为客户提供风险评估与反欺诈等服务。通过对多路径的不一致性或“关系” 冲突的检验和合并,进行业务排雷、风险评估与反欺诈等。例如欺诈团伙通常会用虚假的身份和信息进行诈骗,不一致性验证可以用来判断一个借款人是否具有欺诈风险:借款人 A 和 B 分别填写了两家不同的公司, 但是填写的公司电话却是同一个,这种情况便无法通过不一致性检验,从而形成一个风险点。
https://arxiv.org/pdf/1905.07129.pdf尽管预训练语言表征模型(BERT等)已经获得了很好的效果,并且在很多 NLP 任务中都可以作为常规模块,但它却忽略了将知识信息整合到语言理解中,导致语言模型只知道语料中各个词汇排列的合理性,却没有真正了解每个词汇的含义。如下图 所示,如果不知道「Blowin' in the Wind」和「Chronicles: Volume One」分别是歌曲与书籍,那么模型很难识别它们是 Bob Dylan 的两个工作。即在实体类型任务中,模型识别不出 Bob Dylan 同时是歌曲作家和书籍作者。图中实线表示已存在的知识事实,红色虚线表示从红色句子中抽取的事实,蓝色虚线表示从蓝色句子抽取的事实。可以看出,使用丰富的知识信息能构建更好的语言理解模型,也有益于各种知识驱动的应用,例如实体类型和关系分类等。要将外部知识组合到语言表征模型中,存在两大主要挑战:
结构化的知识编码:对于给定的文本,如何高效地抽取并编码对应的知识图谱事实是非常重要的,这些 KG 事实需要能用于语言表征模型。