https://cloud.tencent.com/developer/article/2466297

大模型辅助下奶业金融风险预警事件图谱构建方法研究

来自内蒙古大学计算机学院教师，博士、研究生导师——安春燕为我们重点介绍了“针对奶业金融风险预警事件图谱“

讲师演讲视频链接：https://www.bilibili.com/video/BV1PamXYUEqe/?

奶业金融预警事件图谱构建流程涵盖多方面：

1. 使用 SPG-Builder（数据导入与实例构建）将 CSV 文件导入系统，生成事件实例并将其映射到图谱中。

2. 包括对实体（如自然人、企业）、事件（原子事件、预警事件）、概念（如企业分类、行政区域等）的知识建模。使用 SPG-Schema 将不同的元素组织起来，形成清晰的图谱结构，支持复杂事件的定义和查询。

3. 规则定义与推理规则模块：用于定义图谱内的规则，如事件之间的“belongTo”和“leadTo”关系。SPG-Reasoner：通过加载规则，实现事件推理与传导，辅助自动生成风险预警事件节点。

4. 图谱构建与前端系统。事件图谱构建：结合 SPG 组件，生成并扩展奶业金融风险预警事件图谱。前端可视化系统：支持图谱的可视化展示、查询功能以及规则的修改，便于用户进行交互和分析。

在奶业金融风险预警事件图谱构建中，KAG+LLM 双重驱动发挥着关键作用。

首先是 LLM 友好的知识表示，利用 KAG 的知识抽取、属性标化和语义对齐技术，融合原始业务数据与专家规则至图谱。且图结构与原文片段互索引，便于追溯风险来源，增强解释性分析；

LLM 辅助下的事件抽取意义重大。以特定指令引导模型，如 GLM - 4，从文本中精准抽取符合 schema 的事件，经 LoRA 微调、数据增强等手段，有效提升抽取的准确性与完整性；基本三元组抽取同样依赖 LLM，像 Baichuan2 - 13B - base 等模型，从文本识别实体，经数据增强和微调阶段，不断优化抽取能力，为图谱构建提供基础元素。

此外，还包括事件对齐 & 事件更新、知识图谱推理以及基于 EG+LLM 的预警策略解释生成等任务。通过这些技术，能更全面地捕捉奶业金融领域事件信息，提升图谱质量，从而更精准地进行风险预警，为奶业金融风险管理提供有力支持。