基于产业链的知识图谱研究探索-2025知识图谱峰会.pdf

面向产业链投研的

智能知识图谱研究探索

演讲人：郑林峰｜永安期货数据架构师

01引言与背景

02图谱实践概述

目录03研究图谱成果介绍

CONTENTS

04关键技术挑战与解决方案

05后续研究规划

01.引言与背景

研究背景与大模型发展趋势您公司的

LOGO

01金融领域大模型应用挑战

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。

02知识图谱的不可替代角色

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。

03大模型未来发展的核心方向

私有化数据资产成为机构核心竞争力，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将决定胜负，从模型参数规模

向专业知识体系转变。

研究目标与核心价值

研究目标核心价值主张

产业链知识网络智能构建方法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

智能图谱对决策分析的支持能力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，

可扩展的知识资产体系构建建立统一知识框架，将复杂产业链关

系转化为可理解的专业服务

金融大模型应用的关键挑战

01、幻觉问题的严重性

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。

02、可解释性与合规要求03、知识图谱作为解决方案

金融监管对AI系统的可解释性要求日益严格，从模型记忆到显式知识结构的范式转变，知识

投资建议需提供清晰的逻辑链和事实依据，客与推理分离的系统架构优势。

户对黑盒决策缺乏信任。

02图谱实践概述

研究路径演进

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。

01

传统RAG方式GraphRAG/LightRAG