在社会网络中，一个著名的理论是：

最多通过六个人，你就能够认识世界上的任何一个陌生人。如果把每个人看作实体，找出人与人之间的联系，其中涉及的就是建设知识图谱的技术。

通过知识图谱的图形化展示，可以很直观地呈现人们错综复杂的社交关系。据说，这种技术曾经用于情报部门反恐，并取得了良好的效果。今天，知识图谱已经从007的神秘技能演变为金融黑科技。这项金融黑科技真正应用的起点在2012年，谷歌公司将其引入搜索引擎，用于改善搜索体验。简单地说，就是通过对网页信息的爬取和分析，找出不同种类信息的内在联系，从“关系”的角度突破信息碎片化壁垒，提供包含关联关系的搜索结果。

值得注意的是，金融领域由于对数据强烈的依赖性，被认为是人工智能最适合落地的领域之一。海量的数据为人们更好地掌握与认知事物规律，提供了越来越丰富的来源。

但是，由于非结构化数据的急剧增长，对数据的分析与理解的要求已经远远超过人类的生理极限，这对我们的分析手段提出了新的要求与挑战。传统的数据储存方式将数据分门别类的存放，已经很难适应现实瞬息万变的市场行情，无法满足金融分析的实时性和全局性的要求。

金融知识图谱是金融行业语义理解和知识搜索的关键性基础技术，可以为舆情监控、知识发现和推理决策等提供技术支撑。因此，越来越多的金融机构及企业在探索构建金融领域的知识图谱研究，将海量非结构化信息自动化利用起来，为金融领域应用决策提供更精准可靠的依据。

知识图谱本质上是一种语义网络，是基于图的数据结构，以图的方式存储知识并向用户返回经过加工和推理的知识。它由“节点”和“边”组成，节点表示现实世界中的“实体”，边表示实体之间的“关系”。

一般来说，知识图谱分为通用知识图谱和领域知识图谱。其中，通用知识图谱主要由各大搜索引擎公司研究，以提高搜索准确率，争取直接给出目标答案;而领域知识图谱可根据领域特定的情况，提供各种针对性的应用。

具体到金融领域，因为涉及到各行各业，包含了经济、产业、公司等众多方面的知识，所以金融知识图谱相对于其他领域比较特别。具体来说，金融知识图谱常见的实体包括：公司、产品、证券和人员等。实体间的关系包括：股权关系、任职关系、担保关系、供应商关系、竞争对手关系、生产关系、采购关系和上下游关系等(参见下图)。其中，有些实体和关系，可以自动抽取生成，如股权关系和任职关系等，均可在工商局注册登记平台得到公开信息。而产品间的上下游关系则需要有系统性的数据源，这就给信息获取和识别带来了巨大的挑战。

目前，知识图谱的应用在国内还处于初始阶段，但已经在金融、医疗和电商等行业得到了广泛的探索。特别在金融行业中，知识图谱是一个重要的反欺诈手段。例如，基于大数据的分析把不同来源的各类数据整合在一起，有效地识别出团体欺诈、身份造假、代办包装等欺诈行为。此外，还可应用于行业风险预测、对客户的精准营销以及可视化展示等一些典型的领域。相信随着研究的深入，还会有越来越多的应用场景被发掘出来。