如何制作企业内部网站,钦州网站制作,wordpress 插件 cdn,昆明北京网站建设本文转载自公众号#xff1a;恒生技术之眼。自然语言处理#xff08;Natural Language Processing, NLP#xff0c;语义计算#xff09;和知识图谱#xff08;Knowledge Graph, KG#xff0c;知识计算#xff09;作为认知智能的关键技术#xff0c;正成为智能金融浪潮中… 本文转载自公众号恒生技术之眼。 自然语言处理Natural Language Processing, NLP语义计算和知识图谱Knowledge Graph, KG知识计算作为认知智能的关键技术正成为智能金融浪潮中新的热点。这两种技术在金融领域的应用场景有高度的重合往往是互为依托、互为补充。当NLP和知识图谱双剑合璧会优先在金融的哪些场景实现落地各场景“标配”的核心能力分别有哪些国内外NLP和知识图谱技术在金融行业的应用到了怎样的程度读完这篇文章或许能帮助你对这些前沿科技中的中流砥柱有一个更清晰和全面的认识。金融行业因其与数据的高度相关性成为人工智能最先应用的行业之一而NLP与知识图谱作为人工智能技术的重要研究方向与组成部分正在快速进入金融领域并日益成为智能金融的基石。一般的Fintech公司只会集中在其中的某些业务方向只要能深入掌握两到三种能力就能具有相当的竞争力。在这些业务场景中NLP和知识图谱技术往往需要共同应用才能发挥出最大的效能。同时一种核心能力可以在多个智能金融应用场景中得到应用这些应用场景包括智能投研、智能投顾、智能风控、智能客服、智能监管、智能运营等。接下来我们将分析不同的核心能力在各个应用场景的分布情况对每一种核心能力进行简要介绍给出它的应用场景并列举部分国外的典型案例以供大家能够更好的理解和上手。金融语义应用场景概念框01智能问答和语义搜索智能问答和语义搜索是NLP的关键技术目的是让用户以自然语言形式提出问题深入进行语义分析以更好理解用户意图快速准确获取知识库中的信息。在用户界面上既可以表现为问答机器人的形式智能问答也可以为搜索引擎的形式语义搜索。智能问答系统一般包括问句理解、信息检索、答案生成三个环节。智能问答系统与金融知识图谱密切相关知识图谱在语义层面提供知识的表示、存储和推理智能问答则从语义层面提供知识检索的入口。基于知识图谱的智能问答相比基于文本的问答更能满足金融业务实际需求。智能问答和语义搜索的价值在金融领域越来越被重视。它主要应用的场景包括智能投研、智能投顾和智能客服。在智能投研领域投研人员日常工作需要通过多种渠道搜索大量相关信息。而有了金融问答和语义搜索的帮助信息获取途径将是“Just ask a question”。并且语义搜索返回的结果不仅是平面化的网页信息而是能把各方面的相关信息组织起来的立体化信息还能提供一定的分析预测结论。在智能客服和智能投顾领域智能问答系统的应用主要是机器人客服。机器人客服目前的作用还只是辅助人工客服回答一些常见问题但已能较大地节省客服部门的人力成本。典型应用案例如美国Alphasense公司为投研人员整合碎片化信息提供专业金融知识访问工具。AlphaSense公司的产品可以说是新一代的金融知识引擎。它从新闻、财报、研报各种行业网站等获取大量数据、信息、知识形式的“素材”通过语义分析构建成知识图谱并提供高级语义搜索引擎、智能问答、交互式知识管理系统、文档知识协作系统以对金融知识进行更加有效的管理、搜索、使用。02资讯与舆情分析金融资讯信息非常丰富例如公司新闻公告、重要事件、财务状况等、金融产品资料股票、证券等、宏观经济通货膨胀、失业率等、政策法规宏观政策、税收政策等、社交媒体评论等。金融资讯每天产生的数量非常庞大要从浩如烟海的资讯库中准确找到相关文章还要阅读分析每篇重要内容是费时费力的工作。