知识推理引擎在金融行业的落地

推理能力是人类智能的重要特征，一般的推理通常需要一些规则的支持。知识图谱通过三元组（实体、属性、值）将知识互相连接起来，基于三元组的结构实现知识推理，从已有的知识中发现隐含的信息。例如“小明的妻子的孩子叫糖糖“可以推理出”小明的孩子叫糖糖。三元组形式的数据是结构化的数据，金融行业的数据具有结构化的特征，很多金融机构都有自己的产品知识库。本文就以证券公司为例，介绍竹间的知识推理引擎的能力。01 准备数据知识图谱的数据必须为结构化的数据，因此数据需要梳理和清洗。数据有多种上传方式，客户可通过EXCEL上传（如下图），或者调用批量接口上传，即客户可以把自己知识库中的知识清洗后通过接口来上传。

金融行业的数据一个显著特点是高度动态性，因此需要考虑知识的时效性。竹间的知识推理引擎支持属性为接口类型，当机器人识别到用户问实体的接口类型的属性时，数据会实时查询的。例如查询基金的最新净值，则最新净值这个属性的类型可设置为接口类型。

训练和测试模型

知识推理引擎是通过语料来训练模型，并可以通过测试模型来不停的迭代模型。训练得到的结果反馈到数据测试的过程中去，边学习边调整。数据训练发布后，不需要做额外的操作，不需要再创建任何槽位，竹间的知识推理引擎就可以实现基本的推理功能。

推理引擎实现的功能

基于实体的查询和推理
可实现通过属性值进行反查，查询出实体后再查询该实体的其他属性。例如，用户问：管理费最小的基金的基金经理？用户问：华夏成长混合的基金经理的当前所在公司是什么？

基于属性的查询推理
可通过属性值的数值范围，最大最小等来查询实体。例如，用户问：管理费率最小的是哪只基金用户问：产品分类为公募基金，基金风格属性为偏股型的是哪只？

基于上下文查询
知识推理引擎可继承实体，也可继承属性，通过继承来实现上下文功能，使得对话更智能，更流畅。
以上是推理引擎实现的基本功能，不需要复杂的操作即可实现知识的推理。金融行业是知识推理引擎一个重要的应用场景，同时还有很多其他领域可以用知识推理引擎来实现推理功能，例如医疗，物流等。同时竹间正在探索知识抽取，语义搜索等多个知识图谱技术方向，会在以后的文章中进行介绍。