首發(fā)于知乎專(zhuān)欄知識(shí)圖譜和智能問(wèn)答，作者為量子胖比特。

---

背景

　　歷史上，多數(shù)企業(yè)級(jí)應(yīng)用都運(yùn)行在一個(gè)關(guān)系型數(shù)據(jù)庫(kù)上（RDBMS），近年來(lái)，隨著數(shù)據(jù)存儲(chǔ)技術(shù)的飛速發(fā)展，關(guān)系型數(shù)據(jù)庫(kù)在靈活性和可伸縮性方面不再處于壟斷地位。NoSQL 作為一組迅速崛起的數(shù)據(jù)存儲(chǔ)技術(shù)，用于解決關(guān)系型數(shù)據(jù)庫(kù)在多變的應(yīng)用場(chǎng)景下的性能限制，目前包含如下幾種類(lèi)型：

• 鍵值型，如 Redis 或 Riak

• 列型，如 HBase 或 Cassandra

• 文檔型，如 MongoDB 或 CouchDB

• 圖型，如 Neo4j 或 GraphDB

　　這些數(shù)據(jù)庫(kù)各有自己擅長(zhǎng)的領(lǐng)域，都在恒昌有著非常廣泛的應(yīng)用場(chǎng)景。尤其是圖數(shù)據(jù)庫(kù)，作為恒昌知識(shí)圖譜的底層存儲(chǔ)方案，是多方數(shù)據(jù)的知識(shí)融合及提煉后進(jìn)行匯聚的場(chǎng)所，為恒昌豐富的產(chǎn)品線(xiàn)與數(shù)據(jù)技術(shù)間的承轉(zhuǎn)起著重要作用。

圖數(shù)據(jù)庫(kù)

簡(jiǎn)介

　　圖數(shù)據(jù)庫(kù)中的“圖”，取自數(shù)學(xué)中的一個(gè)分支——“圖論”。在圖論中，“圖”代表的是一種數(shù)據(jù)結(jié)構(gòu)，形式上，其實(shí)就是“頂點(diǎn)”和“邊”的集合，用更為通俗地語(yǔ)言來(lái)講，圖通常具備如下特征：

• 由節(jié)點(diǎn)和邊構(gòu)成；

• 節(jié)點(diǎn)可以有屬性（通常以鍵值對(duì)的方式出現(xiàn)）；

• 邊可以有方向，并總是有一個(gè)開(kāi)始節(jié)點(diǎn)和一個(gè)結(jié)束節(jié)點(diǎn)；

• 邊也可以有屬性。

　　圖數(shù)據(jù)庫(kù)就是利用圖的特性來(lái)對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)管理，并對(duì)傳統(tǒng)圖的概念進(jìn)行了擴(kuò)展。越來(lái)越成熟的數(shù)據(jù)模型，使得利用事物（即“節(jié)點(diǎn)”或“實(shí)體”）及事物之間的聯(lián)系（即“邊”或“關(guān)系”）來(lái)對(duì)各類(lèi)業(yè)務(wù)場(chǎng)景進(jìn)行抽象變得更加容易。也正因?yàn)閳D數(shù)據(jù)庫(kù)基于圖論的理論和算法實(shí)現(xiàn)，相對(duì)于關(guān)系型數(shù)據(jù)庫(kù)，它也更擅于處理網(wǎng)狀的復(fù)雜關(guān)系。

　　圖數(shù)據(jù)庫(kù)有多種實(shí)現(xiàn)，它們通常都支持對(duì)圖數(shù)據(jù)模型的增、刪、改、查（CRUD）方法，并較多地用于事務(wù)（OLTP）系統(tǒng)中被應(yīng)用系統(tǒng)實(shí)時(shí)訪(fǎng)問(wèn)。圖數(shù)據(jù)庫(kù)所涉及的核心技術(shù)主要包括兩層：

底層存儲(chǔ)；大體上它們可以分為“原生圖存儲(chǔ)”和“非原生圖存儲(chǔ)”。原生圖存儲(chǔ)會(huì)針對(duì)圖的鏈?zhǔn)教崛∵M(jìn)行優(yōu)化，在事務(wù)性方面會(huì)有較強(qiáng)的保障；非原生圖存儲(chǔ)，一般會(huì)將圖數(shù)據(jù)序列化，然后將數(shù)據(jù)存儲(chǔ)到某種特定的 NoSQL 系統(tǒng)（比如鍵值型或列型數(shù)據(jù)庫(kù)），甚至是其他通用的數(shù)據(jù)存儲(chǔ)中。

