当知识图谱遇上大语言模型：金融科技领域的一次创新探索

金融科技的持续进步，始终围绕两大核心课题：提升服务效率和强化风险控制。近年来，《金融科技发展规划（2022-2025年）》与《证券期货业科技发展“十四五”规划》均明确指向同一个目标——借助新兴技术，让金融服务更具“智慧”，资源配置更加高效，风险防控更加精准。

企业知识图谱与大语言模型，正是备受瞩目的两项关键技术。它们在各自的应用中已展现出显著潜力，但挑战也随之而来。

首先看知识图谱。受限于传统自然语言处理技术，新闻、舆情等复杂非结构化数据中的信息，难以被高效、准确地提取并整合到知识图谱中。更关键的是，针对图谱的业务查询与结果生成，大量环节仍依赖人工干预，效率自然不高。

再看大语言模型。通用大语言模型直接应用于证券期货行业，存在不少难题：缺乏行业知识、容易生成“一本正经的胡说八道”（即幻觉现象），且所掌握的知识难以快速更新，给业务落地带来了实质性阻碍。

问题已经显现，解决方案在哪里？

本课题的思路是将两种技术深度融合——通过检索增强生成（RAG）和智能体（Agent）等技术，让大语言模型与知识图谱形成互补。最终围绕企业关联关系、事件影响、舆情脉络查询等方向，探索出一套可行方案，并通过实际应用验证其价值。从合规尽调到风险管控，再到投研决策，这些场景均大有可为。

课题成果：一套“组合拳”式技术方案

最终，我们构建了一套能够有机融合大语言模型与知识图谱的技术方案。该方案主要覆盖三个环节：知识图谱的构建、知识图谱的交互、知识图谱的应用。并在三个核心查询场景（企业关联关系、事件影响、舆情脉络）中逐一验证了有效性。结果表明，传统NLP技术与人机交互框架难以实现的数据解析、自然语言交互、分析结果生成等功能，如今已变为现实。

企业知识图谱的构建：大模型的“补全”能力令人惊喜

在构建阶段，我们编写并优化了包含多种任务形式的提示词指令。例如，“事件分类”属于文本分类任务，“事件摘要”要求对文本进行总结，“事件地域”则是信息提取任务。而“事件影响”中的每个子项，都要求大模型在完成上述三个任务的同时，通过理解上下文将相关信息关联在一起。这对以往任何深度模型来说，都是极具难度的挑战。

有趣的是，研究过程中我们发现，大模型不仅能按照提示词指令解析出原文中的信息，还能根据其他字段与提取信息之间的逻辑关系，利用自身掌握的知识对部分字段进行“补全”。这种“超预期”的表现令人印象深刻。

我们还提出了一种基于大模型结果的图存储方法。简单来说，就是将大模型的解析结果按字段分别存入图数据库和向量数据库中。向量数据库会存储事件高度总结的标题（转化为1024维向量），以及事件主体、事件摘要和唯一ID等信息，作为知识图谱的索引部分。而在图数据库中，“事件”作为一种特殊节点类型存在，与之前存入的ID一一对应。这样，事件的发生时间、名称、分类、主体、地域等信息，均作为节点属性一并存入图库。存储前还会检索是否存在相似事件或实体，有效避免了重复问题。

基于大模型的企业知识图谱查询框架

查询框架的核心，是利用智能体与RAG技术，在知识图谱查询、数据召回和结果生成的全流程中融入大模型的能力。

为了避免大模型被海量数据“撑爆”，我们先将数据按使用场景或业务域分类，封装成标准API。智能体只需在粗颗粒度的API层面做出选择与判断即可。更关键的是，我们采用了多智能体方案——先用一个智能体与用户交互，将需要调用的API限定到一个范围内；然后在执行器调用API的过程中，使用相应API中集成的智能体来完成最终匹配。

检索和生成环节，依赖RAG架构来解决大模型的幻觉问题。具体而言，使用文本相似度算法和召回排序算法，从庞大的数据集合中找出与搜索对象最相似的文本。然后将检索到的信息与原始查询（或经过前置模型改写后的查询）一并输入生成模型，借助模型的理解和生成能力输出最终结果。

场景应用：从三个案例看实际效果

实际效果如何？我们在三家共研机构共建的大数据实验室中，通过三个场景进行了验证。

企业关联查询：用户只需在对话框中输入要查询的企业和关联关系类型。知识图谱查询智能体的交互模块会进行初步意图匹配，然后通过检索模块调用工商名称匹配智能体，获取企业简称对应的工商全称，最终指挥检索模块调用企业关联查询智能体，生成自然语言回答。整个过程一气呵成。

事件影响查询：知识图谱查询智能体将用户提问及其他交互信息发送给事件影响查询智能体。后者的交互模块将原始查询转化为事件描述，然后到知识图谱中召回相关事件信息，以及土地、产业链等深度穿透的关联信息。最后，生成模块基于理解对数据进行二次过滤，整理出完整的事件影响评估。值得注意的是，即便用户查询的事件没有直接影响分析，系统也能查找“知识”中是否存在类似情况，从而推演可能的影响并完成传播。

舆情脉络查询：用户请求查询某家企业的事件脉络后，查询智能体会将匹配后的企业信息与用户查询一同发给舆情脉络查询智能体。后者综合舆情脉络所涉及的企业、事件和时间范围等信息，从知识图谱中召回相关新闻，并生成脉络清晰的输出。

总结与展望

本课题的核心创新，在于将大语言模型与知识图谱进行“有机”融合。充分利用知识图谱高效的记忆能力，以及大模型强大的推理生成能力，提出了基于大模型的企业知识图谱构建方法与查询框架。并以拓客、投研、风控等证券金融场景为例，开发了企业关联关系、事件影响和舆情脉络三个查询功能，验证了该方案在基于非结构化文本的图谱构建、用户交互、影响传播挖掘和复杂逻辑总结等方面的优势。

可以预见的是，随着基座大模型及相关技术的持续演进，两种技术的相辅相成，将为金融科技发展带来更大的想象空间。