什么是知识图谱？有哪些模型？指标？规则？
“图谱”的时代
知识图谱自从2012年开始发酵，愈演愈烈，行业顶端的佼佼者纷纷发布企业知识图谱应用，知识图谱能为企业实现数据价值。只能说，图技术快速发展，业务需求不论变化与否，知识图谱是不可阻挡的趋势。2020年4月20日，国家发改委明确人工智能 “新基建” 的内涵，体现“重创新、补短板”的特征：助力传统基础设施智能化改造，提高传统基础设计的运行效率。
图1 中国知识图谱效益增长规模——艾瑞咨询
当前的人工智能其实可以简单划分为感知智能（主要集中在对于图片、视频以及语音的能力的探究）和认知智能（ 涉及知识推理、因果分析等）。
人工智能是新基建的重点领域，而知识图谱是认知智能的底层支撑。 知识图谱具有解释数据、推理和规划一系列人类的思考认知能力，基于大规模，关联度高的背景知识。
————《面向人工智能“新基建”的知识图谱行业白皮书》
我们每天都在用知识图谱
知识图谱应用于各个领域，例如：电商（产品推荐）、医疗（智能诊断）、金融（风控）、证券（投研）。知名企业包括：Google Knowledge Graph、美团大脑、阿里巴巴·藏经阁计划、腾讯云·知识图谱 TKG等。
知识图谱在人工智能多个领域发挥重要作用：语义搜索、智能问答、辅助语言理解、辅助大数据分析、增强机器学习的可解释性、结合图卷积辅助图像分类等。同时，这也意味着技术难度大幅度增加。
知识图谱的价值
您可能会以为知识图就是捕获和管理知识的最终目的。其实，知识图擅长以自上而下的 关系连接方式显式捕获知识 。通过关系节点联系上下游关系，清楚的梳理关系网络。如下图：
图2 普适智能知识中台
高效直观地刻画目标主体（如企业、事件等）之间地关联网络，从而全维度地对企业进行画像，立体复现主体的真实情况和错综复杂的关系。其强大的互联组织能力和可视化决策推理支持，为企业资产提供底层基础。普适智能一站式“图智能”应用， 拥有打开“百窍”的能力， 具体有以下几方面的思考：
深度链接分析 有机可寻
拿我们最熟悉的金融领域举例，知识图谱常见的实体包括公司、产品、人员、相关事件等，常见的关系包括股权关系、任职关系、供应商关系、上下游关系、竞争关系等等。
这样做的好处就是，通过知识图谱的整合，让原本复杂的数据形成直观易懂的可视化图谱， 在全球经济一体化的趋势下，分析师以及投资机构很可能先人一步观察到竞争格局的改变，为寻找 新客户、新投资机会提供线索。
图3 企业上下游关系网络
多维度属性 顺藤摸瓜
知识图谱的另一个价值是“可以简单地处理多维度数据”。 目前在普适智能帮客户分析超百亿的实体（或节点）和关系（或边缘）。
图4 某股份制商业银行基金产品关系网络截图
“对于实益拥有权，我们经常会看到拥有六，七层或更多层的拥有权阶层，尤其是在像中国这样拥有大型企业的地方。” “人们必须意识到一个拥有可以处理并查询至少六到七层（如果没有更多层）的拿手工具是解决问题的真正核心。”
每个公司、个人、新闻事件都可以是一个“点”，人工智能引擎可将这些点进行聚集，对其中的相关性、相似度以及聚集程度进行多维度分析， 还原真实场景 ，才能 “顺藤摸瓜”。
图5 反欺诈图应用
例如知识图谱在传统的风险管理流程中，多通过对目标主体简单维度的特征进行严格审核，无法判断真实的关联风险。
挑战与机会
普适智能深耕于金融领域，其细分业务场景包含但不限于：反欺诈、反洗钱、盗刷排查、失联催收、外汇异常监控、信用审核等，举个具体项目中的例子：因图构建本身流程较长，再加上每个场景的图构建相对的独立，给数据反复开发，数据不连通创造了必要条件， 绕不过去的是大量企业资产成本浪费问题。