處理引擎；處理引擎的實(shí)現(xiàn)，在一定程序上依賴(lài)于底層存儲(chǔ)。原生圖存儲(chǔ)模型通常會(huì)使用“免索引鄰接”，這通常是指關(guān)聯(lián)節(jié)點(diǎn)在數(shù)據(jù)庫(kù)里面是物理意義上指向彼此的；而很多采用非原生圖存儲(chǔ)模型的圖數(shù)據(jù)庫(kù)系統(tǒng)會(huì)選擇以分布式的方式實(shí)現(xiàn)，它們更適用于大數(shù)據(jù)量下的聯(lián)機(jī)分析處理（OLAP）。

　　目前市場(chǎng)上常見(jiàn)的一些圖數(shù)據(jù)庫(kù)可以參考下圖 ，橫軸越往右表示其底層存儲(chǔ)更偏向原生圖的方式，縱軸越往上表示其計(jì)算引擎更傾向以原生圖的方式來(lái)處理數(shù)據(jù)。

Neo4j

　　恒昌廣泛使用 Neo4j 作為知識(shí)圖譜底層圖數(shù)據(jù)持久化的方案，并基于其優(yōu)異的事務(wù)能力對(duì)業(yè)務(wù)團(tuán)隊(duì)提供實(shí)時(shí)的數(shù)據(jù)查詢(xún)能力，除此外還在 Titan、Gaffer 等分布式圖數(shù)據(jù)庫(kù)或計(jì)算引擎上有著深入的研究。Neo4j 是目前最成熟的圖數(shù)據(jù)庫(kù)之一，毫無(wú)疑問(wèn)也是最流行的。它無(wú)論在事務(wù)、性能，還是安全性、可靠性等角度，都能比擬現(xiàn)存最優(yōu)秀的數(shù)據(jù)庫(kù)系統(tǒng)，有些特性甚至更為優(yōu)秀。下圖顯示了它在所有圖數(shù)據(jù)庫(kù)系統(tǒng)中的優(yōu)勢(shì)。

　　Neo4j 提供了對(duì) ACID（原子性、一致性、隔離性、持久性）的完整支持，并且優(yōu)雅地實(shí)現(xiàn)了“免索引鄰接”。這使其在處理 N 度關(guān)系的時(shí)候能夠“得心應(yīng)手”，當(dāng)伴隨著附加的處理?xiàng)l件時(shí)，優(yōu)勢(shì)尤為明顯。以恒昌客戶(hù)在 Neo4j 中的數(shù)據(jù)模型為例來(lái)分析一次一度關(guān)系的提取，任意兩個(gè)有關(guān)聯(lián)的恒昌客戶(hù)及他們之間的關(guān)系在 Neo4j 中典型的物理存儲(chǔ)結(jié)構(gòu)可以參考下圖。

　　將上面的案例簡(jiǎn)單地?cái)U(kuò)展一下，從一個(gè)借款客戶(hù)出發(fā)，提取其周邊三層關(guān)系以?xún)?nèi)的聯(lián)系人在恒昌是否有借款以及具體的借款狀態(tài)是非常有意義的，因?yàn)閺纳鐣?huì)網(wǎng)絡(luò)分析的角度來(lái)講，這些信息可以一定程度上刻畫(huà)該借款人的信用或欺詐風(fēng)險(xiǎn)。目前此類(lèi)操作可以做到毫秒級(jí)響應(yīng)（未優(yōu)化的測(cè)試數(shù)據(jù)約為25毫秒左右），這正是因?yàn)?Neo4j 中每一層關(guān)系都是物理意義上的指針連接；相同的操作，在關(guān)系型數(shù)據(jù)庫(kù)里面，需要基于聯(lián)系人關(guān)系表分別進(jìn)行一級(jí)、兩級(jí)、三級(jí)表關(guān)聯(lián)操作，并將取得的結(jié)果合并、排重，這組操作即使進(jìn)行了有針對(duì)性的優(yōu)化，仍舊非常耗時(shí)。

