3. 知识图谱构建中的数据采集偏差

在金融知识图谱的构建过程中，数据采集是决定图谱质量的第一道关口。如果采集阶段引入偏差，后续的实体对齐、关系抽取、推理应用都会受到系统性影响。本节聚焦三类最常见的采集偏差：数据源选择偏差、爬取时间窗口偏差和多源数据不一致性导致的偏差，并给出对应的校验与缓解策略。

3.1 数据源选择偏差

金融领域的数据源种类繁多，不同数据源覆盖的实体范围、更新频率、权威性差异显著。如果只依赖单一或少数几个数据源，图谱会天然偏向该数据源所覆盖的样本空间，导致对未覆盖实体的“盲区”。

3.2 爬取时间窗口偏差

金融事件具有强时效性，爬取时间窗口的选择会直接影响图谱中实体和关系的时效分布。例如，仅在财报季爬取新闻，会导致图谱中“业绩预告”“分红”等关系密度异常升高；而在市场平静期爬取，则可能遗漏重大风险事件。

时间窗口偏差的三种典型表现：

• 周期性偏差：爬取时间集中在特定月份（如季末、年末），导致季节性事件被过度表征。
• 事件驱动偏差：爬取窗口恰好覆盖某重大事件（如暴雷、并购），使该事件相关实体在图谱中占比畸高。
• 冷启动偏差：图谱构建初期只爬取近期数据，历史关系缺失，导致时序分析失真。

下图展示了时间窗口偏差对实体关系密度的影响：

3.3 多源数据不一致性导致的偏差

当从多个数据源融合构建知识图谱时，不同数据源对同一实体或关系的描述可能存在冲突。这种不一致性如果处理不当，会引入系统性偏差，使图谱中的关系强度、属性值偏离真实情况。

多源不一致性的常见类型：

• 实体标识不一致：同一公司在不同数据源中使用不同名称（如“阿里巴巴” vs “Alibaba Group” vs “BABA”）。
• 关系方向不一致：数据源A记录“A公司投资B公司”，数据源B记录“B公司被A公司投资”，方向表述相反。
• 属性值不一致：同一财务指标在不同数据源中数值不同（如营收、净利润因统计口径差异）。
• 时间戳不一致：同一事件在不同数据源中的发生时间记录不同（如公告日期 vs 实际生效日期）。

下图展示了多源数据不一致性的校验流程：

3.4 偏差样本的标记与存储

完成上述三类偏差的校验后，需要将识别出的偏差样本进行系统化标记和存储，以便后续在XGBoost模型训练中作为样本权重调整的依据。

推荐使用以下字段结构存储偏差样本元数据：

{
  "entity_id": "KG_ENT_20240315_001",
  "entity_name": "XX科技股份有限公司",
  "bias_type": "data_source_bias",
  "bias_score": 0.87,
  "source_coverage": ["wind", "企查查"],
  "missing_sources": ["bloomberg", "证监会公告"],
  "time_window_bias": false,
  "inconsistency_flags": [
    {"field": "revenue_2023", "source_a": 12.5, "source_b": 13.2, "cv": 0.038}
  ],
  "recommended_weight": 0.65
}