352
3
0
2024-12-16 16:08:57
2024-12-16
https://cloud.tencent.com/developer/article/2466297
大模型輔助下奶業金融風險預警事件圖譜構建方法研究
來自內蒙古大學計算機學院教師，博士、研究生導師——安春燕為我們重點介紹了“針對奶業金融風險預警事件圖譜“
講師演講視頻鏈接：https://www.bilibili.com/video/BV1PamXYUEqe/?
奶業金融預警事件圖譜構建流程涵蓋多方面：
1. 使用 SPG-Builder（數據導入與實例構建）將 CSV 文件導入系統，生成事件實例并將其映射到圖譜中。
2. 包括對實體（如自然人、企業）、事件（原子事件、預警事件）、概念（如企業分類、行政區域等）的知識建模。使用 SPG-Schema 將不同的元素組織起來，形成清晰的圖譜結構，支持復雜事件的定義和查詢。
3. 規則定義與推理規則模塊：用于定義圖譜內的規則，如事件之間的“belongTo”和“leadTo”關系。SPG-Reasoner：通過加載規則，實現事件推理與傳導，輔助自動生成風險預警事件節點。
4. 圖譜構建與前端系統。事件圖譜構建：結合 SPG 組件，生成并擴展奶業金融風險預警事件圖譜。前端可視化系統：支持圖譜的可視化展示、查詢功能以及規則的修改，便于用戶進行交互和分析。
在奶業金融風險預警事件圖譜構建中，KAG+LLM 雙重驅動發揮著關鍵作用。
首先是 LLM 友好的知識表示，利用 KAG 的知識抽取、屬性標化和語義對齊技術，融合原始業務數據與專家規則至圖譜。且圖結構與原文片段互索引，便于追溯風險來源，增強解釋性分析；
LLM 輔助下的事件抽取意義重大。以特定指令引導模型，如 GLM - 4，從文本中精準抽取符合 schema 的事件，經 LoRA 微調、數據增強等手段，有效提升抽取的準確性與完整性；基本三元組抽取同樣依賴 LLM，像 Baichuan2 - 13B - base 等模型，從文本識別實體，經數據增強和微調階段，不斷優化抽取能力，為圖譜構建提供基礎元素。
此外，還包括事件對齊 & 事件更新、知識圖譜推理以及基于 EG+LLM 的預警策略解釋生成等任務。通過這些技術，能更全面地捕捉奶業金融領域事件信息，提升圖譜質量，從而更精準地進行風險預警，為奶業金融風險管理提供有力支持。