圖數(shù)據(jù)庫(kù)在恒昌的應(yīng)用

　　從數(shù)據(jù)規(guī)模來(lái)看，目前我們的圖數(shù)據(jù)庫(kù)已經(jīng)融合了多方數(shù)據(jù)，包括業(yè)務(wù)系統(tǒng)主要產(chǎn)品線(xiàn)各階段的數(shù)據(jù)、用戶(hù)授權(quán)數(shù)據(jù)等。這些數(shù)據(jù)形成的實(shí)體規(guī)模已過(guò)億，所形成的關(guān)系更是多達(dá)數(shù)億。隨著恒昌產(chǎn)品越來(lái)越豐富，以及用戶(hù)對(duì)恒昌平臺(tái)越來(lái)越信任，這個(gè)數(shù)據(jù)還在持續(xù)高速增長(zhǎng)；從數(shù)據(jù)產(chǎn)品來(lái)看，基于圖數(shù)據(jù)庫(kù)開(kāi)發(fā)的知識(shí)圖譜正在發(fā)揮著越來(lái)越大的作用，目前已經(jīng)上線(xiàn)或待上線(xiàn)的產(chǎn)品覆蓋了客戶(hù)失聯(lián)修復(fù)、反欺詐規(guī)則引擎、欺詐團(tuán)伙調(diào)查等，近期還會(huì)覆蓋風(fēng)險(xiǎn)預(yù)警、獲客等方向。

欺詐團(tuán)伙調(diào)查

　　數(shù)據(jù)科學(xué)領(lǐng)域有名名言叫“一圖勝千言”。圖數(shù)據(jù)庫(kù)的優(yōu)勢(shì)在于能通過(guò)“實(shí)體”和“關(guān)系”這種簡(jiǎn)單直觀的描述方法來(lái)表述現(xiàn)實(shí)世界中錯(cuò)綜復(fù)雜的關(guān)聯(lián)關(guān)系。然而，圖數(shù)據(jù)庫(kù)呈現(xiàn)信息的方式，并不限于簡(jiǎn)單的節(jié)點(diǎn)和邊。它可以提供逐層挖掘的方式，引導(dǎo)用戶(hù)逐步深入分析各種關(guān)系；還可以快速及時(shí)地呈現(xiàn)實(shí)體之間最新的關(guān)系變化，為用戶(hù)積累新鮮的知識(shí)和經(jīng)驗(yàn)；也可以清晰地呈現(xiàn)復(fù)雜關(guān)系間的聯(lián)絡(luò)線(xiàn)索，為用戶(hù)判斷事件來(lái)龍去脈提供有效引導(dǎo)。此處，我們?nèi)匀灰院悴目蛻?hù)為例，參考下圖中的客戶(hù)徐某（因數(shù)據(jù)安全的原因，部分信息作了涂抹，并對(duì)原有圖結(jié)構(gòu)進(jìn)行了簡(jiǎn)化），如果僅考慮該客戶(hù)自己填寫(xiě)的信息，雖然我們也能看到一度關(guān)聯(lián)信息，但完全看不出該結(jié)構(gòu)會(huì)有什么問(wèn)題，也無(wú)法進(jìn)行深入調(diào)查。

　　當(dāng)關(guān)聯(lián)信息得到補(bǔ)充（相對(duì)于原來(lái)的進(jìn)件聯(lián)系人，補(bǔ)充了同事、鄰居、親屬、朋友等關(guān)系，還基于用戶(hù)授權(quán)數(shù)據(jù)進(jìn)行了深度擴(kuò)展）后，暫不考慮物品（如手機(jī)號(hào)、銀行賬號(hào)、地址等），僅考慮自然人，獲取徐某二度關(guān)系內(nèi)同時(shí)在恒昌有借款行為的用戶(hù)，得到下圖（基于同樣原因數(shù)據(jù)有涂抹及簡(jiǎn)化）的結(jié)果，該圖每一個(gè)圓都代表一位恒昌客戶(hù)，圖頂部的狀態(tài)說(shuō)明了客戶(hù)當(dāng)前所處狀態(tài)。仔細(xì)觀察左下角以徐某為中心的四個(gè)客戶(hù)（已用紅框標(biāo)出），他們剛好是所呈現(xiàn)圖的最大完全子圖，符合圖論中團(tuán)的定義。再看除徐某外的三個(gè)客戶(hù)：兩個(gè)逾期，一個(gè)被拒。如果徐某是新入圖數(shù)據(jù)庫(kù)的借款人，從數(shù)學(xué)模型的角度看，幾乎可以直接判定拒絕。因?yàn)榉线@種狀態(tài)的團(tuán)，是欺詐團(tuán)伙或是組團(tuán)代辦的幾率非常大。

