11 月 7 日深圳丨悦数图数据库新产品发布会

应用分享

新闻资讯

用户案例

周边工具

特性讲解

发版说明

技术干货

行业实践

行业科普

中国移动：悦数图数据库在金融风控领域的落地应用

悦数图数据库发布 v3.4.0，深入探索数据价值

五矿期货：悦数图数据库在金融期货行业的应用与实践探索

同盾科技：聊聊知识图谱在金融风控场景中的应用

悦数图数据库完成鲲鹏、飞腾、海光等多款国产 CPU 信创兼容性认证

![图神经网络](https://www-cdn.yueshu.cn/yueshu-website/images/share/2025-10-28.png)

在数字化金融时代，欺诈行为已从个体作案演变为高度组织化、隐蔽化的团伙犯罪。传统基于规则引擎和单点特征的风控系统难以应对跨平台、跨设备的复杂欺诈网络，而图神经网络（GNN）的出现正推动[金融欺诈检测](https://www.yueshu.com.cn/solutions/finance-risk)范式发生根本性变革。通过将用户、设备、交易等实体抽象为节点，关系抽象为边，GNN能够从动态关联网络中挖掘潜在风险，实现从“单点防御”到“全网智能免疫”的升级。

### 一、GNN的独特优势：关系智能的深度挖掘

传统欺诈检测模型通常孤立分析单笔交易或用户行为，忽视实体间的复杂关联。而[图神经网络（GNN）](https://www.yueshu.com.cn/yueshu-cloud)通过消息传递机制聚合邻居节点信息，使模型能够捕捉局部和全局的结构特征。例如，图卷积网络通过加权平均邻居特征增强节点表示，图注意力网络进一步引入注意力机制，为不同关联分配权重，从而突出高风险路径。这种能力使GNN能够识别规则引擎无法覆盖的隐蔽模式，如通过设备共享、IP跳变、社交关系重叠等线索发现黑产团伙。在实际应用中，奇富科技通过GNN构建500亿点边的超级网络，使欺诈交易识别率从70%提升至92%，响应时间压缩至30分钟以内。

### 二、关键应用场景：从反欺诈到全链路风控

GNN的应用已覆盖金融安全的多个核心场景。在团伙欺诈围剿中，GNN通过社区发现算法识别密集连接的风险子图，例如乐信利用23亿节点的关系图谱，使高风险交易预测准确率提升10倍。

在信用评估领域，GNN整合工商、司法、交易等多维数据，构建企业担保链知识图谱，帮助银行将不良贷款率从2.3%降至1.3%。此外，在实时反欺诈场景中，GNN结合流处理技术（如Flink+Kafka），实现毫秒级动态图更新与推理。

### 三、技术挑战与创新突破

尽管前景广阔，GNN的落地仍面临三大挑战。

**一是数据动态性问题：** 金融交易网络持续演化，需解决实时构图与模型更新的矛盾。突破点在于采用动态图神经网络（如DyGNN）和增量学习技术，实现秒级图谱刷新。

**二是模型可解释性需求：** 金融机构需明确风险决策依据。当前解决方案引入Shapley值量化特征贡献，或通过可视化子图展示风险传导路径。

**三是隐私合规约束：** 跨机构数据联合建模需平衡效能与安全。联邦学习框架应运而生，例如某商业银行采用联邦GNN后，跨区域欺诈检测F1值提升12.8%，且原始数据不出域。近期，北京邮电大学团队提出的LLM4RGNN框架还探索了大模型增强GNN对抗鲁棒性的路径，即使在40%的拓扑攻击下仍能保持高精度。

### 四、未来趋势：迈向多模态与自主风控

GNN的进化方向已呈现三大趋势。一是多模态融合：结合语音、文本、时空数据构建联合图谱，例如通过声纹异常关联交易设备指纹，预计使复合欺诈识别率再提升23%。二是元学习与小样本适应：针对冷启动欺诈模式，利用GAT学习邻居特征，使新设备识别准确率从61%升至89%。三是自主风控系统：GNN与强化学习结合，实现从风险发现、策略生成到自动迭代的闭环。

