知识图谱的逻辑结构分为两个层次：数据层和模式层。在知识图谱的数据层，数据如果以『实体- 关系 - 实体』或者『实体 - 属性 - 值』作为基本表达方式，我们把这种表达方式称为 “ 三元组 ” ，则存储在图数据库中的所有数据将构成庞大的实体关系网络，形成知识的图谱。

KGB 知识图谱 能够实现以下功能 ： 1. 文档解析 ： KGB 知识图谱引擎，可轻松解析多种格式与版本文档： TXT 、 DOC 、 EXCEL 、 PPT 、 PDF 、 XML 等。尤其是 PDF 文件，可直接解析输出为 word 格式文件，保留文件中表格与文字格式等重要信息。对于图片信息， OCR 可自动识别并抽取图片中的文字信息。 2. 知识抽取 ： KGB 知识图谱引擎，可从结构化表格与非结构化文本中自适应识别并抽取关键知识（主体、客体、时间、地点、金额、条款等），准确率高达 90% ，实现知识的快速生成。 3. 知识关联 ： KGB 知识图谱引擎深入挖掘知识关联，将一个个知识实体链接为具有完整意义的知识事实。并具有强大的知识推理能力，推理出暗含的知识与结论，丰富知识图谱。 4. 知识较验 ： KGB 知识图谱加工厂能够对知识质量智能校验，包括对多种知识错误与冲突进行自动智能核查与修正，更有知识工程师进行知识精准校验，保证知识图谱的准确性。

基于汉语词法分析，采用KGB 语法从结构化数据与非结构化文档中抽取各类知识，大数据语义智能分析与知识推理，深度挖掘知识关联， KGB 知识图谱能够 实时高效 地 构建 金融行业的 知识图谱。 KGB 知识图谱在金融领域的应用包括：风控、征信、审计、反欺诈、数据分析、自动化报告等。 当前，小微贷款和个人小额贷款还处于“ 蛮荒时代 ” ，甚至出现了各种中介机构通过各种伪造的虚假信息帮助客户申请贷款。所以对于放贷方而言，借贷风险控制面临非常巨大的挑战。 KGB 知识图谱的应用则能直接控制借贷风险：

1. 贷款申请方画像

可以在图谱中直接搜索某个具体的人名字或者公司名字，获取该人或者公司的基础信息画像，如电话，地址，关联方的信息。

2. 关联方探查  

通过图谱可以调查某个人或者某家申请贷款公司的关联方信息。在贷款审核期间，申请贷款主体的关联方信息中有借贷纠纷的诉讼事件，担保方过多等可关注的风险点。在贷款发放后，有时出现贷款方失联的情况，无法通过申请贷款时提交的信息联系到借款方，可以通探寻更“ 深远 ” 的关联方找到失联的贷款方。

3. 反欺诈调查

  在实际场景中，有不少人利用各种渠道而来身份证进行贷款申请。还有公司通过循环转账等方式提供虚假的经营流水信息。通过知识图谱可以识别以上风险点。如多个贷款申请人提供的身份证号吗不同，但是却有相同的联系电话号吗或者联系地址。银行作为借贷机构，可以调查申请人账户资金往来情况，识别是否存在循环转账等异常资金往来信息识别风险点。

4. 风险指标报告

在风控处理中，贷款风险比率是衡量商业银行风险最重要的指标之一，主要包括不良贷款比率、贷款加权风险度、贷款分散化比率、不良贷款拨备覆盖率等。将知识图谱中贷款人节点和相关指标相结合，设定报警阈值，通过机器学习等技术，找到隐蔽的风险结构，指标特征，能够快速找出相关责任方和其关联方，形成报告供业务人员进行调。