图6 传统关系网络应用的构建模式
在工程落地方面，还存在图谱建设周期长，应用构建专业程度高，跨行业迁移成本高等难题。由此带来的挑战会体现在—— 产品是否可以开箱即用 。
普适智能中台化思路
为了解决以上问题，普适智能自主研发将知识图谱构建与应用平台升级为一站式的“图智能”中台。
图7 传统关系网络应用的构建模式
一套中台和工厂模式平台的孕育而生，确保各式的场景对图不同形态的需求和保证联合查询需求。“一窍通，百窍通”，一站式“图智能”中台就是“那一窍”，以下：
打通业务场景独立图谱构建 ，减少反复开发周期成本，为传统应用形态赋能，提升服务质量和效率，简单的图应用可以在 1~2天 内实现，复杂的图应用可以在传统做法上缩短到 三分之一 ，加速企业资产的累积；
配合着打通部门数据 ，解决跨部门合作沟通周期长、配合难的问题；
图谱交互友好程度高，可视化决策辅助业务场景，更易发现 隐藏的信息 ；
赋能专家行业专家，将领域专家的行业经验的程序化，留存在平台， 企业知识资产沉淀。
实时可扩充 ，弹性十足
知识图谱中台的价值还在于灵活可扩充，建立实时敏捷、灵活可扩展、具有弹性的数据基础。 金融知识图谱直接反馈金融行业的刚性需求，由于实际中，企业数据和业务变化灵活，数据源、数据结构、数据内容随时会发生变动，对业务的理解以及对数据的解读也随之发生变化。
图8 多维数据扩展查询
如何有效的使用这些数据，需要员工具备专业的金融知识，深刻理解某个数据变动可能引发的关联、传导，知识图谱将是最得心应手的工具。
图技术是 知识图谱应用的最强弹药
企业需要能够快速支持业务中迭代式的新模式。普适智能的“图智能”中台具有计算引擎： 图计算模型、图匹配业务数据模型等， 助力企业完成这一目标。
图规则计算： (例如：与黑名单客户共用一个电话的客户是可疑欺诈客户)
图指标计算： （例如：客户两度关系内黑名单客户的比例）
图机器学习 （以图作为先验知识让特征工程更有效）
社群识别 ：标签预测（黑名单预测/潜在VIP客户预测）
图9 社区分析
最短路径 ：优化加工路径，节约数据加工成本。
图10 路径查询
“工欲善其事,必先利其器” 。普适智能一站式“图智能”应用，为描绘物理世界生产生活行为提供 有效的方法和工具 。Gartner：“图时代已经到来”，让我们一起“图”起来！
Pres：指旺理财是骗人的吗
百度首页
星光工贸
消息(1)
商城
网页 新闻 贴吧 知道 音乐 图片 视频 地图 文库 百科
进入词条全站搜索帮助
关闭
声明：百科词条人人可编辑，词条创建和修改均免费，绝不存在官方及代理商付费代编，请勿上当受骗。详情
首页
分类
艺术
科学
自然
文化
地理
生活
社会
人物
经济
体育
历史
特色百科
历史上的今天
数字博物馆
史记·2016
城市百科
二战百科
非遗百科
用户
蝌蚪团
燃梦计划
百科任务
百科商城
权威合作
合作模式
常见问题
联系方式
手机百科
网页版
个人中心
收藏
查看我的收藏
72有用+1 已投票
737
指旺理财
编辑 锁定
指旺理财[1] 是由宜信大数据创新中心于2015年3月2日发布推出的线上综合理财平台，为个人用户提供多样化的金融理财服务。依托于宜信十年的金融运作经验和大数据创新中心的研发成果，指旺理财在移动端实现了基于用户特征的智能化推荐。指旺理财的强势互联网技术让金融服务变得更加安心和便利，也更加贴近普通消费者，即使是对理财毫无概念的新用户，同样轻松实现财富增长。[2]
软件名称
指旺理财
开发商
北京宜信卓越财富投资管理有限公司
软件平台
