第 1 章 緒論 1
1.1 圖立方的提出背景 1
1.1.1 大規(guī)模圖數(shù)據(jù)管理系統(tǒng) 1
1.1.2 大規(guī)模知識圖譜智能挖掘與推理系統(tǒng) 2
1.1.3 金融大數(shù)據(jù)智能分析平臺 3
1.2 圖立方的基本概念 3
1.2.1 傳統(tǒng)圖模型的缺點 4
1.2.2 時序圖模型的特點 4
1.2.3 圖立方能解決的科學與技術問題 5
1.3 圖立方的基本功能 6
1.3.1 圖立方的構建與融合 6
1.3.2 圖立方的實時查詢與智能分析 6
1.3.3 金融圖立方的規(guī)則挖掘與推理 7
1.3.4 金融圖立方的輿情分析與風險防控 7
1.3.5 金融圖立方查詢與分析平臺 8
第 2 章 圖立方的表達與存儲 9
2.1 圖立方的表達 9
2.1.1 知識圖譜表達模型 9
2.1.2 知識圖譜數(shù)據(jù)庫 12
2.1.3 多元時序表達模型和存儲結構 14
2.2 圖立方的數(shù)據(jù)劃分算法 18
2.2.1 背景概述 19
2.2.2 系統(tǒng)架構 19
2.2.3 分布式并行圖劃分算法 22
2.3 圖立方的多版本存儲技術 25
2.3.1 背景概述 26
2.3.2 日志結構累積更新 27
2.3.3 最終根最優(yōu)根雙向回溯 29
本章參考文獻 32


第 3 章 圖立方的抽取與融合 35
3.1 基于語義增強的超關系抽取模型 35
3.1.1 背景概述 35
3.1.2 基于語義增強的超關系抽取模型 37
3.1.3 實驗驗證 42
3.2 基于多任務的時序關系抽取技術 44
3.2.1 背景概述 44
3.2.2 時序推理增強的多任務事件-關系聯(lián)合抽取 45
3.2.3 實驗驗證 48
3.3 基于實體消歧的圖立方知識增量更新方法 50
3.3.1 背景概述 50
3.3.2 基于束搜索的全局實體消歧 52
3.3.3 實驗驗證 54
3.4 基于圖神經(jīng)網(wǎng)絡的知識圖譜融合技術 56
3.4.1 背景概述 56
3.4.2 基于圖神經(jīng)網(wǎng)絡的時間關系感知實體對齊方法 56
3.4.3 模型學習 58
3.4.4 實驗驗證 58
本章參考文獻 59
第 4 章 圖立方的查詢處理 62
4.1 面向原生超圖的查詢系統(tǒng) 62
4.1.1 背景需求 62
4.1.2 系統(tǒng)設計實現(xiàn) 63
4.2 面向時序超圖的查詢系統(tǒng) 72
4.2.1 時序知識圖譜查詢系統(tǒng) 72
4.2.2 時序超圖查詢系統(tǒng) 78
4.3 面向圖立方的查詢優(yōu)化 80
4.3.1 背景需求 80
4.3.2 異構系統(tǒng)的系統(tǒng)架構 82
4.3.3 異構系統(tǒng)的索引構建 84
4.3.4 異構系統(tǒng)的查詢處理 86
4.4 面向圖立方的匹配查詢 90
4.4.1 穩(wěn)定匹配查詢 91
4.4.2 基于剪枝的在線查詢 93
4.4.3 基于索引的查詢處理 97
4.5 面向圖立方的概要查詢 104


