金融职业因其与数据的高度相关性，成为人工智能最早运用的职业之一，而自然语言处理（NLP）与常识图谱作为人工智能技能的重要研讨方向与组成部分，正在快速进入金融范畴，并日益成为智能金融的柱石。
一般的金融科技公司只会会集在其间的某些事务方向，只要能深化把握两到三种才干，就能具有适当的竞争力。在这些事务场景中，自然语言处理（NLP）和常识图谱技能往往需求一起运用，才干发挥出最大的效能。一起，一种中心才干能够在多个智能金融运用场景中得到运用，这些运用场景包含：智能投研、智能投顾、智能风控、智能客服、智能监管、智能运营等。
接下来咱们将剖析不同的中心才干在各个运用场景的散布状况，对每一种中心才干进行扼要介绍，给出它的运用场景，并罗列部分国外的典型事例以供我们能够更好的了解和上手。
金融语义运用场景概念框
01智能问答和语义查找
智能问答和语义查找是自然语言处理（NLP）的要害技能，意图是让用户以自然语言方式提出问题，深化进行语义剖析，以更好了解用户意图，快速精确获取常识库中的信息。在用户界面上，既能够表现为问答机器人的方式（智能问答），也可认为查找引擎的方式（语义查找）。智能问答体系一般包含问句了解、信息检索、答案生成三个环节。智能问答体系与金融常识图谱密切相关，常识图谱在语义层面供给常识的标明、存储和推理，智能问答则从语义层面供给常识检索的进口。依据常识图谱的智能问答比较依据文本的问答更能满意金融事务实践需求。
智能问答和语义查找的价值在金融范畴越来越被注重。它首要运用的场景包含智能投研、智能投顾和智能客服。在智能投研范畴，投研人员日常作业需求经过多种途径查找许多相关信息。而有了金融问答和语义查找的协助，信息获取途径将是“Just ask a question”。而且，语义查找回来的成果不仅是平面化的网页信息，而是能把各方面的相关信息组织起来的立体化信息，还能供给必定的剖析猜测定论。在智能客服和智能投顾范畴，智能问答体系的运用首要是机器人客服。机器人客服现在的效果还仅仅辅佐人工客服答复一些常见问题，但已能较大地节约客服部分的人力本钱。
典型运用事例如美国Alphasense公司为投研人员整合碎片化信息，供给专业金融常识拜访东西。AlphaSense公司的产品能够说是新一代的金融常识引擎。它从新闻、财报、研报各种职业网站等获取许多数据、信息、常识方式的“资料”，经过语义剖析构建成常识图谱，并供给高档语义查找引擎、智能问答、交互式常识办理体系、文档（常识）协作体系，以对金融常识进行愈加有用的办理、查找、运用。
02资讯与舆情剖析
金融资讯信息十分丰富，例如公司新闻（布告、重要事情、财务状况等）、金融产品资料（股票、证券等）、宏观经济（通货膨胀、失业率等）、政策法规（宏观政策、税收政策等）、交际媒体谈论等。
金融资讯每天发作的数量十分巨大，要从汗牛充栋的资讯库中精确找到相关文章，还要阅览剖析每篇重要内容，是费时吃力的作业。如果有一个东西协助人工快速方便获取资讯信息，将大大进步作业功率。资讯舆情剖析的首要功能包含资讯分类标签（按公司、产品、职业、概念板块等）、情感正负面剖析（文章、公司或产品的情感）、主动文摘（文章的首要内容）、资讯个性化引荐、舆情监测预警（热门热度、云图、负面预警等）。在这个场景中，金融常识图谱供给的金融常识有助于更好了解资讯内容，更精确地进行资讯舆情剖析。
资讯舆情剖析的运用首要在智能投研和智能监管这两个场景。现在商场上的辅佐投研东西中，资讯舆情剖析是必不可少的重要部分。资讯舆情剖析作为通用东西更多是对海量定性数据进行摘要、概括、缩简，以愈加方便方便地为投研人员供给信息，支撑他们进行决议计划，而非直接给出决议计划定论。在智能监管范畴，经过资讯舆情剖析，对金融舆情进行监控，发现违规非法活动进行预警。
