金融知识图谱批流一体实战教程 - 第1节

1.1 金融知识图谱概述

金融知识图谱（Financial Knowledge Graph, FKG）是一种基于图结构组织金融实体与关系的语义网络。它将分散在结构化数据库、非结构化文档、交易日志、监管公告中的金融信息，抽象为“实体—关系—属性”三元组，形成可计算、可推理、可追溯的知识底座。

1.1.1 金融知识图谱的核心要素

1.1.2 金融知识图谱的典型应用场景

• 企业关联关系挖掘： 穿透多层股权结构，识别实际控制人与隐性关联方，用于授信审批与集团风险暴露计算。
• 反欺诈与团伙识别： 基于担保圈、资金闭环、设备指纹等图特征，发现异常交易团伙与欺诈模式。
• 智能投研与事件驱动： 将公告、新闻、研报中的事件抽取为图节点，辅助分析师追踪产业链传导与情绪影响。
• 监管合规与报送： 自动构建监管指标与业务数据的映射图谱，满足反洗钱、关联交易披露等合规要求。

1.2 批流一体架构的价值

传统金融数据架构通常将批量处理（Batch）与实时流处理（Stream）分离建设，导致数据口径不一致、开发维护成本高、业务响应滞后。批流一体架构（Batch-Stream Unified Architecture）旨在用同一套计算引擎、同一份数据模型、同一条开发管线，同时覆盖离线批处理与实时流处理场景。

1.2.1 批流分离的痛点

1.2.2 批流一体在金融知识图谱中的独特价值

• 图谱构建的时效统一： 离线全量构建（T+1）与实时增量更新（秒级）使用相同的实体抽取、关系映射逻辑，避免离线图谱与实时图谱的“两张皮”问题。
• 历史回溯与实时推理共用模型： 风控规则回测使用批模式处理历史全量数据，上线后使用流模式处理实时交易，模型与特征逻辑完全一致。
• 数据一致性保障： 基于 Exactly-Once 语义和状态后端，确保批处理与流处理产出的图谱数据在实体ID、关系方向、时间戳上严格一致。
• 资源弹性与成本优化： 白天流处理优先保障实时查询，夜间利用空闲资源执行全量批处理任务，提高集群利用率。

1.3 课程目标与学习路径

1.3.1 课程目标

本课程旨在培养具备金融业务理解、知识图谱建模、批流一体工程化能力的复合型技术人才。完成本课程后，学员将能够：

1. 独立设计金融知识图谱的实体关系模型，覆盖企业、个人、产品、事件等核心类型。
2. 搭建批流一体的知识抽取与融合管线，使用 Flink / Spark 实现离线全量构建与实时增量更新。
3. 实现图谱存储与查询优化，基于 Neo4j / JanusGraph / NebulaGraph 等图数据库进行性能调优。
4. 开发金融场景的图分析应用，包括关联关系穿透、风险传导路径、团伙识别等。
5. 掌握生产级运维与监控方案，包括数据质量校验、任务容错、血缘追踪。

1.3.2 学习路径与章节地图

1.3.3 前置知识要求

• 编程语言： 熟悉 Java 或 Python 基础语法，能阅读和编写简单的数据处理代码。
• 数据库基础： 了解关系型数据库（MySQL/PostgreSQL）基本操作，理解 SQL 查询。
• 大数据基础： 了解 Hadoop / Spark / Flink 的基本概念，不要求深入源码。
• 金融业务基础： 了解企业信贷、供应链金融、反洗钱等常见业务场景者更佳。