知识图谱是人工智能的底层技术，是支撑机器实现认知智能的重要基石。在数字经济新基建中，知识图谱在数据繁杂、单一价值有限、问题抽象需要可视化、多层关联维度、团伙识别等应用场景发挥着越来越大的价值。
现实社会织起了庞大而复杂的关系网，比起传统的关系型数据库，知识图谱在关系网络的构建挖掘上具有显著优势，当我们涉及到多层次的关联查询时，基于知识图谱的查询效率会高出几千倍甚至几万倍，并支持海量、复杂、多变数据的关系运算，且运算性能非常高。
目前邦盛科技知识图谱平台作为成熟化产品，已经形成了申请反欺诈、交易反欺诈、企业内控、反洗钱/套现、车险反欺诈、医保反欺诈等多个场景化方案。现简单列举一些具体的应用场景：
目前监管部门对互联网信贷遵循“三个办法一个指引”原则，我们可以通过图谱建立实时风控，关注贷后放款的关键环节和资金流入的重点领域。通过图谱可以重点关注经营类、消费类的贷款，追踪是否违规流入房市、股市等。在这个过程中，通过图谱的穿透能力计算转出资金的金额和比例，就能很方便地去敲定风险和违规性质，提供排查依据。
如，放贷后直接流入黑名单账户，或者解除关联后从自己账户转移到非自己名下，但可能是实际控制的一个账户，再往楼市、股市这些敏感行业投资理财。这些都可以通过图谱，结合资金的具体形态来分析，这些行为在图谱上会展示出明显的发散或归集。这种模式用以往的专家规则很难刻画，最多能做到一维、二维关系，而图谱更善于进行多维关系的筛查。在海量交易结构中，我们也能发现一些模式化的结构，如上图可以看到大概4-5个端，涉及集中转入、分散转出，还有类似树枝、蚂蚁巢穴一样的链式交易结构，这都是贷后异常的资金模式。通过图谱的展现手段，结合业务知识，可以发现存在的问题，通过k度查询或重要节点的发现算法可查看具体的问题所在。
由于贷后资金流向和涉赌涉诈的场景中，都存在大量的转账关系图谱。我们可以用图谱做资金量的分析以及甄别资金转移的手法。图谱可视化最大的价值在于还原真实的交易场景，这些在以往核查单观察，或者在系统上点击流水不容易观察到。结合账户自身特征，我们在图谱上观察有没有分散的转出和转入，或者交易对手成批的更换。结合这些特征，就可以分析账户在整张交易网络中的作用。
如图，最左边是赌徒的充值，上游这几步可能会重复多个层级，到了中游，各种空壳企业会进行各种各样的资金搬运，夹杂着一些空壳企业的分批启用，或者跨行转账行为，造成资金链路的进一步模糊；之后就是资金洗牌的最后一步，钱会转移到一些个人账户进行分散提现，或者直接就在游戏/直播平台进行一些打赏。总之，下游洗白的方式是多种多样的，但通过图谱再结合一些特征，还是能够进行监控的。
研报认为，金融与公安两大行业的知识图谱占比较高且增长速度较快，成为市场规模的主要拉力。随着行业认知加深与技术进步，技术与业务的结合点愈发精准，行业场景颗粒度不断收敛细化，高价值且实用性强的垂直场景将循序渐进地被做深做透，为传统企业的业务带来显著的业务增效。
