我要投稿

知识图谱技术体系(三)|图数据库的8个适用场景介绍

发布日期：2024-07-03 08:06:27 浏览次数： 1839

从我写的上篇文章《知识图谱技术体系(二)|图数据库的3点介绍》中图数据库与关系型数据库的对比发现，图数据库更适用于“数据规模大、关联跳数深、实时要求高”的场景。如下图所示，图数据库最常涉及的场景有社交网络、金融、零售、电力、电信、政企、制造、网络安全等。

在社交网络场景中，我们通过粉丝对KOL的关注、点赞、评论、转发等多种关系，快速确定和品牌调性契合度较高的KOL，从而实现精准营销。或是在好友推荐、舆情追踪等场景也可以运用关联分析的方法。

在金融场景中，我们可以使用关联分析的方法来判断信用卡欺诈团伙，具体方法是把和申请件相关的申请人、联系人、推荐人，以及他们的手机地址、邮箱，还有申请件提交时使用的设备IP、MAC、设备指纹、Cookie等信息，放到一张相互关联的网络中，就可以通过关联分析来找到异常的欺诈网络。如下图所示，在信用卡申请审批时发现同一个手机号被多人所使用，满足反欺诈异常检测的评判标准。

在金融场景中，还有一种天然的网络，就是账号之间的交易网络。过去如果想隐藏一笔资金的真实流向，最基本的操作就是把这笔资金分散成很多小的资金，然后通过账号之间的多次转手之后再汇总到目标户账户，传统的分析方法很难对这样的转账操作进行高效的追踪分析，而使用关联分析的方法就可以把资金的流向分析得一目了然。如下图所示，从源头账户转出的金额通过了多个账户之间的转账到达了最终收益账户。

当然，在金融场景中的应用案例非常多，比如股权关系，交易流水、担保圈链等场景，通过对数据的加工融合，最终存储在图数据库并可视化后，对业务人员分析有很大的帮助。

在零售环境中，我们可以通过构建商品知识图谱，并加入用户信息、用户消费信息关联商品知识图谱，从而可以实现360度的用户画像、商品的实时推荐，以及反薅羊毛等业务场景。如下图所示，根据用户历史购买的金融产品的风险信息推荐该用户相似的产品。

在电力系统中，基于发电厂、变电站、线路段开关等电气设备组成的天然的电网拓扑，可以实现电网调度的实施仿真，还有故障分析，降低由于研判时间较长带来的停电时间，并可以计算出每一度使用的电当中，清洁能源和化石能源所占比例，为企业及时调整用电结构助力。如下图所示，构建电网架构拓扑数据存储模型，能更好地满足电力系统中各方数据准确响应的需求。

在电信场景中，现在国家特别重视对电信诈骗的防范，但由于每天要产生数亿条通话和状态记录，而电信诈骗就隐藏在正常的通话记录当中，要识别他们就变得非常困难，导致破案周期大大加长，但是用图可以快速地检测出这种异常。

如下图所示，构建用户行为图谱，包括收发短信、拨打电话、访问网站等行为信息，对收到过诈骗短信后短期内访问过钓鱼网站的用户，标记为易受骗人群；将频繁向易受骗人群发送欺诈短信的用户，标记为欺诈者；将与在同一个基站下（CGI相同）、且行为类似的欺诈用户，识别为潜在欺诈团伙。

基于图数据库可以快速识别出疑似受骗行为，在欺诈损失发生前及时提醒；批量挖掘出潜在欺诈团伙，将犯罪分子一网打尽。

在政企应用的场景中，可以通过关联分析实现道路规划、智能交通。如基于图数据构建帮助物流选址，确定最佳的选址方案

在制造业领域，可以通过建立实时的供应链网络来进行供应链管理、物流优化、产品溯源。如下图所示，构建供应链网络，当出现问题时，基于图可以快速地进行遍历发现问题。

在网络安全领域，可以通过追踪成千上万个IP地址之间的调用关系，来寻找一次网络攻击的真正源头，也可以分析调用链路上的薄弱环节，防患于未然。如下图所示。

世界万物是普遍联系的，如果能够妥善地刻画和分析这些联系，我们就可以发现关联分析几乎能运用到生产生活的方方面面。前面列举的只是关联分析的一些常见场景，其应用远远不止这些，还有很多其他的场景，比如企业的股权穿透，公安的案情分析，生物医药领域的基因分析和新药研发等。

53AI，企业落地应用大模型首选服务商

产品：大模型应用平台+智能体定制开发+落地咨询服务

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

2024-07-18

Coze教程之;知识库的奥秘

2024-07-18

喂饭教程！全网首发Neo4J可视化GraphRAG索引

2024-07-17

基于graphRAG和gpt4omini的知识库与目前主流RAG的对比实验记录

2024-07-22

手把手教你构建基于知识图谱的GraphRAG之结构化数据篇【LangChain+Neo4j】

2024-07-11

Storm AI：4.9k 星星！斯坦福开源免费AI工具可以将主题转换为长篇文章（Perplexity Pages平替）

2024-07-11

重磅 - 微软官宣正式在GitHub开源GraphRAG

2024-07-03

大语言模型和知识图谱结合的知识库（开篇）

2024-07-13

GraphRAG+Ollama 结合上市公司知识图谱的LLM分析

2024-07-19

Graph Maker：轻松使用开源大模型将文本转为知识图谱，发现新知识！

2024-06-06

大家都在问

什么是矢量数据库(VectorDB)？为什么它对大语言模型(LLM)很重要？

2024-09-08

什么是 Neo4j LLM 知识图谱构建器？

2024-09-05

Neo4j + LangChain：如何构建基于知识图谱的最强RAG系统？

2024-08-27

政务大模型应用产业链剖析和各省市典型案例

2024-08-26

向量数据库有什么不同，企业应该怎么选择？

2024-08-24

【下】深入Microsoft GraphRAG之查询阶段：基于Neo4j自定义实现检索与生成

2024-08-22

从原理到实践，GraphRAG 如何提升 LLM 的摘要总结能力？

2024-08-19

HybridRAG: 融合知识图谱和向量检索的新型信息提取方法

2024-08-18

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制

相关资讯