金融图谱Model Serving从入门到精通 - 第1节
1.1 金融知识图谱的定义
金融知识图谱（Financial Knowledge Graph, FKG）是一种基于图结构组织金融领域实体与关系的语义网络。它将分散在结构化数据库、非结构化文本、实时行情流中的金融信息，抽象为“节点—边—属性”的三元组模型，从而支持跨源推理、关联查询与智能决策。
1.1.1 核心构成要素
| 要素 | 说明 | 金融示例 |
|---|---|---|
| 实体（节点） | 具有独立标识的金融对象 | 上市公司、基金产品、交易员、监管机构 |
| 关系（边） | 实体之间的语义连接 | “控股”、“担保”、“关联交易”、“投资” |
| 属性 | 实体或关系的特征描述 | 市值、评级、利率、风险等级 |
| 事件 | 带有时间戳的动态事实 | 财报发布、股权质押、违约公告 |
1.1.2 金融图谱的典型应用场景
- 反欺诈与风控：通过关联图谱识别循环担保、空壳公司、异常资金链路。
- 智能投研：自动抽取研报、公告中的产业链关系，生成投资逻辑链。
- 监管合规：实时监控关联交易、内幕信息传递路径。
- 精准营销：基于客户关系图谱推荐理财产品组合。
关键指标：头部金融机构的图谱规模通常在 10 亿节点、100 亿边以上，每日增量更新超过 5000 万条三元组。
1.2 Model Serving 在金融图谱中的作用
Model Serving 是指将训练完成的机器学习/图神经网络模型部署到生产环境，对外提供低延迟、高可用的推理服务。在金融图谱场景中，Model Serving 承担着“将图谱数据转化为实时决策信号”的关键桥梁角色。
1.2.1 核心能力矩阵
| 能力维度 | 传统模型推理 | 金融图谱 Model Serving |
|---|---|---|
| 输入类型 | 固定维度特征向量 | 子图采样、邻居聚合、时序子图 |
| 模型架构 | LR、XGBoost、DNN | GCN、GAT、GraphSAGE、RGCN |
| 延迟要求 | 秒级（批量） | 毫秒级（在线）、秒级（近线） |
| 更新频率 | 天级重训 | 分钟级增量学习 + 图谱实时更新 |
| 可解释性 | 特征重要性 | 路径推理、子图证据链 |
1.2.2 典型推理场景
- 实时风险评分：当一笔新交易发生时，抽取交易对手的 2 跳子图，通过 GNN 模型在 50ms 内输出欺诈概率。
- 产业链传导分析：某行业龙头违约后，沿图谱边传播冲击波，预测关联企业的信用评级下调概率。
- 智能问答：用户提问“哪些基金重仓了宁德时代的供应商？”，模型在知识图谱上执行路径推理并返回结果。
- 动态社区发现：每 5 分钟对增量边执行轻量图聚类，识别新形成的关联交易团伙。
实践要点：金融图谱 Model Serving 的瓶颈通常不在模型计算，而在图采样与特征拼接环节。建议将高频子图结构预计算为缓存特征，减少在线采样压力。
1.3 课程整体学习路径
本课程从工程落地视角出发，覆盖金融图谱 Model Serving 的完整生命周期。学习路径分为四个阶段，每个阶段聚焦一组核心能力。
1.3.1 四阶段学习地图
| 阶段 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第 1–8 章 | 掌握图神经网络基础、图谱构建、特征工程、模型训练与评估 |
| 部署篇 | 第 9–16 章 | 模型导出、推理优化、容器化部署、API 网关、A/B 测试 |
| 进阶篇 | 第 17–24 章 | 增量学习、分布式推理、图缓存、可解释性、监控告警 |
| 实战篇 | 第 25–30 章 | 反欺诈系统、智能投研助手、实时风控平台完整案例 |
1.3.2 每章交付物清单
- 核心概念：关键术语定义与金融场景映射。
- 代码实现：可运行的 Python/Java 示例，包含数据准备、模型训练、服务部署。
- 架构图：每章至少一张 SVG 系统架构或流程示意图。
- 避坑指南：生产环境常见问题与解决方案。
- 课后练习：基于真实金融数据集的动手实验。
前置要求：建议学习者具备 Python 编程基础、基本机器学习概念、以及 Linux 操作经验。图论和深度学习基础为加分项，非必需。