iOS Android
软件版本
3.3.5[1]
更新时间
2016年12月13日[1]
软件语言
简体中文，英语
软件大小
37.8MB[2]
目录
1 产品种类
2 产品功能
3 三大特色
4 技术优势
▪ 个性化推荐系统
▪ 金融云平台
▪ 金融知识图谱
5 公司简介
▪ 宜信
6 管理团队
▪ 创始人 CEO 唐宁
▪ 宜信公司首席战略官 陈欢
▪ 宜信大数据创新中心技术副总经理 蒋炜航
指旺理财产品种类
编辑
随心宝：指旺理财给用户提供了“随存随取，每日结息”的随心宝产品，能帮助用户灵活配置自己的资产。[3]
固定收益产品：指旺理财产品期限灵活，有7天、18天两款新手专享，以及30天、90天、180天、365天和540天的金猴献宝系列产品和540天、720天的冬日温馨系列产品可供选择，最高可达10%预期年化收益。月月+滚动加息，封闭期后可随时赎回。月息通，每月返息，到期返本息。月盈宝，整存零取，月月有钱拿。[3]
基金：指旺理财基金专区有上百只热门基金可供用户选择，同时指旺理财上线基金专题、基金组合、精选推荐基金，由指旺专业基金产品经理把关，满足不同用户对不同风险基金的偏好，帮助用户合理的构建资产配置计划。[3]
众筹：指旺众筹于2016年3月份上线，自上线以来已成功众筹了黑土地石板米、椰语堂清补凉、海南牛奶莲雾、洪安无籽蜜柚等精品项目，并与海南当地龙头企业和海南股权交易中心建立了良好的合作，受到中国经营报 、海南日报等媒体报道。[3]
变现：变现转让专区交易火爆，提供了各种期限、各种利率的产品，满足用户对不同期限和利率产品的需求，且能为急用钱的部分用户迅速获得资金。[3]
指旺理财产品功能
编辑
1、低门槛，固定收益产品最低100起投；
2、高收益，最高可达10%预期年化收益；[3]
3、更便捷，手机随身理财超灵活；
4、更安全，宜信近10年信誉安全省心。[4]
指旺理财三大特色
编辑
短：指旺理财给用户提供了“随存随取，每日结息”的随心宝产品，能帮助用户灵活配置自己的资产。[3]
平：100元起投，根据用户多样需求，设计出不同期限、不同利率的多款理财产品
快：1分钟就能完成投资，随时查看收益
指旺理财技术优势
编辑
指旺理财个性化推荐系统
理财个性化不单单是因人而异的金融产品列表，它要求投资规划是适合投资人的，能高效利用投资人的闲置资金，追求效率与合理性的结合，呈现在指旺理财这款APP上的，就是不同的用户，在不同时间启动APP，看到的理财产品都是不同的。这些产品的差异体现在投资周期和收益率上，如果用户按照推荐的产品进行投资，他将会发现投资的到期日与自己想要使用这笔资金的日期非常接近，投资领域也是自己相对熟悉的，更会获得比较可观的收益。[2]
指旺理财金融云平台
宜信云服务[5] 为指旺理财的投资用户带来了经过大数据算法风控和人工风控双重过滤的优质投资债权，在回报率和还款率上都高于单一使用传统人工审核方式的债权；同时，在云端与合作银行之间建立了实时的监管机制，实现了投资平台自有资金与用户投资资金的完全隔离，使得投资平台不能操作用户资金，有效保证资金不会被挪用；当投资用户需要提前使用投资资金，云服务可以在用户之间高效完成债权转让，实现资金回收，大大提高资金使用的灵活性，让资金不再闲置，更有效率。
被称之为“金融云”的宜信云服务，将金融需求预测及发现、风控、反欺诈等核心的金融逻辑抽象出来，作为业务内核。以金融知识图谱为决策框架，融合不同业务逻辑，形成了获客、支付、实时授信、个性化推荐、贷后管理等服务模块。
指旺理财金融知识图谱