03金融猜测和剖析
依据语义的金融猜测即运用金融文本中包含的信息猜测各种金融商场动摇，它是以NLP等人工智能技能与量化金融技能的结合。
运用金融文本数据协助改进金融买卖猜测模型的主意早已有之。本世纪初，美国就有人运用新闻和股价的历史数据来猜测股价动摇。2010年后，交际媒体发作了许多数据，依据Twitter、Facebook来猜测股市的研讨项目许多。最近，深度学习被许多运用在猜测模型中。金融文本数据供给的信息是定性的（qualitative），而一般数字方式的数据是定量的（quantitative）。定性剖析比定量剖析更难，定性信息包含的信息量更大。有剖析标明，出资决议计划人员在进行决议计划时，更多依赖于新闻、事情乃至谣言等定性信息，而非定量数据。因而，可等待依据语义的金融猜测剖析大有潜力可挖。这个场景中触及的要害NLP技能包含事情抽取和情感剖析技能。金融常识图谱在金融猜测剖析中具有重要的效果，它是进行事情推理的根底。例如在中兴事情中，可依据产业链图谱推导受影响的公司。
依据语义的金融猜测和剖析在金融运用的首要场景包含智能投研和智能投顾。它的抱负方针是能替代出资人员做出资猜测，进行主动买卖，但现在还仅仅作为出资人员的出资参阅。将不同来历的多维度数据进行相关剖析，特别是对非结构化数据的剖析，比方邮件、交际网络信息、网络日志信息。然后发掘和展现出不知道的相相联系，为决议计划供给依据。典型的运用事例如美国Palantir公司供给依据常识图谱的大数据剖析渠道。其金融范畴产品Metropolis，经过整合多源异构数据，构建金融范畴常识图谱。特点是：对非结构化数据的剖析才干、将人的洞悉和逻辑与高效的机器辅佐手法相结合起来。另一个比如如Kensho公司运用金融常识图谱进行猜测剖析。在英国脱欧期间，买卖员成功运用Kensho了解到退欧推举构成当地货币贬值；曾精确剖析了美国总统任期的前100天内股票涨跌状况。
04文档信息抽取
信息抽取是NLP的一种根底技能，是NLP进一步进行数据发掘剖析的根底，也是常识图谱中常识抽取的根底。选用的办法包含依据规矩模板的槽填充的办法、依据机器学习或深度学习的办法。按抽取内容分能够分为实体抽取、特点抽取、联络抽取、规矩抽取、事情抽取等。
在这里的文档信息抽取特指一种金融运用场景。指从金融文档（如布告研报）等抽取指定的要害信息，如公司称号、人名、目标称号、数值等。文档格局可能是格局化文档（word, pdf, html等）或纯文本。对格局化文本进行抽取时需求处理并运用表格、标题等格局信息。文档信息抽取的运用场景首要是智能投研和智能数据，促进数据出产主动化或辅佐人工进行数据出产、文档复核等。
05主动文档生成
主动文档生成指依据必定的数据来历主动发作各类金融文档。常见的需求生成的金融文档如信息发表布告（债券评级、股转书等）、各种研讨陈述。
主动陈述生成归于生成型NLP运用。它的数据来历可能是结构化数据，也可能是从非结构化数据用信息抽取技能取得的，也可能是在金融猜测剖析场景中取得的定论。简略的陈述生成办法是依据预界说的模板，把要害数据填充进去得到陈述。进一步的主动陈述生成需求比较深化的NLG技能，它能够把数据和剖析定论转换成流通的自然语言文本。
主动文档生成的运用场景包含智能投研、智能投顾等。它的典型运用事例如美国的Narrative Science，它从结构化数据中进行数据发掘，并把成果用简略的文字或依据模板发作陈述内容。又如Automated Insights，它为美联社主动写出了10亿多篇文章与陈述。
06危险点评与反诈骗