　　到這時(shí)工作并未完結(jié)，如果有需要，可以基于圖中的關(guān)系嘗試與幾位客戶(hù)聯(lián)系以進(jìn)行深入背景調(diào)查證實(shí)，調(diào)查的結(jié)論可以融合到圖數(shù)據(jù)庫(kù)中形成數(shù)據(jù)閉環(huán)，直接改善后續(xù)自動(dòng)化預(yù)警的結(jié)果。

風(fēng)險(xiǎn)事件預(yù)警

　　盡管欺詐團(tuán)伙調(diào)查能取得很不錯(cuò)的效果，但因?yàn)槠淇赡苄枰{(diào)查員隨時(shí)聯(lián)系客戶(hù)或其周邊人群以驗(yàn)證調(diào)查員的的推論，因此整體成本還是相當(dāng)高的。為了解決這個(gè)問(wèn)題，基于模型的風(fēng)險(xiǎn)事件預(yù)期就應(yīng)聲而出了。如果說(shuō)欺詐團(tuán)伙調(diào)查是主動(dòng)出擊，則風(fēng)險(xiǎn)事件預(yù)警更像是被動(dòng)防御。她隨時(shí)守護(hù)著恒昌的客戶(hù)群體，一旦有判定的風(fēng)險(xiǎn)事件就會(huì)警告相關(guān)方，必要的時(shí)候可以自動(dòng)向調(diào)查員提請(qǐng)欺詐團(tuán)伙調(diào)查。

　　風(fēng)險(xiǎn)事件預(yù)警會(huì)通過(guò)模型生成一組類(lèi)似上述欺詐團(tuán)伙調(diào)查中出現(xiàn)的場(chǎng)景，但給每一個(gè)場(chǎng)景一個(gè)相對(duì)低一些的初始置信度，后期通過(guò)不斷地反饋迭代來(lái)優(yōu)化置信度。當(dāng)一個(gè)新客戶(hù)到來(lái)之后，首先會(huì)將其信息整合到知識(shí)圖譜中。緊接著，該客戶(hù)會(huì)被規(guī)則引擎捕捉到，規(guī)則引擎會(huì)基于客戶(hù)信息從知識(shí)圖譜中提取一組特征，由該特征決定了引擎首先會(huì)觸發(fā)哪些場(chǎng)景，而這些場(chǎng)景的結(jié)論可能導(dǎo)致規(guī)則引擎又觸發(fā)另外一組場(chǎng)景。在滿(mǎn)足特定條件下，最終結(jié)果輸出，如果有相應(yīng)的風(fēng)險(xiǎn)事件被觸發(fā)則信息會(huì)送達(dá)相關(guān)團(tuán)隊(duì)。

　　風(fēng)險(xiǎn)事件預(yù)警最有意思的地方在于，一個(gè)新客戶(hù)的到來(lái)，可能會(huì)導(dǎo)致一個(gè)早先客戶(hù)的風(fēng)險(xiǎn)事件被觸發(fā)。這主要是因?yàn)樾驴蛻?hù)融入到知識(shí)圖譜中時(shí)帶進(jìn)的新數(shù)據(jù)，可能會(huì)讓圖譜中的某些子網(wǎng)的結(jié)構(gòu)發(fā)生徹底的改變。我們目前采用一組啟發(fā)式的算法來(lái)擴(kuò)展新進(jìn)客戶(hù)的影響，效果顯著。這同時(shí)也意味著，風(fēng)險(xiǎn)事件預(yù)警并非只針對(duì)貸前風(fēng)險(xiǎn)事件，還會(huì)對(duì)貸后風(fēng)險(xiǎn)事件作為預(yù)警。比如觸發(fā)了某個(gè)老客戶(hù)的潛在逾期風(fēng)險(xiǎn)時(shí)，就可以引導(dǎo)相關(guān)團(tuán)隊(duì)提前關(guān)注，在情況惡化前及時(shí)止損。具體的技術(shù)細(xì)節(jié)不再贅述。

失聯(lián)信息修復(fù)

