 尾实体)。 | (张三, 持有, 信用卡_8888) |
| 图数据库 (Graph DB) | 以图结构存储和查询数据的 NoSQL 数据库，原生支持节点、边和属性。 | Neo4j、JanusGraph、Amazon Neptune |
关键认知： 三元组是知识图谱的“原子”。金融风控中的每一笔担保、每一层股权穿透、每一次资金流转，最终都拆解为若干三元组。样本偏差校验的第一步，就是检查这些三元组是否完整、一致、无冗余。
2.2 三元组与有向图模型
知识图谱在数学上等价于有向标记图。每个三元组 (S, P, O) 对应一条从 S 指向 O 的有向边，边标签为 P。属性则作为节点或边的附加信息存储。
以下 SVG 展示了一个简化的金融担保图谱结构，包含 2 个实体节点、1 个关系及各自的属性。
2.3 图数据库 Neo4j 基础
Neo4j 是目前金融风控领域应用最广的原生图数据库。其核心概念与知识图谱一一对应：
- 节点 (Node) → 对应实体，可带标签（如 :Person、:Loan）
- 关系 (Relationship) → 对应三元组中的谓词，有方向、类型（如 :GUARANTEE）
- 属性 (Property) → 键值对，附加在节点或关系上
- 标签 (Label) → 节点的类别标记，用于索引和查询
以下 SVG 展示了 Neo4j 数据模型与知识图谱概念的映射关系，以及一条 Cypher 查询语句的构成。
2.4 样本偏差校验中的图谱视角
在后续章节中，我们将反复使用上述概念来定位样本偏差。以下是偏差类型与图谱要素的对应关系：
| 偏差类型 | 涉及图谱要素 | 典型表现 |
|---|---|---|
| 实体缺失 | 节点 | 担保链中缺少中间企业节点，导致关系断裂 |
| 关系冗余 | 边 | 同一对实体间存在多条相同类型的关系 |
| 属性异常 | 节点/边属性 | 担保金额为负数、日期格式不一致 |
| 标签错误 | 节点标签 | 将“个人”节点错误标记为“企业” |
| 三元组矛盾 | 子图结构 | A 担保 B，B 担保 A，形成逻辑冲突 |
实践要点： 在构建金融知识图谱时，建议为每个节点和关系添加
source（数据来源）、batch_id（批次号）、timestamp（时间戳）等元属性。这些属性在后续样本偏差溯源时至关重要，能快速定位问题数据来自哪个上游系统或哪个时间窗口。