金融知识图谱是宜信近十年金融服务经验的精华，是宜信大数据团队用计算机科学对金融知识体系的提炼。它关注的不只是金融产品是什么，还关注投资用户和借款用户的状态及变化情况，通过对大量用户的投资行为和节奏的分析，理解用户与金融产品、用户与用户、用户与经济形势之间的关系，来描述互联网金融的变化规律。用户通过指旺理财投资，不需要具备专业的金融知识，金融云会根据用户的理财需求，帮助用户制定合理的理财计划，开发新的理财产品，这一切都发生在背后的“金融云”里。
指旺理财公司简介
编辑
指旺理财宜信
宜信公司创建于2006年，总部位于北京。成立十年以来，宜信坚持以理念创新、模式创新和技术创新服务中国高成长性人群、大众富裕阶层和高净值人士。目前已在251 个城市（含香港）和93 个农村地区建立起强大的全国协同服务网络，通过大数据金融云、物联网和其他金融创新科技，为客户提供全方位、个性化的普惠金融、财富管理和互联网金融服务。[2]
指旺理财管理团队
编辑
指旺理财创始人 CEO 唐宁
唐宁，宜信公司创始人、CEO，北京市网贷行业协会会长。[2]
唐宁先生早年曾就读于北京大学数学系，后赴美攻读经济学。曾任职美国华尔街DLJ 投资银行，从事金融、电信、媒体及高科技类企业的上市、发债和并购业务。[2]
2006 年，唐宁在北京创办中国第一家P2P 公司-- 宜信。成立以来，宜信坚持以理念创新、模式创新和技术创新服务中国高成长人群，大众富裕阶层和高净值人群，致力于成为中国普惠金融、财富管理的旗舰企业。[2]
公司秉承“科技让金融更美好”的理念，目前已经在251 个城市（含香港）和93 个农村地区建立起强大的全国协同服务网络，并通过大数据金融云、移动互联网、物联网等先进技术，为客户提供全方位、个性化的普惠金融与财富管理服务。
宜信担任“北京市网贷行业协会”会长单位、中国小额贷款公司协会副会长单位、中国互联网金融协会常务理事单位。[2]
2015 年，宜信作为中国普惠金融和互联网金融发展的优秀成果案例，入选哈佛大学商学院MBA案例库。[2]
指旺理财宜信公司首席战略官 陈欢
陈欢先生毕业于中山大学获得经济学硕士学位，拥有十多年的互联网与金融行业的从业经验。 陈欢先生于2007年加入宜信，曾负责宜信的P2P产品设计、IT系统设计与互联网业务规划与设计等工作，现负责宜信的公司战略、业务规划和推动实施，是公司品牌小组成员、风险管理委员会成员及信贷产品小组成员。[2]
加入宜信之前，陈欢先生曾在证券公司担任分析师，有过互联网企业的创业经历，也曾在国内知名的互联网公司内担任产品经理职位，有丰富的互联网与金融相互结合的行业经验。[2]
指旺理财宜信大数据创新中心技术副总经理 蒋炜航
蒋炜航先生负责指旺理财业务以及大数据创新中心的其他技术创新相关的工作，加盟大数据创新中心之前，蒋炜航担任网易有道副总裁，主管有道云笔记业务，负责产品设计、技术架构、用户运营和市场营销等工作，在5年内将有道云笔记业务从零开始发展为中国市场份额最大的云笔记业务，并将云笔记团队建设为覆盖产品运营、技术研发、市场营销等各个方面的综合型团队。[2]
蒋炜航先生毕业于浙江大学，获学士学位；俄亥俄州立大学，获硕士学士；伊利诺伊大学，获博士学位。[2]
词条图册 更多图册
参考资料
1. 指旺理财 ．iTunes．2015-03-14[引用日期2015-04-08]
2. 指旺理财：科技让金融更美好 ．网易[引用日期2016-11-11]
3. 指旺理财：“随存随取，每日结息”，灵活配置资产 ．网易[引用日期2017-02-24]