　　眾所周知，互聯(lián)網(wǎng)金融的核心是風(fēng)險(xiǎn)控制。無(wú)論屬于何種風(fēng)險(xiǎn)，最終極的形態(tài)就是“人間蒸發(fā)”，行話(huà)即“客戶(hù)失聯(lián)”。首先，“失聯(lián)”是要盡量避免的。如果客戶(hù)奔著欺詐而來(lái)，那幾乎也注定了后續(xù)無(wú)法聯(lián)系上，姑且讓我們稱(chēng)此類(lèi)失聯(lián)為“第一類(lèi)失聯(lián)”；其次，“失聯(lián)”是無(wú)法完全避免的，主要是因?yàn)槭?lián)的“成本”很低，很多客戶(hù)受到一點(diǎn)挫折就可能游走在“消失”與“不消失”的邊緣。即使客戶(hù)自身“消失”的意愿不高，換個(gè)手機(jī)號(hào)、搬個(gè)家、換個(gè)公司都有可能導(dǎo)致客戶(hù)及其聯(lián)系人完全聯(lián)系不上，讓我們稱(chēng)此類(lèi)除第一類(lèi)失聯(lián)之外的為“第二類(lèi)失聯(lián)”。原則上，如果反欺詐做得好，“第一類(lèi)失聯(lián)”是不應(yīng)該出現(xiàn)的。而對(duì)于第二類(lèi)失聯(lián)，則恰恰是圖數(shù)據(jù)庫(kù)大展身手的地方。

　　將圖數(shù)據(jù)庫(kù)應(yīng)用于失聯(lián)修復(fù)是非常直接而自然的，因?yàn)閳D數(shù)據(jù)庫(kù)的特點(diǎn)就是其在數(shù)據(jù)豐富的條件下，能非常方便地進(jìn)行各類(lèi)關(guān)系的提取。恒昌的失聯(lián)修復(fù)項(xiàng)目結(jié)合了知識(shí)圖譜（基于圖數(shù)據(jù)庫(kù)）及傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)，前者作為修復(fù)策略的具體聯(lián)系方式來(lái)源；后者作為策略有效性的評(píng)估依據(jù)。目前我們能做到失聯(lián)客戶(hù)實(shí)時(shí)修復(fù)，修復(fù)專(zhuān)員完成具體操作后會(huì)有相應(yīng)的備注及日志信息，這些數(shù)據(jù)會(huì)被實(shí)時(shí)收集用于改進(jìn)修復(fù)策略。本文僅拿眾多策略中較為容易理解的一條來(lái)略作說(shuō)明，這條策略主要是從圖數(shù)據(jù)庫(kù)中提取和失聯(lián)客戶(hù)處于同一公司，且當(dāng)前住址與失聯(lián)客戶(hù)接近的用戶(hù)作為修復(fù)中間人。雖然是一條簡(jiǎn)單的策略，但深入考慮一下，會(huì)發(fā)現(xiàn)國(guó)內(nèi)有很多規(guī)模不小的工廠會(huì)吸引周邊村子的人去工作，而這些村子可能本身規(guī)模也不小，這樣的話(huà)修復(fù)中間人不見(jiàn)得認(rèn)識(shí)失聯(lián)人。因此這條簡(jiǎn)單的策略背后會(huì)也會(huì)有一個(gè)啟發(fā)式算法，通過(guò)公司/工廠的規(guī)模來(lái)調(diào)整當(dāng)前住址需要匹配的粒度（比如，是到村、到組、還是得具體到門(mén)牌相鄰）。更進(jìn)一步地，如果在此基礎(chǔ)之上，修復(fù)中間人和失聯(lián)人有過(guò)通話(huà)記錄往來(lái)或是有通訊錄關(guān)聯(lián)（事實(shí)的條件遠(yuǎn)比這個(gè)復(fù)雜），就大幅增加了該修復(fù)中間人的置信度，甚至可以基于此條件在圖數(shù)據(jù)庫(kù)查詢(xún)過(guò)程中提前中止，直接返回相關(guān)結(jié)論。以上操作基于圖數(shù)據(jù)庫(kù)可以將數(shù)據(jù)一次取出再進(jìn)行處理，基本是毫秒級(jí)響應(yīng)，如果觸發(fā)了提前中止，耗時(shí)可能更短；但如果基于關(guān)系型數(shù)據(jù)庫(kù)，首先會(huì)涉及多張業(yè)務(wù)表的檢索、關(guān)聯(lián)；其次，還可能按照初次處理結(jié)果多次連接數(shù)據(jù)庫(kù)，造成數(shù)據(jù)庫(kù)資源的浪費(fèi)。

