2. 金融知识图谱基础：实体、关系、属性三元组结构，金融领域典型图谱案例
金融知识图谱（Financial Knowledge Graph, FKG）是金融科技领域用于组织、关联和推理海量异构金融数据的核心技术。其底层逻辑基于 RDF（Resource Description Framework） 三元组模型，通过“实体-关系-属性”的标准化结构，将碎片化的金融信息转化为可计算、可推理的语义网络。
2.1 三元组结构：实体、关系、属性
三元组是知识图谱的最小语义单元，形式化为 (头实体, 关系, 尾实体) 或 (实体, 属性, 属性值)。在金融场景中，实体代表客观存在的金融主体或概念，关系刻画实体之间的语义连接，属性则描述实体的内在特征。
| 三元组类型 | 示例 | 说明 |
|---|---|---|
| 实体-关系-实体 | (深圳华强, 控股股东, 深圳华强集团) | 刻画企业间的股权控制关系 |
| 实体-属性-属性值 | (深圳华强, 注册资本, 10.45亿元) | 描述实体的静态属性 |
| 实体-关系-概念 | (供应链金融, 属于, 金融产品类型) | 建立实例与概念层之间的隶属关系 |
关键概念：实体是图谱的节点（Node），关系是有向边（Directed Edge），属性是节点的键值对（Key-Value Pair）。在金融知识图谱中，实体通常包含企业、个人、产品、合同、事件等；关系包括控股、担保、交易、任职、诉讼等；属性则涵盖注册资本、成立日期、信用评级、风险等级等。
2.2 金融领域典型图谱案例
2.2.1 供应链金融知识图谱
供应链金融图谱以核心企业为中心，向上游供应商和下游经销商辐射，构建包含订单流、资金流、物流的完整信用网络。该图谱能够有效解决中小企业融资难问题，通过关联交易数据实现信用穿透。
典型实体与关系：
- 实体：核心企业、一级供应商、二级供应商、经销商、保理机构、物流公司、仓单、应收账款、订单合同
- 关系：供货、采购、担保、质押、保理、物流承运、账期约定
- 属性：授信额度、账期天数、历史违约率、订单金额、发货日期
实战要点：供应链图谱中常见的样本偏差来源于“核心企业数据过采样”与“长尾供应商数据稀疏”。在构建图谱时，需对上下游节点进行分层采样，避免模型过度拟合核心企业关联模式。
2.2.2 反欺诈知识图谱
反欺诈图谱通过整合多源异构数据（设备指纹、账户行为、社交关系、交易流水），构建以“人-账户-设备-手机号-IP”为核心的关联网络。欺诈团伙往往通过共享设备、共用手机号、资金闭环等模式形成异常子图，图谱的图挖掘算法能够高效识别这些隐蔽团伙。
典型实体与关系：
- 实体：自然人、法人、银行账户、手机号、设备ID、IP地址、交易订单、商户
- 关系：登录、转账、绑定、注册、同设备、同IP、担保、亲属
- 属性：交易金额、交易时间、设备型号、IP地理位置、注册渠道、历史逾期次数
样本偏差风险：反欺诈图谱中，欺诈样本通常占比极低（<1%），且欺诈模式随时间快速演化。直接使用历史欺诈样本训练模型会导致严重的“样本选择偏差”与“概念漂移”。建议采用时间窗口滑动采样 + 对抗验证策略进行偏差校验。
2.3 三元组结构在样本偏差校验中的意义
理解三元组结构是进行样本偏差校验的前提。偏差往往隐藏在关系路径和属性分布中，而非仅体现在实体层面。以下表格总结了不同偏差类型在三元组层面的表现：
| 偏差类型 | 三元组层面表现 | 典型金融场景 |
|---|---|---|
| 实体选择偏差 | 头实体或尾实体分布不均，某些类型实体过采样 | 核心企业实体占比过高，中小微企业实体稀疏 |
| 关系稀疏偏差 | 特定关系类型的三元组数量远低于其他关系 | 担保关系在供应链图谱中极少，而交易关系极多 |
| 属性缺失偏差 | 关键属性值大量缺失，导致三元组不完整 | 中小企业财务数据缺失，无法形成完整属性三元组 |
| 路径长度偏差 | 短路径三元组过多，长路径推理链不足 | 欺诈图谱中一跳关联（同设备）多，多跳关联（间接担保）少 |