利用知識圖譜進行破案的業務邏輯
利用知識圖譜進行破案需要有強大的反欺詐識别能力，需要将人工業務邏輯和大資料引擎結合起來。
通常資料源會來自不同的次元，對于操作的人員，比如警方來說，需要允許他們通過多種方式快速浏覽，查找和分析自己想要的資訊。此外，在産品設計中還需要對考慮到各種高度敏感的安全問題。
基于知識圖譜技術，大資料平台需要內建資料內建、搜尋、知識管理、協作、發現這五大闆塊。下面，我來一一給你講解下：
資料內建：可以從不同的資料源中擷取資料，并且可以基于語義網（Ontology）來建立實體
搜尋：需要為分析師提供了多種搜尋機制，使他們能夠找到比對的資料，并且挖掘出資料間的關系，進而發揮資料的價值。
最常用是快速搜尋（Quick Search），這一切的基礎是需要一個很好的本體。此外，基于知識圖譜，我們還可以生成複雜的搜尋查詢（布爾邏輯，變音位，模糊值），甚至是環形檢索（Search Around）
知識管理：所有資料都可以根據其授權級别賦權給其他使用者。
協作：允許分析師在私人調查中開始調查，也可以将調查結果共享給其他使用者。同樣，分析師可以選擇接受其他使用者的更新，以便進一步開展工作。
發現：反欺詐是許多企業面臨的共性需求，這裡可以通過尋找趨勢的算法來進行聚類預測
以上的五大子產品是同性的，但是使用者的需求往往是個性化的，包括案件的内容以及破案的邏輯，是以需要人類智慧和大資料産品的結合。我們可以用下面的流程圖代表大資料運作的基本原理。
Step1，首先需要有資料，這裡就需要有資料采集、清洗、內建。
Step2，然後是模組化，模組化是高度依賴于任務的，是以也是依賴于人的經驗總結，比如犯罪分子可能存在的行為特征。
Step3，最後指導任務的完成，這個過程，當我們把各種資料內建，建立各種模型後，就可以自動化的執行任務。
當然我們知道，需求非常多樣化，是以也需要多樣化的任務處理模型，來處理不同的任務。而且任務和任務之間往往是有關聯的。是以基于知識圖譜來完成破案，是個非常龐大複雜的系統，但是基本原理也離不開下面的流程圖
如何使用知識圖譜進行破案的？
知識圖譜技術可以讓我們從完成從資料端到智慧端的過程，具體實作途徑如下圖所示。
在資料端，一般資料量巨大，我們采用分布式資料采集系統，可以支援文檔、網頁、視訊、傳感器等采集的資料，先進行清洗存儲，輸出為基礎資料。
在資訊端，我們對資料進行語義處理，比如特征提取、事件識别、文本挖掘等，然後通過實體識别、角色識别、關系識别輸出語義結構化資料。
在知識端，我們對知識進行模組化，需要對本體進行模組化、映射、存儲，建構知識體系，輸出知識庫。
在智慧端，我們需要業務規則，包括進行圖分析等計算，最後轉化為人機可視化的互動方式友善使用者進行可視化關聯分析、問答、語義搜尋等。
我們以安然破産的資料分析案例為例。首先面臨的問題是：安然公司破産，指控其CEO（David Delaney）與Mariner公司發生内幕交易，缺乏證據。但是基于知識圖譜，我們可以挖掘出更多有價值的資訊：
在資料層：司法将安然内部的30萬封郵件進行了公開
在資訊層：我們需要對文本進行分類，實體抽取，事件抽取，并對文本中的角色、關系進行識别。發現郵件中指導的人員都是在哪個公司擔任什麼樣的角色。并且對郵件中提到的内容及事件進行識别。
在知識層：可以發現有近千條提及Mariner公司的郵件中，David發出的3封郵件對其公允價值進行計算。并通過進一步的關聯挖掘，得到相應的知識：
1）David對Mariner公司的公允價值計算虛假高估
2）郵件發出的時間 vs. David出售Mariner公司股票時間同軸比對
3）全部郵件中的人名抽取，關聯分析David關聯人員
在智慧層：綜合以上的知識，可以得出：
1）David 發出虛估Mariner公司公允價值的郵件時間節點與其出售該公司股票的時間吻合
2）David郵件關聯人員中，有多人在Mariner公司重要部門擔任要職
知識圖譜是個非常有用的技術，它可以将資料轉化為資訊，進一步處理加工為知識，最後通過更進階别的綜合和預測能力轉化為智慧，對知識進行具體的應用。在技術使用中，我們可以使用阿裡雲的圖資料庫GDB，幫我們搭建知識圖譜的應用，它可以把知識抽取和清洗出來，然後存入GDB中提供查詢。這樣當使用者進行查詢時，就可以直接把答案告訴使用者。比如人物之間的關系是怎樣的。此外，在GDB産品中，還可以結合多種資料分析方法，比如label propagation algorithms(LPA) 、LabelRank等社群發現算法，可以幫我們識别欺詐行為，這些都已經廣泛應用到信用卡欺詐，電子商務欺詐，保險欺詐等場景中。