郑林峰-基于产业链的知识图谱研究探索.pdf

1、演讲人：郑林峰 永安期货 数据架构师面向产业链投研的智能知识图谱研究探索引言与背景01图谱实践概述02研究图谱成果介绍03关键技术挑战与解决方案04目 录CONTENTS后续研究规划0501.引言与背景研究背景与大模型发展趋势您公司的LOGO大模型原生幻觉问题影响决策可靠性，期货领域专业性强，多源异构数据难以高效处理，客户对分析逻辑的可解释性要求高。金融领域大模型应用挑战金融领域大模型应用挑战0101知识图谱提供可解释的知识结构与推理路径，解决大模型幻觉问题，异构数据的关联与整合枢纽，专业服务信任度的关键支撑。知识图谱的不可替代角色知识图谱的不可替代角色0202私有化数据资产私有化数据资产成为

2、机构核心竞争力，知识积累结构化是大模型应用落地的关键，专业领域知识差异化知识差异化将决定胜负，从模型参数规模向专业知识体系转变。大模型未来发展的核心方向大模型未来发展的核心方向0303研究目标与核心价值1.提供透明的推理路径和依据，可追踪每一步逻辑推导，锚定事实性知识避免大模型推理偏差和虚构2.打通分散在不同系统的异构数据，建立统一知识框架，将复杂产业链关系转化为可理解的专业服务核心价值主张核心价值主张产业链知识网络智能构建方法智能图谱对决策分析的支持能力可扩展的知识资产体系构建研究目标研究目标金融大模型应用的关键挑战金融监管对AI系统的可解释性要求日益严格，投资建议需提供清晰的逻辑链和事实依

3、据，客户对黑盒决策缺乏信任。可解释性与合规要求可解释性与合规要求从模型记忆到显式知识结构的范式转变，知识与推理分离的系统架构优势。知识图谱作为解决方案知识图谱作为解决方案金融投资决策容错率低，幻觉可能导致巨大损失，幻觉内容往往与真实内容混杂，难以直接识别，案例分析显示大模型在期货领域推理偏差。幻觉问题的严重性幻觉问题的严重性0101、0202、0303、02 图谱实践概述第一阶段采用传统RAG方式，优点是速度快，实现简单，但准确性差，COT能力不可视化。传统RAG方式当前阶段以知识图谱为核心，大上下文为抓手，分品种固定思维链形式进行，技术路线转变背后的思考。知识图谱为核心第二阶段探索Graph

4、RAG/LightRAG，优点是自动化构图，思维链可视化，但调优困难，Token消耗量巨大。GraphRAG/LightRAG010203研究路径演进知识图谱构建方法采用AI驱动+专家调整的混合方法1.领域元图谱设计及构建2.智能图谱构建及评估3.专家剪枝与调整4.知识更新与维护机制AI驱动+专家调整混合方法流程图1.品种材料收集1.1.公众号文章 品种合约实施细则等2.内资、外资报告3.公司品种研究报告(年度半年度)4.品种周报3.私有全量构建验证1.基于产业链知识+专家经验，优化2阶段的Entiy类型2.应用2步骤后的分类结论，基于32b进行graphrag的全量初始化3.分析过滤后，新增

5、部分进行标注处理(如新增实体、新增关系)2.云API无监督实体类型提取面向品种中的公开数据(第1类数据)1.预处理(剔除数据表格、缩略文字)2.GraphRag通用方式、prompt自适应+entity识别3.Entity类型提取去重后初步自优化(手调Prompt)4.混合模型优化及专家调整1.针对元图谱内容，调用多个满血模型云API进行2级分类的评分及优化2.基于评价结果进行业务专家的二次优化及确认，并完成元图谱定稿1.领域元图谱设计构建基于元图谱的各个支干，扫描文档全文，形成若干专业术语库(无监督)，减少图谱构建过程中的后续调整合并工作1.专业术语库构建基于prompt工程+多级检索工作流

6、，完成知识图谱三元组信息的提取和版本存储(存储结构参考GraphRag)，针对新增节点类型或者关系，进行特殊标记，便于后续审核处理。2.节点识别、关系抽取与网络构建2.品种图谱智能构建123业务人员按照特定格式要求，针对生成的品种图谱进行审核与验证专业审核与验证精确纠正错误连接，补充遗漏的关键产业链节点误差修正与缺失补充重构层级关系，量化节点影响力，标注传导权重结构优化与重要度评定持续迭代，持续优化3.专家剪枝与调整研究员可以按需进行版本分支，在主干版本基础上扩展私有化图谱信息，并记录其私有数据及行业经验，未来将支持版本智能合并版本控制与冲突检测版本控制