1. 课程导论：金融图谱实体解析的背景与价值、批流融合架构概述、课程目标与学习路径

1.1 金融图谱实体解析的背景与价值

在金融数字化转型的深水区，数据孤岛与复杂关联关系成为风控、营销、合规等场景的核心瓶颈。金融知识图谱通过将分散的客户、账户、交易、产品、机构等实体及其关系进行结构化建模，为智能决策提供语义底座。

实体解析（Entity Resolution, ER）是构建高质量金融图谱的关键环节，旨在识别并合并来自不同数据源、指向同一真实世界对象的实体记录。其核心价值体现在以下三个维度：

1.2 批流融合架构概述

传统金融图谱构建多采用离线批处理（Batch）方式，以T+1或小时级频率更新，难以满足实时风控、实时反欺诈等低延迟场景需求。同时，纯流处理（Streaming）方式在处理大规模历史数据回溯、复杂关联计算时存在状态管理复杂、数据一致性保障困难等问题。

批流融合（Batch-Stream Fusion）架构应运而生，其核心理念是：

• 统一数据模型： 批与流共享同一套实体解析逻辑与图谱Schema，避免“两张皮”。
• Lambda架构升级： 批处理层负责全量历史数据的精确计算与模型训练；流处理层负责增量数据的低延迟处理与实时关联。
• 状态复用与校准： 流处理层的中间状态可被批处理层校准，批处理层的全量结果可回填至流处理层作为冷启动基础。

1.3 课程目标与学习路径

本课程旨在培养具备金融业务理解、知识图谱建模与批流融合工程能力的复合型人才。通过本课程的学习，学员将能够：

• 掌握核心理论： 深入理解实体解析的经典算法（如基于规则、基于相似度、基于深度学习的匹配模型）与评估体系。
• 构建批流管道： 熟练使用Apache Flink、Spark等主流框架，设计并实现支持全量与增量更新的实体解析流水线。
• 落地金融场景： 独立完成从数据接入、实体对齐、关系融合到图谱服务的端到端项目实战。

学习路径分为四个阶段：