### 五、悦数图数据库：赋能GNN落地的基石支撑

GNN效能的充分发挥依赖底层图数据的实时处理能力。悦数图数据库作为国产自研的分布式图数据库，通过原生图存储架构支持千亿级点边的实时查询，解决了传统“Redis+数据仓”方案的数据滞后问题。其准实时计算引擎可在高并发场景下实现毫秒级多跳查询，例如助力洋钱罐在300+并发下实现8毫秒响应，使风控系统能在授信阶段实时扫描1-3度关联网络，提前拦截60%高风险申请。通过与中证数智等机构的合作，悦数图数据库进一步推动了图谱技术在金融风控中的信创化落地，为GNN模型提供了高性能、高可用的底层支撑。

图神经网络正重塑金融安全防线，其价值不仅在于技术突破，更在于推动了风控理念从“被动响应”到“主动免疫”的升级。随着悦数等图数据库技术的成熟与GNN算法的持续创新，金融欺诈检测将迈向更实时、精准、可信的新阶段，为数字金融生态的稳健发展筑牢基石。

图神经网络（GNN）凭借对复杂关联关系的深度挖掘能力，在金融欺诈检测中前景广阔。悦数图数据库以高效图存储与计算优势，为GNN提供强支撑，可精准识别异常交易模式，助力金融机构提升欺诈侦测准确率与效率。

图神经网络（GNN）在金融欺诈检测中的应用前景

![Fusion GraphRAG](https://www-cdn.yueshu.cn/yueshu-website/images/share/2025-10-28-1.jpg)

在企业 AI 推进落地的过程中，一个老问题始终绕不开：明明已经积累了大量文档、报告、流程和数据，可为什么一到要用的时候，就“找不着”“说不清”“理不顺”？

### 01 问题出在哪？传统 RAG 的先天不足

我们先不谈技术方案，而是回到源头：企业知识长什么样？

企业知识并非整齐的数据库，而是由 PPT、PDF、会议纪要、ERP 记录等混合构成的复杂生态——信息零散、依赖上下文。传统 RAG 的“切块—向量化—检索”模式，容易造成语义断裂：段落被割裂，逻辑关系丢失，导致 AI 回答似是而非，缺乏深度理解。

为解决这一问题，[GraphRAG](https://www.yueshu.com.cn/yueshu-AI) 应运而生。它通过从非结构化文本中提取实体与关系，构建语义网络，使检索不再依赖关键词匹配，而是沿着语义路径推理，显著提升了复杂查询的准确性与可解释性。这一方向已被广泛认可，成为企业知识智能化的重要演进路径。

然而，在当前的实践中，GraphRAG 的潜力仍有进一步释放的空间。许多系统采用的是“多路并行”架构：图谱、向量、关键词等检索方式各自独立运行，最后再进行结果融合。这种方式有效整合了多种信号，但在深度协同上尚有提升余地。

于是，更进一步的思路开始浮现：能不能让图谱不只是索引工具，而是成为整个知识处理的核心骨架？让文档结构、语义向量、业务规则都围绕它协同工作？

这就是 Fusion GraphRAG 想做的事。它并不是推倒重来的新架构，而是在 GraphRAG 基础上的系统级升级，以重点解决企业真实场景下的三大痛点：语义断裂、定位不准、深浅难兼。

### 02 Fusion GraphRAG：不只是加个图谱

![Fusion GraphRAG](https://www-cdn.yueshu.cn/yueshu-website/images/share/640.gif)

Fusion GraphRAG 的“Fusion”，指的就是把几种关键技术能力有机整合，形成协同效应。它的核心思路是：让[知识图谱](https://yueshu.com.cn/solutions/knowledge-graph)不再只是“附加功能”，而是整个检索与生成过程的核心。具体来看，它重构了企业 AI 知识处理的逻辑：

**语义连贯性：用图谱重建上下文**

传统 RAG 切分文本时，通常按固定长度或标题分割。Fusion GraphRAG 则先做文档结构解析，识别出段落、章节、表格、引用等元素，再结合语义分析，提取实体和关系。

![Fusion GraphRAG ](https://www-cdn.yueshu.cn/yueshu-website/images/share/2025-10-28-2.jpg)

这些实体和关系构成知识图谱的节点与边。关键在于，即使两个信息点在原文中相隔很远，只要语义相关，图谱就能把它们连起来。这样一来，检索不再是找相似句子，而是沿着图谱路径，追溯信息之间的逻辑链条。生成的答案也因此更有条理、更完整。