4. 手机理财市场现黑马 指旺理财首战告捷月销过亿 ．东北新闻网．2015-4-15[引用日期2015-12-23]
5. 累计投资20亿！宜信旗下指旺理财只用了半年 ．中国网．2015-9-9[引用日期2015-12-23]
词
知识图谱哪家强？有没有推荐的厂商？
不知道题主知不知道竹间智能这个公司，个人觉得还挺不错的。我是在一家城商行工作的，我们银行希望围绕零售存款、贷款、理财产品、信用卡等领域，创建营销模型，来增强现金流和财富管理能力。竹间智能通过他们的Gemini认知智能平台，帮助我们构建了理财、贷款、储蓄以及基金类的知识图谱，包含几十万的实体数量和上百万的属性值，基于用户数据、行为数据和交易数据，实现偏好推荐、交叉推荐、热门推荐、流失推荐等多种模式的认知推荐，最后使我们行提升了15%的购买额，同时客户流失率大幅降低。
知识图谱公司排行哪家比较好？有推荐的吗？
我觉得竹间智能就挺不错的。我是在商业银行工作的，我们银行希望围绕零售存款、贷款、理财产品、信用卡等领域，创建营销模型，来增强现金流和财富管理的能力，于是公司就决定和竹间智能进行合作。竹间智能通过他们的Gemini平台，帮助我们构建了理财、贷款、储蓄以及基金类的知识图谱，其中包括了几十万的实体数量和上百万的属性值，能够基于用户数据、行为数据和交易数据，实现偏好推荐、交叉推荐、热门推荐等多种模式。不得不说，竹间构建的知识图谱真的有帮我们提升了相关产品的售额，简直就是一位“神助手”。
知识图谱基础（三）-schema的构建
在前面一篇文章《知识图谱基础（二）-知识表达系统》中介绍了知识图谱的基础知识表达系统，什么是entity，什么是relation，什么是domain，什么是type等等。本篇文章主要从应用角度来聊一聊如何构建schema以及shcema构建中需要考虑的问题。以下所讲的schema构建主要是基于common sense进行构建的，弱关系图谱构建会在应用中讲到。
简单来说，一个知识图谱的schema就是相当于一个领域内的数据模型，包含了这个领域里面有意义的概念类型以及这些类型的属性。任何一个域的schema主要由类型（type）和属性（property）来表达。图1是plantdata内的创投schema，主要是为了发掘一级市场的投资和融资构建的schema。该schema主要是去定义需求，哪些数据对创投有用，才往上构建，例如：人物都有身高 体重，但是这些数据对创投来说意义不大，在schema中就不用构建了。关注创投的人会关注这些基金与人物投资了哪些公司，投资的公司所属行业，投资的公司属于哪一类企业，在该schema中就需要详细构建。
1.如何构建域（domain）
域（domain）的概念是凌驾于所有类型之上，对于域的定义应该尽量的抽象，不应该具体，同时域与域之间应尽量做到相互独立，不交叉。例如，省份就不应该是一个域的概念，在思考是否应该把一个概念当做域时，需要考虑到该概念是否能够继续向上抽象，例如：省份；城市；国家；县等等，他们同属于地理位置域。在明确域的概念时，应该定义好域的边界，这样比较容易区分不同域之间的区域划分。
2.如何确定一个域的类型（type）
这里需要产品经理去思考，构建这个schema的核心需求是什么，到底需要解决用户什么问题。为了满足这些核心需求，我们需要创造出哪些概念？
举个例子，在汽车领域，用户主要关心什么问题，例如：汽车的品牌、车系、发动机。
在NBA领域，用户主要关心球队、所属联盟、教练、球员等等。
针对不同的需求，需要在域下面构建不同的类型来满足用户的需求。
3.如何确定属性（property）
思考的角度如下：