4.5.1 概要查詢 104
4.5.2 屬性圖立方的索引 108
4.5.3 屬性圖立方的實例化 111
本章參考文獻 112
第 5 章 圖立方的分析引擎 113
5.1 面向圖立方的分析引擎設計 113
5.1.1 分布式圖數(shù)據(jù)結構 113
5.1.2 分布式圖采樣引擎 116
5.1.3 圖神經(jīng)網(wǎng)絡訓練與推理引擎 119
5.2 面向圖立方分析引擎的軟硬件協(xié)同優(yōu)化 123
5.2.1 圖神經(jīng)網(wǎng)絡采樣訓練問題分析 123
5.2.2 空分復用訓練方法 125
5.2.3 預采樣緩存策略 129
5.3 面向圖立方分析引擎的動態(tài)負載均衡技術 130
5.3.1 圖數(shù)據(jù)遷移概述 130
5.3.2 圖數(shù)據(jù)遷移設計與實現(xiàn) 133
本章參考文獻 139
第 6 章 圖立方的規(guī)則挖掘 141
6.1 時序環(huán)規(guī)則挖掘 141
6.1.1 問題定義 141
6.1.2 傳統(tǒng)方法 142
6.1.3 基于圖立方的算法 144
6.2 頻繁子圖模式挖掘 149
6.2.1 問題定義 150
6.2.2 傳統(tǒng)方法 151
6.2.3 基于圖立方的算法 153
6.3 周期子模式挖掘 156
6.3.1 問題定義 156
6.3.2 傳統(tǒng)方法 159
6.3.3 基于圖立方的算法 162
本章參考文獻 171
第 7 章 圖立方的推理歸納 172
7.1 圖立方表示學習 172
7.1.1 問題定義 172
7.1.2 傳統(tǒng)方法 173
7.1.3 圖立方表示學習 178
7.2 圖立方超關系預測 182
7.2.1 問題定義 182
7.2.2 傳統(tǒng)方法 183
7.2.3 圖立方超關系預測 188
7.3 圖立方子圖表示學習 194
7.3.1 問題定義 194
7.3.2 傳統(tǒng)方法 194
7.3.3 基于域流的圖分類框架 198
本章參考文獻 201
第 8 章 基于圖立方的金融輿情分析 203
8.1 基于圖立方的金融輿情主題檢測 203
8.1.1 問題概述 203
8.1.2 經(jīng)典算法 204
8.1.3 基于圖立方的金融輿情主題檢測方法 205
8.2 基于圖立方的金融輿情情感分析 207
8.2.1 問題概述 207
8.2.2 基于文本的情感分析方法 207
8.2.3 基于多模態(tài)的情感分析方法 210
8.2.4 基于圖立方的金融情感分析方法 214
8.3 基于圖立方的金融輿情傳播路徑預測 215
8.3.1 問題概述 215
8.3.2 時序輿情傳播路徑挖掘 215
8.3.3 基于圖立方的輿情傳播路徑挖掘 216
本章參考文獻 218
第 9 章 基于圖立方的金融風險預測 221
9.1 基于圖立方的金融風險辨識模型 221
9.1.1 問題概述 221
9.1.2 傳統(tǒng)金融風險辨識模型 222
9.1.3 基于圖結構的金融風險辨識方法 226
9.1.4 基于圖立方的金融風險辨識方法 229
9.2 基于數(shù)據(jù)的金融風險預警方法 230
9.2.1 基于知識圖譜的金融風險預警方法 230
9.2.2 基于圖立方的金融風險預警方法 232
9.3 可解釋的金融風險預警方法 235
9.3.1 背景知識 235


9.3.2 基于圖立方的雙驅(qū)動風險預警方法 237
本章參考文獻 240
第 10 章 基于圖立方的金融風險防控案例 244
10.1 金融風控大腦關鍵技術 244
10.1.1 基于金融圖立方的數(shù)據(jù)匯聚技術 244
10.1.2 基于金融圖立方的聯(lián)邦分布式技術 246
10.1.3 基于金融圖立方的時序股權穿透技術 249
10.1.4 基于金融圖立方的關鍵圖結構識別技術 258
10.1.5 基于金融圖立方的輿情風險預測技術 268
10.2 金融風控大腦應用驗證案例 277
10.2.1 基于圖立方的商業(yè)票據(jù)欺詐識別方法 277
10.2.2 基于圖立方的發(fā)債企業(yè)風險評估方法 281
10.2.3 基于圖立方的銀行信貸風險管控方法 286
本章參考文獻 290