**社区发现：让知识自动聚类，回答更有层次**

Fusion GraphRAG 的另一个核心技术是分层图结构。它不把知识图谱看作一张扁平的网，而是通过 Leiden 算法自动识别出语义上紧密关联的社区，形成多层级的知识组织。

这样，系统不仅能识别知识点之间的局部关系，还能发现更高层次的主题聚类。当面对宏观性问题时，系统可聚焦于社区之间的连接，提供整体性视角；当处理具体查询时，则能深入某个社区内部，沿着细粒度关系进行精准追溯。这种灵活的粒度切换，让知识检索既能站得高，也能沉得深。

**什么是 Leiden 算法？**

Leiden 是一种高效的图聚类算法，专门用于在复杂网络中发现“社区结构”。简单来说，它能自动识别出哪些节点更倾向于彼此连接，形成紧密子群。相比传统方法，Leiden 算法更快、更精确，还能确保每个节点都归属于一个有意义的社区，避免孤立或模糊分组。

### 03 对企业意味着什么？一次成本与效率的升级

技术细节之外，企业其实更关心：这对业务有什么实际价值？

Fusion GraphRAG 的核心思路不是推倒重来，而是在已有架构上做增强。这意味着企业无需废弃现有的知识库、检索系统或AI应用，就能通过升级检索层，显著提升整体智能系统的响应质量和稳定性。它保留了“基于关系检索”的优势，同时补足了企业在真实场景中遇到的关键短板：跨文档理解、多层级查询、系统可维护性。

过去，企业往往需要同时部署向量检索、关键词搜索、图谱查询等多种机制，各自为政，维护成本高，结果还难以对齐。Fusion GraphRAG 将这些能力融合在一个架构下，用图谱作为核心骨架，协调不同检索方式协同工作。这样一来，无论是查政策条文、追溯项目历史，还是分析业务趋势，系统都能用同一套逻辑应对，大幅降低技术复杂度。

从实际落地效果看：在知识查询和问答场景中，对文档的整体处理效率提升了 5 到 10 倍，人工复核和重复查询的工作量显著下降，相应地也带来了可观的运营成本节约。而这一切，并不需要额外增加模型训练或大规模数据标注。换句话说，它不是一笔新的开支，而是让已有 AI 投资物尽其用的关键一步。

目前，这一能力已集成于悦数 AI 应用平台，作为企业构建“懂业务”的智能系统的底层支撑。平台提供完整的图谱构建、融合检索与应用开发工具，支持企业快速落地 Fusion GraphRAG 架构，无论是自研 AI 应用，还是升级现有 RAG 系统，都能高效集成。

### 未来构想：构建真正“懂业务”的企业 AI 

随着企业越来越多地借助AI提升效率与创新能力，“能跨领域关联知识”的能力正变得越来越关键。很多问题本身就不局限在单一系统或部门中，如果AI只能分段查看，就很难给出真正有用的建议。

未来的企业 AI ，真正的竞争力不在于“会不会回答问题”，而在于“能不能理解问题背后的业务脉络”。企业需要的不再是孤立的智能模块，而是能看懂知识之间如何关联、变化和影响的认知底座。

Fusion GraphRAG 正是朝着这个方向迈出的重要一步。它不只帮人“找到信息”，更致力于把知识转化为可行动的洞察，让 AI 真正成为推动业务成果的协作者，而不仅仅是一个被动的应答工具。

悦数 Fusion GraphRAG 企业AI系统升级正当时！本次升级深度优化图神经网络算法，增强跨领域知识关联能力，提升实时决策响应速度。升级后系统将更精准解析复杂业务场景，为企业提供更智能、高效的一站式AI解决方案。

RAG 之后，企业 AI 需要一次“系统升级”

![图数据库构建](https://www-cdn.yueshu.cn/yueshu-website/images/share/2025-10-27.png)

在金融风控领域，客户风险画像的精准构建是识别欺诈、评估信用和管理风险的核心。随着数据量的激增和欺诈手段的不断进化，传统方法已难以应对复杂的关系网络和隐藏风险。[图数据库](https://www.yueshu.com.cn/database)与机器学习的结合，为这一挑战提供了强大的解决方案。本文将详细阐述构建精准客户风险画像的五个关键步骤。