1.以用户需求为出发点
2.以数据统计为证据
比如在构建完足球领域中的球队类型后，该类型集合了所有的球队实体，站在用户角度触发，用户会关注球队的哪些关系？
图2是我简单的针对足球领域构建的一个图谱，上面包含了梅西（球队的球员）， 埃内斯托·巴尔韦德 （球队的教练），西甲（球队的所属联赛），其中梅西、西甲、埃内斯托.巴尔韦德又分属于不同的类型：足球球员，足球联赛，足球教练，这些所有的类型构成了足球域。
从上图的common sense配合图查询和自然语言处理技术已经可以支持基础的问答了，例如，梅西是哪个球队的？埃内斯托巴尔韦德是哪些球员的教练？西甲有哪些球队在踢球？等等
schema的应用是产品经理需要重点考虑的内容，因为产品需求决定了schema应该怎么构建，构建的是否完备。而产品的具体应用则主导了schema的整体构建方式，如果不仔细考虑产品应用的话，最惨的情况可能构建了很久的schema会因为一个逻辑坑而彻底报废掉，由于知识图谱又是一个牵一发而动全身的工程，根据实际经验来说，如果图谱构建和应用有部分脱节，可能修改图谱schema比重新构建图谱schema的成本还要高。所以，首先确认好具体的应用场景对于一个schema构建的成功与否是至关重要的。
笔者写一套曾经用过的确认schema的流程
先将应用根据需求的强弱划分，分为基础核心需求，schema特色需求，锦上添花需求，未来扩展性需求。
基础核心需求：是经过需求分析后，构建这个schema需要完成最核心的需求，该需求优先级最高
schema特色需求：构建图谱时可能会经常遇到图谱可以实现而其他方法实现比较困难的特色需求，这类需求可能需求强度不是很高，但是由于能够实现一定的差异性，经常会有意想不到的效果。
锦上添花需求：非基础核心需求，做了更好，不做也可以接受
未来扩展性的需求：确认schema的时候要充分考虑到未来的扩展性，因为这类需求有可能会大改图谱的schema结构
在构建schema的时候，根据上述分类，需要去考虑该schema一期需要满足哪些具体的功能，将功能一一列下来，哪些功能是需要放在第二期、第三期完成的，未来的扩展性需求需要在构建的哪一块区域留下可扩展的内容。
常用的方法可以使用excel去列出一、二、三期所需要的功能点。
列出上述的功能点后，针对每一个功能点在后面备注好该功能的构建要点（注：这个非常重要），通常需求只需要将产品需求转化成一定的查询结构即可，笔者原来用的是cypher查询语法。以图2为例，我要支持某个教练教了哪些球员？转化成查询语言就是（a:足球教练）-{b:教练}-（c:球队）-{d:球员}-（e:足球球员） return e。将a变成参数，输入a即可返回所有的e，即输入埃内斯托巴尔韦德，返回就是梅西。
流程如下：query:埃内斯托巴尔韦德带了哪些球员？→语义解析→转化成上述查询，将埃内斯托巴尔韦德作为参数a代入查询→返回结果→前端包装展示
注：上面在每个功能点后面备注了构建要点，当大部分功能点的构建要点都写完的时候，需要集中查看构建要点，因为如果需求本身比较大的话，不同的需求很容易造成schema的构建冲突，正如前面所讲，schema尽量要保证少出错。这个时候由于备注了构建要点，可以全局的来审视这个schema中间有没有逻辑黑洞。常出现的问题主要是在属性的设计，以及知识融合上。
拿着上述文件去找开发，确认一下哪些是比较好实现的，一般来说做到这种程度大多数需求开发都是会接的。如果开发同学足够专业的话，他会从他的视角去给你提出他的宝贵意见。通常产品经理在思考schema这一块更倾向于思考这个schema的作用，而开发同学会思考工程实现、实现效率、运行效率、计算量等问题。