危险点评是大数据、互联网年代的传统运用场景，运用时刻较早，运用职业广泛。它是经过大数据、机器学习技能对用户行为数据剖析后，进行用户画像，并进行信誉和危险点评。
NLP技能在风控场景中的效果是了解剖析相关文本内容，为待点评目标打标签，为风控模型添加更多的点评因子。引进常识图谱技能今后，能够经过人员联络图谱的剖析，发现人员联络的纷歧致性或许短时刻内改变较大，然后侦测诈骗行为。运用大数据风控技能，在事前能够预警，过滤掉带歹意诈骗意图人群；在事中进行监控，发作诈骗进犯时及时发现；在过后进行剖析，发掘到诈骗者的相关信息，下降今后的危险。
在金融职业，危险点评与反诈骗的运用场景首先是智能风控。运用NLP和常识图谱技能改进危险模型以削减模型危险，进步诈骗监测才干。其次，还能够运用在智能监管范畴，以加强监管者和各部分的信息沟通，盯梢合规需求改变。经过对通讯、邮件、会议记录、电话的文本进行剖析，发现纷歧致和诈骗文本。例如诈骗文本有些固定形式：如用负面情感词，削减第一人称运用等。经过有用的数据聚合剖析可大大削减危险陈述和审计进程的资源本钱。从事此类事务的Finctech公司许多，如Palantir开始从事的金融事务就是反诈骗。其他如Digital Reasoning、Rapid Miner、Lexalytics、Prattle等。
07客户洞悉
客户联络办理（CRM）也是在互联网和大数据年代中开展起来，商场相对老练，运用比较广泛，许多Fintech公司都以此为首要事务方向。现代买卖越来越多是在线上而不是线下当面完结，因而怎么把握客户爱好和客户心情，越来越需求经过对客户行为数据进行剖析来完结。
NLP技能在客户联络办理中的运用，是经过把客户的文本类数据（客服反应信息、交际媒体上的客户点评、客户查询反应等）解析文本语义内在，打上客户标签，树立用户画像。一起，结合常识图谱技能，经过树立客户联络图谱，以取得更好的客户洞悉。这包含客户爱好洞悉（产品爱好），以进行个性化产品引荐、精准营销等。以及客户情绪洞悉（对公司和服务满意度、改进定见等），以快速呼应客户问题，改进客户体会，加强客户联络，进步客户忠诚度。
客户洞悉在金融职业的运用场景首要包含智能客服和智能运营。例如在智能客服中，经过客户洞悉剖析，能够改进客户服务质量，完成智能质检。在智能运营（智能CRM）中，依据客户爱好洞悉，完成个性化精准营销。国外从事这个事务方向的Fintech公司许多，如Inmoment，Medallia，NetBase等。
各种中心才干在智能金融的首要运用场景呈以下散布：
自然语言处理（NLP）和常识图谱两种技能自身都还在开展生长进程中，因而在金融落地进程中必然也还会面对许多新的课题和应战，任重而道远。一方面，人工智能有必要与金融的详细事务场景切合，找到金融企业需求痛点，真实提高客户出产功率，给客户带来价值；另一方面，人工智能是根底技能学科，技能难度大，人才要求高，在中心技能和要害算法上需求有打破有优势，才干不断提高商场竞争力。所以，场景驱动和技能研制需求相得益彰、紧密结合。信任金融智能语义技能的运用将会有宽广的开展空间，推进智能金融迈向一个新的台阶。
语义魔方，北正确通（北京）科技有限公司研制的语义了解和处理的东西级产品，协助用户整合、发掘内外部大数据，让机器了解文本所表达的意义，构筑常识网络、深度发掘常识价值，推进事务智能化。可广泛运用于存在许多结构化、半结构化、非结构化资源，需求快速融兼并发掘剖析其价值的单位。
将语义魔方运用于金融职业的账单/合同文本的辨认，可完成包含印刷体、手写体在内的内容的辨认，提取要害信息，构成常识卡片。一起，进一步发掘客户、产品、条款等相相联系，构成常识网络作为后续智能化剖析的根底。