如果有一个工具帮助人工快速迅捷获取资讯信息将大大提高工作效率。资讯舆情分析的主要功能包括资讯分类标签按公司、产品、行业、概念板块等、情感正负面分析文章、公司或产品的情感、自动文摘文章的主要内容、资讯个性化推荐、舆情监测预警热点热度、云图、负面预警等。在这个场景中金融知识图谱提供的金融知识有助于更好理解资讯内容更准确地进行资讯舆情分析。资讯舆情分析的应用主要在智能投研和智能监管这两个场景。目前市场上的辅助投研工具中资讯舆情分析是必不可少的重要部分。资讯舆情分析作为通用工具更多是对海量定性数据进行摘要、归纳、缩简以更加快捷方便地为投研人员提供信息支持他们进行决策而非直接给出决策结论。在智能监管领域通过资讯舆情分析对金融舆情进行监控发现违规非法活动进行预警。03金融预测和分析基于语义的金融预测即利用金融文本中包含的信息预测各种金融市场波动它是以NLP等人工智能技术与量化金融技术的结合。利用金融文本数据帮助改善金融交易预测模型的想法早已有之。本世纪初美国就有人利用新闻和股价的历史数据来预测股价波动。2010年后社交媒体产生了大量数据基于Twitter、Facebook来预测股市的研究项目很多。最近深度学习被大量应用在预测模型中。金融文本数据提供的信息是定性的qualitative而通常数字形式的数据是定量的quantitative。定性分析比定量分析更难定性信息包含的信息量更大。有分析表明投资决策人员在进行决策时更多依赖于新闻、事件甚至流言等定性信息而非定量数据。因此可期待基于语义的金融预测分析大有潜力可挖。这个场景中涉及的关键NLP技术包括事件抽取和情感分析技术。金融知识图谱在金融预测分析中具有重要的作用它是进行事件推理的基础。例如在中兴事件中可根据产业链图谱推导受影响的公司。基于语义的金融预测和分析在金融应用的主要场景包括智能投研和智能投顾。它的理想目标是能代替投资人员做投资预测进行自动交易但目前还只是作为投资人员的投资参考。将不同来源的多维度数据进行关联分析特别是对非结构化数据的分析比如邮件、社交网络信息、网络日志信息。从而挖掘和展现出未知的相关关系为决策提供依据。典型的应用案例如美国Palantir公司提供基于知识图谱的大数据分析平台。其金融领域产品Metropolis通过整合多源异构数据构建金融领域知识图谱。特点是对非结构化数据的分析能力、将人的洞察和逻辑与高效的机器辅助手段相结合起来。另一个例子如Kensho公司利用金融知识图谱进行预测分析。在英国脱欧期间交易员成功运用Kensho了解到退欧选举造成当地货币贬值曾准确分析了美国总统任期的前100天内股票涨跌情况。04文档信息抽取信息抽取是NLP的一种基础技术是NLP进一步进行数据挖掘分析的基础也是知识图谱中知识抽取的基础。采用的方法包括基于规则模板的槽填充的方法、基于机器学习或深度学习的方法。按抽取内容分可以分为实体抽取、属性抽取、关系抽取、规则抽取、事件抽取等。在这里的文档信息抽取特指一种金融应用场景。指从金融文档如公告研报等抽取指定的关键信息如公司名称、人名、指标名称、数值等。文档格式可能是格式化文档word, pdf, html等或纯文本。对格式化文本进行抽取时需要处理并利用表格、标题等格式信息。文档信息抽取的应用场景主要是智能投研和智能数据促进数据生产自动化或辅助人工进行数据生产、文档复核等。05自动文档生成自动文档生成指根据一定的数据来源自动产生各类金融文档。常见的需要生成的金融文档如信息披露公告债券评级、股转书等、各种研究报告。自动报告生成属于生成型NLP应用。它的数据来源可能是结构化数据也可能是从非结构化数据用信息抽取技术取得的也可能是在金融预测分析场景中获得的结论。简单的报告生成方法是根据预定义的模板把关键数据填充进去得到报告。进一步的自动报告生成需要比较深入的NLG技术它可以把数据和分析结论转换成流畅的自然语言文本。