大规模构建schema的时候需要认真考虑数据源的情况，由于不同公司掌握的数据不同，所应用的对策也不同。
通常笔者会将数据源分为如下几种：
1.已经清洗好的结构化数据：这部分数据一般是公司的核心数据，或者其他公司的核心数据，构建的时候应该优先考虑这类数据。这部分数据通常只需要改变数据格式即可入图谱。
2.清洗好的结构化数据，但数据残缺：这部分数据通常需要数据挖掘，知识融合。清洗难度是由残缺比例决定的。
3.无数据：没有这部分数据，但是又需要这部分数据，通常只能去选择让BD去购买数据，或者让爬虫组去专业网站爬取，例如：企业数据可以去企查查，电影的数据可以去猫眼，产业的数据可以去产业信息网等等。
假设需要构建的图谱entity数量在千万级别，开发力量不够强大的时候，慎用纯数据挖掘方案，有条件的话笔者建议直接去买结构化数据，因为可能挖掘和知识融合在经济上的成本比直接买数据要高，而且时间周期也会很长。
个人认为，大规模构建schema最难的地方就在于挖掘数据的知识融合上，举个例子：全国有10000个叫王刚的人，爬虫从A网站挖下来5000个“王刚”，从B网站挖下来7000个“王刚”，那么这5000个王刚和那7000个王刚到底是不是一个人？在没有身份证号码的情况下如何确定哪些王刚是一个人呢？常规的做法是去挖掘出“王刚”的其他信息，例如出生年月，任职信息，籍贯等等，然后通过一定的算法进行知识融合。通常，网站的数据不一定全面，即使经过知识融合后，挖掘的数据中一定会有大量的噪音，不同的需求对噪音的承受能力是不同的，构建schema的时候需要充分考虑数据出现噪音的可能性，去评价这部分需求对噪音的承受能力。
如果知识融合完成了话，大规模构建其实就是一个导数据的过程，由于图谱数据结构的关系，一般存2张表（点、边）或者使用RDFs存储，在entity数量上千万以后，图谱的查询压力会比较大，单机查询可能会直接跪掉，开发一般会采用graphX的分布式的存储，不过由于点和边的切割方式的问题，会有一定的副作用。
以“AI重构金融决策”，Silot完成800万美金A轮融资
东南亚“智能金融决策平台”Silot于近期完成800万美金A轮融资，本轮融资由日本SBI领投，住友商事和三菱日联金融集团（MUFG）旗下Krungsri Finnovate和老股东Arbor Ventures跟投。本次融资将主要用于知识图谱领域研究，市场拓展及金融产品创新。
Silot于2017年初成立于新加坡，成立之初获得真格基金天使轮投资，是真格在东南亚出手的首个项目。同年12月，Silot获得Arbor Ventures和斯道资本的Pre-A轮投资。
Silot的核心是通过快速和可延展的人工智能技术，帮助东南亚银行从传统决策方式向智能化转型。现阶段在东南亚，大部分银行的基础设施和组织架构决定了其仍然只能够依赖大量依赖人力来做出金融决策，导致决策效率、数据连接性、场景可延展性，以及多维度评估等因素综合形成了瓶颈，阻碍了银行的高效运营与业务拓展。
Silot利用人工智能为银行打造可延展的决策引擎，带来了更高效的支付体验，更安全的交易与获客，和更精准的信用决策。Silot正以颠覆东南亚金融业之势迅猛发展，服务客户包括印尼力宝集团旗下的Nobu Bank和泰国最大发卡行Krungsri Bank，并赢得Krungsri Bank战略投资。
其创新与金融 科技 部门负责人Sam Tanskul评价道，“Silot团队具备强大的技术实力，从最开始我们就对Silot抱有充分的信任，与Silot深度的合作是毫无疑问的明智之举。”