### 第一步：多源数据整合与图谱建模

构建精准风险画像的第一步是整合多源数据并进行图谱建模。银行与金融机构拥有大量分散在核心系统、征信报告、交易流水等处的客户数据，这些数据包括客户基本信息、账户交易数据、信贷历史、征信报告等结构化数据，以及客户服务语音记录、投诉文本、社交媒体动态等非结构化数据。图数据库能够将这些异构数据统一整合，将客户、账户、设备、交易对手方等定义为“节点”，将亲属关系、资金往来、担保关系、设备共用等定义为“边”，从而构建一个全面的客户关系图谱。这种建模方式打破了数据孤岛，使得传统表格难以直接表示的复杂关联关系得以清晰呈现，为后续深度分析奠定了坚实基础。

### 第二步：图特征工程与风险指标提取

在图谱模型基础上，下一步是进行图特征工程，提取深层次的风险指标。这需要利用图数据库的原生计算能力，从复杂的关联关系中提取有意义的特征。例如，通过计算客户的度中心性（直接连接数量）、介数中心性（占据关键路径的程度）等图算法指标，可以识别出在关系网络中处于关键位置的节点。同时，可以探查是否存在担保圈（多家企业通过相互担保或连环担保形成的特殊利益体），或者通过社区发现算法识别出潜在的风险团伙。这些从图结构中提取的特征，能够揭示出传统单体特征无法捕捉的群体性风险和关联风险，极大地丰富了客户风险画像的维度。

### 第三步：机器学习模型训练与风险评估

获取图特征后，第三步是将其与传统的客户静态特征、交易行为特征等结合，利用机器学习算法训练风险评估模型。梯度提升决策树（如XGBoost、LightGBM）等算法能够处理海量特征并自动发现其中细微的非线性关系，从而更精确地预测风险。在模型训练过程中，需要关注样本不均衡问题（例如欺诈样本通常远少于正常样本），可采用SMOTE等算法生成合成样本。模型评估需综合考量AUC（模型区分正负样本的能力）、KS值（好坏样本的累计分布差）等指标。此外，可解释性人工智能（XAI）技术，如SHAP，对于理解模型决策、满足监管合规要求至关重要。

### 第四步：实时风险监测与预警系统建设

模型训练完成后，需集成到实时风险监测与预警系统中，这是第四步。该系统需要依托流处理技术构建实时数据流处理架构。当一笔交易发生时，系统能够在毫秒级别内调用图数据库查询关联关系、提取实时图特征，并输入已训练好的机器学习模型进行实时评分。一旦风险评分超过阈值，系统可自动触发预警，甚至对高风险交易进行实时拦截。这种动态防御体系能够有效应对如群控设备欺诈、快速资金转移等复杂欺诈手段，大大缩短了风险响应时间。

### 第五步：闭环反馈与模型持续优化

构建精准风险画像并非一劳永逸，最后一步是建立闭环反馈机制以实现模型的持续优化。机器学习模型会面临模型生命周期较短、欺诈手段层出不穷的挑战。因此，需要建立“模型输出-业务结果-数据更新”的反馈闭环。例如，当模型预测与实际业务结果偏差较大时，或发现新的欺诈模式时，需要重新触发模型训练流程。同时，可以利用标签传播算法等图算法，将有限已知风险标签在关系图谱上进行半监督学习扩散，从而自动发现潜在的高风险节点，扩充标注样本，实现模型的自我进化。这种持续迭代的机制确保了风险画像能够适应不断变化的现实环境。

在整个构建过程中，悦数图数据库 作为一款高性能的分布式图数据库，能够为上述步骤提供强有力的支撑。其原生图存储架构和高性能查询能力，非常适合处理大规模、深链路的关联关系分析，满足实时风险监测对低延迟的要求。同时，它对分布式部署的支持确保了系统能够随业务增长灵活扩展，而其开放的API接口则便于与各类机器学习框架和数据管道无缝集成，共同构筑一个高效、精准、可进化的智能风控系统。

借助悦数图数据库与机器学习，构建精准客户风险画像分五大步：先收集多源数据存入悦数图库，再挖掘数据关联特征，接着用机器学习算法建模，随后评估模型效果，最后将结果可视化，为风险决策提供有力支撑。