正文
以中腾信为例，其对于知识图谱的反欺诈应用，已相对成熟。贷前阶段，中腾信利用知识图谱技术对海量申请资料做快速匹配，大幅提升实时贷前反欺诈的效果。同时运行适当的实体链接分析查询，实时阻止高级的团体欺诈场景。贷中阶段，通过将实时数据纳入知识图谱模型，实现贷中的监控和额度管理。
2. 失联客户管理
在贷后管理中，知识图谱也发挥着重要作用。当借款人不按时还款并且“失联”时，催收人员的工作难度加大。据专业人士告知，目前贷后管理对知识图谱的应用，主要是结合借款人授权的通话记录，挖掘出与借款人有关系的、且在相同平台借过款的新联系人，从而重新取得与借款人的联系，提高催收成功率。由于技术难度不是很大，已形成广泛应用。同时，各消费金融机构也在进一步扩充数据维度，比如工作单位等。
3. 精准营销
知识图谱在精准营销中的应用有两种形式。
第一，理解用户。
通过知识图谱聚合用户的基本属性，如年龄、学历、消费习惯、搜索习惯等，将这些基本属性加以分门别类，形成不同的用户标签，展现不同类别用户的身份特质及具体偏好。然后分析客户潜在需求，进行精准推送。
第二，挖掘潜在客户。
基于现有用户的社交网络知识图谱，根据交往方式和频次等社交行为建立关系模型，从而实现潜在用户的拓展。此外，还可以结合所有用户的标签特征，使用社区算法为全局用户进行用户细分，识别隐藏在数据深处的价值用户。
据麻袋研究院了解，目前第二种形式更为常见，主要是通过借款人之间的推荐关系，挖掘为平台带来大量资金和新客户的推荐人，分析这些推荐人的特征，从而发展新的具有类似特征的客户。
4. 智能搜索和可视化
通过知识图谱，搜索功能可以在语义上扩展更多的搜索关键词，从而获取更全面的信息，进行风险识别和提示。比如搜索某个人的身份证号，可以返回与这个人有关的所有历史借款记录、联系人关系和其他相关的标签（如黑名单等）。然后通过图谱可视化技术，以图形网络的形式展示全方位信息，包括复杂信息和隐藏信息等。
图6是宜信的智能搜索系统。该系统不仅利用公司内部积累的历史数据，还用爬虫覆盖了100多个公开网站，如人法、工商、百度、生活服务类以及十几家网贷黑名单等。通过在系统中搜索借款申请人的身份证号，就可以索引出与申请人相关的全部信息。
5. 问答交互
知识图谱在问答交互中最常用到的场景是文本客服，首先通过知识图谱创建知识库，在对用户问题进行语义理解和解析后，利用知识库查询、推理得出答案并反馈给用户。通过知识图谱，所有知识点以及连接知识点的边都被与问句关联起来，极大程度地提高了应答的关联性和准确性。
知识图谱对于消费金融领域的意义不言而喻，尤其是针对反欺诈环节。传统的反欺诈主要基于点，当出现征信数据缺失甚至空白的新客户时，识别其失信和欺诈风险的难度极大。此外，团体欺诈的盛行也给欺诈审核带来挑战。但通过知识图谱技术，可把各种信息整合成网状，比如挖掘客户与多种风险因子的关联关系，以及客户与欺诈客户、黑名单客户的关联紧密程度等等，从而更准确地判断风险高低。同时，知识图谱的应用也大幅提高了风险甄别的效率。
然而，目前将知识图谱应用于实务中的消费金融机构较少，大部分仍处于研发阶段。这主要是因为知识图谱在消费金融领域的应用存在较大的难度，主要集中在知识获取和建模方面。
1. 知识获取
在知识获取中，大多数数据都是非结构化的，比如文本信息。这些非结构化数据无法直接用于建模，所以如何把非结构化数据转化为结构化数据，再进一步整理成知识图谱所需的三元组结构是一个难点。在这个过程中，知识获取需要解决的一个核心问题是共指消解，也称为实体同义，一般要结合自然语言处理的“消歧分析”技术一起处理。比如在同一家公司工作的员工，在填写单位名称时可能对其有不同的表述方式——“阿里巴巴网络技术有限公司”，“阿里巴巴集团”和“阿里巴巴”。这种情况下，首先需要利用自然语言处理技术，把这些不同的名称指代到同一实体上。然后利用知识图谱，描述员工之间的关联关系。
2. 建模
首先是由于样本数量较少，构建有效模型的难度较大。在消费金融实务中，对于知识图谱的应用主要是垂直领域，且限定场景。但受领域和场景限制，样本数量也会受限制。此外，从不同来源大数据中抽取的知识可能存在大量的噪声和冗余，或者使用了不同的语言，从而无法建立相应的关系样本。但是随着时间的推移，样本的数量也会不断累积，逐渐形成了一些特定的关系链接和子领域。在这种情况下，构建迭代系统就显得尤为重要——通过将新的知识实时反馈给模型，从而使得模型不断地自优化。