獲客

　　這部分主要談“開(kāi)源節(jié)流”中的“開(kāi)源”。互聯(lián)網(wǎng)金融的出現(xiàn)，加速暴露了中國(guó)長(zhǎng)期以來(lái)以銀行為核心的金融體系形成的弊端。由于銀行獨(dú)特運(yùn)營(yíng)特征，讓資金的融通出現(xiàn)了供給與需求較為嚴(yán)重的錯(cuò)配現(xiàn)象，在銀行的金融體系中較為較為青睞的貸款客戶(hù)很多壓根都用不著貸款。而對(duì)于大多數(shù)真正需要借款作為資金周轉(zhuǎn)的人往往很難達(dá)到銀行所需的借款資質(zhì)。

　　圖數(shù)據(jù)庫(kù)在商品推薦場(chǎng)景下的應(yīng)用已然非常成熟，但主要集中在電商行業(yè)。我們采用的方案有兩個(gè)步驟，第一步是自動(dòng)識(shí)別優(yōu)質(zhì)客戶(hù)，采用 Bootstrap 方法，基于一組種子優(yōu)質(zhì)客戶(hù)進(jìn)行多次迭代以擴(kuò)展優(yōu)質(zhì)客戶(hù)。這個(gè)過(guò)程的特點(diǎn)是除了客戶(hù)自身屬性特征，還會(huì)基于圖數(shù)據(jù)庫(kù)提取基于社會(huì)網(wǎng)絡(luò)分析的特征；第二步是基于圖數(shù)據(jù)庫(kù)挖掘較高置信度的優(yōu)質(zhì)客戶(hù)周邊人群，將滿(mǎn)足特定模式條件人作為潛在客戶(hù)，兩個(gè)步驟各自都有嚴(yán)格的評(píng)估標(biāo)準(zhǔn)以保準(zhǔn)最終效果。

總結(jié)

　　在實(shí)際的應(yīng)用架構(gòu)中，通常會(huì)混合使用多種數(shù)據(jù)庫(kù)，以利用它們各自的特點(diǎn)來(lái)創(chuàng)建一個(gè)數(shù)據(jù)生態(tài)系統(tǒng)。對(duì)于恒昌而言，業(yè)務(wù)系統(tǒng)的高效及事務(wù)特征會(huì)讓關(guān)系型數(shù)據(jù)庫(kù)繼續(xù)出彩；大規(guī)模的用戶(hù)授權(quán)數(shù)據(jù)可能會(huì)讓我們?cè)诘讓优渖戏植际降牧惺酱鎯?chǔ)或鍵值存儲(chǔ)庫(kù)；但回歸根本，恒昌期望為客戶(hù)提供優(yōu)異的財(cái)富管理及借款信息咨詢(xún)與服務(wù)，就需要優(yōu)秀的風(fēng)險(xiǎn)控制作保障。而這，恰恰也是圖數(shù)據(jù)庫(kù)能最大程度發(fā)揮價(jià)值的領(lǐng)域之一。我們長(zhǎng)久以來(lái)踐行將“風(fēng)險(xiǎn)控制”作為平臺(tái)生命線(xiàn)，致力于以先進(jìn)的金融創(chuàng)新技術(shù)護(hù)航平臺(tái)安全，以知識(shí)圖譜等最前沿的高新技術(shù)鑄風(fēng)控之盾，勢(shì)必能打造一個(gè)安全、高效、用戶(hù)體驗(yàn)好的互聯(lián)網(wǎng)金融平臺(tái)。

關(guān)于作者：

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

---

OpenKG.CN

中文開(kāi)放知識(shí)圖譜（簡(jiǎn)稱(chēng)OpenKG.CN）旨在促進(jìn)中文知識(shí)圖譜數(shù)據(jù)的開(kāi)放與互聯(lián)，促進(jìn)知識(shí)圖譜和語(yǔ)義技術(shù)的普及和廣泛應(yīng)用。

點(diǎn)擊閱讀原文，進(jìn)入 OpenKG 博客。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來(lái)咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的领域应用 | 图数据库及其在恒昌的应用简介的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。