Silot创始人兼CEO李博晨（Andy Li）表示，中国无论在人工智能还是金融 科技 都走在世界前列，作为Fintech领域的出海企业，如何融入当地主流金融生态圈，将中国领先的技术和当地市场的需求相结合，并能够获得当地金融机构的信任，是非常有挑战但是值得去做的事情。
李博晨（Andy Li）
SBI集团总裁（前软银集团CFO）北尾吉孝先生对Silot充满信心，“Silot的智能平台通过知识图谱技术，极高地提升运营效率，帮助银行制定金融决策，这将为当地金融领域带来一场颠覆性的革命。作为Silot的主要投资方之一，SBI集团将不遗余力地助力Silot，在人工智能时代为日本和东南亚地区其它区域的银行赋能。”
今年年初，Silot被美国CIO Outlook评选为银行 科技 Top 20企业并成为Plug and Play中东区金融孵化企业。相对而言，中国的移动支付场景和互联网金融已经发展较为成熟，而包括东南亚市场在内的新兴市场却缺乏能够提供高效可延展解决方案，和跨业务场景的“银行大脑”。Silot正是应这一市场需求而生的创新性智能银行平台，本轮融资之后，Silot将在该领域进一步开疆拓土。
关于SBI投资
SBI投资有限公司，原软银投资部，是SBI控股公司的投资部门。2002年，SBI控股公司在东京交易所上市，并于2006年从软银独立出来。目前，SBI投资是涵盖证券，金融，保险，资产管理，虚拟货币交易，及金融 科技 孵化等业务的规模最大的互联网金融集团。SBI投资拥有全球首创的“网络金融生态系统”，并设立业内首个“Fintech”专项基金，是该领域世界顶尖的集团之一。
作为SBI控股公司的投资部门，其已经投资超过800家公司，且有五分之一成功上市或被第三方并购。在做投资决定时，SBI投资会对公司的管理质量，产业愿景，成长潜力，以及服务或产品中体现的创新精神进行综合评估。投资决策委员会由相关产业专家组成，力求在最全面的调研和分析基础上，做出具有最佳效益的投资决定。SBI拥有顶尖的孵化基础设施，并会不遗余力地利用自身的商业资源与管理经验来帮助被选中的投资组合公司加速成长。
关于Arbor Ventures
关于住友商事
住友商事是在贸易和商业投资领域处于世界领先的全球五百强企业，在65个国家和地区拥有110个办事处，其中22处位于日本国内，并且旗下拥有超过900家公司。住友商事利用全球网络从事各个产业的商品交易，为相关客户提供丰富的金融服务，组织运营各类性质的项目，并且投资入股拥有增长潜力的公司等。住友商事的核心业务领域包含金属制品，交通及建设系统，基础设施建设，数字媒体，日用品，房地产，矿产资源，化学及电子产品等。
关于Krungsri Finnovate
Krungsri Bank全资控股，三菱日联金融集团（MUFG）的成员之一。三菱日联金融集团由三菱东京金融集团和日联控股合并而来，合并以后资产达到1.64万亿美元，超过了此前世界最大的美国花旗集团。三菱日联目前位列世界五百强第177位，是日本最大、全球第五大综合性大型金融机构。总部位于东京，在全球超过50个城市拥有2300多处办公室，服务领域包涵商业银行业务、证券交易，信用卡、资产管理等。作为Silot的第一位客户，Krungsri在充分评估其服务质量和增长潜力后转而成为Silot的投资者之一。
合资孵化 | 增长咨询 | 市场洞察
上述文章内容就是对基金知识图谱和基金知识图谱下载的详细解答，希望能够帮助到大家；如有其他更多疑问请关注华展网。
标签： 基金知识图谱