自动文档生成的应用场景包括智能投研、智能投顾等。它的典型应用案例如美国的Narrative Science它从结构化数据中进行数据挖掘并把结果用简短的文字或依据模板产生报告内容。又如Automated Insights它为美联社自动写出了10亿多篇文章与报告。06风险评估与反欺诈风险评估是大数据、互联网时代的传统应用场景应用时间较早应用行业广泛。它是通过大数据、机器学习技术对用户行为数据分析后进行用户画像并进行信用和风险评估。NLP技术在风控场景中的作用是理解分析相关文本内容为待评估对象打标签为风控模型增加更多的评估因子。引入知识图谱技术以后可以通过人员关系图谱的分析发现人员关系的不一致性或者短时间内变动较大从而侦测欺诈行为。利用大数据风控技术在事前能够预警过滤掉带恶意欺诈目的人群在事中进行监控发生欺诈攻击时及时发现在事后进行分析挖掘到欺诈者的关联信息降低以后的风险。在金融行业风险评估与反欺诈的应用场景首先是智能风控。利用NLP和知识图谱技术改善风险模型以减少模型风险提高欺诈监测能力。其次还可以应用在智能监管领域以加强监管者和各部门的信息交流跟踪合规需求变化。通过对通信、邮件、会议记录、电话的文本进行分析发现不一致和欺诈文本。例如欺诈文本有些固定模式如用负面情感词减少第一人称使用等。通过有效的数据聚合分析可大大减少风险报告和审计过程的资源成本。从事此类业务的Finctech公司很多如Palantir最初从事的金融业务就是反欺诈。其他如Digital Reasoning、Rapid Miner、Lexalytics、Prattle等。07客户洞察客户关系管理CRM也是在互联网和大数据时代中发展起来市场相对成熟应用比较广泛许多Fintech公司都以此为主要业务方向。现代交易越来越多是在线上而不是线下当面完成因此如何掌握客户兴趣和客户情绪越来越需要通过对客户行为数据进行分析来完成。NLP技术在客户关系管理中的应用是通过把客户的文本类数据客服反馈信息、社交媒体上的客户评价、客户调查反馈等解析文本语义内涵打上客户标签建立用户画像。同时结合知识图谱技术通过建立客户关系图谱以获得更好的客户洞察。这包括客户兴趣洞察产品兴趣以进行个性化产品推荐、精准营销等。以及客户态度洞察对公司和服务满意度、改进意见等以快速响应客户问题改善客户体验加强客户联系提高客户忠诚度。客户洞察在金融行业的应用场景主要包括智能客服和智能运营。例如在智能客服中通过客户洞察分析可以改善客户服务质量实现智能质检。在智能运营智能CRM中根据客户兴趣洞察实现个性化精准营销。国外从事这个业务方向的Fintech公司很多如InmomentMedalliaNetBase等。各种核心能力在智能金融的主要应用场景呈以下分布小结NLP和知识图谱两种技术本身都还在发展成长过程中因此在金融落地过程中势必也还会面临许多新的课题和挑战任重而道远。一方面人工智能必须与金融的具体业务场景切合找到金融企业需求痛点真正提升客户生产效率给客户带来价值另一方面人工智能是基础技术学科技术难度大人才要求高在核心技术和关键算法上需要有突破有优势才能不断提升市场竞争力。所以场景驱动和技术研发需要相辅相成、紧密结合。相信金融智能语义技术的应用将会有广阔的发展空间推动智能金融迈向一个新的台阶。随着时代变化加之自身业务拓展的需求以提供金融技术为核心业务的恒生电子已深度布局智能金融领域。作为金融科技公司恒生始终坚持着连接百万亿、让金融变简单的愿景和使命。在即将进入的人工智能时代恒生将持续在人工智能应用于金融创新的征途上迈进一如既往地用技术与金融机构紧密合作助力金融机构建设服务平台并提供更加贴近用户需求的服务。OpenKG.CN中文开放知识图谱简称OpenKG.CN旨在促进中文知识图谱数据的开放与互联促进知识图谱和语义技术的普及和广泛应用。点击阅读原文进入 OpenKG 博客。
