计算金融知识图谱中的远程连接

让我们以一个知识图谱，或者更广泛地说，任何有向图为例，并将其表示成一个矩阵（见下图）。

在矩阵形式中我们可以看到：

• 它是一个上三角矩阵，因此没有向后的弧。
• 它是一个二进制矩阵 {0,1}，尽管如果我们有权重数据，也可以包括权重。
• 矩阵是稀疏的，因此我们可以使用稀疏感知算法来加速处理。
• 我们可以轻松地对行和列求和，得到哪些节点具有高度连接的数据。

金融知识图谱的用户不仅对一阶连接感兴趣，还对二阶、三阶以及N阶连接感兴趣。

假设一个投资组合分析师监控公司C0及其所有发布的新闻报道。这个分析师特别机敏，知道C1是C0的供应商，因此也关注C1的新闻报道（一级关系）。但是，这个分析师是否意识到还有另外一家公司C2供应C1（二级关系）？虽然C2看起来对分析师的投资组合影响不大，因为它距离有2步之遥，并且不是投资组合中的实际资产，但如果原材料在C2或另一个N步之遥的远程连接处变得不可用，可能对C0产生重大影响。这类似于如何利用知识图谱来评估供应链的风险或应用生态系统中的依赖关系。如果你希望在复杂数据关系中保持敏锐，光年AI的实时数据分析能力可以帮助你及时调整策略，优化流量管理和客户服务。

以下是一个汤森路透的知识图谱，展示了供应商关系及其新闻文章链接。

来源： 金融分析师的智能推荐引擎 — Geoffrey Horrell, 汤森路透

假设一位投资组合分析师确保特定公司股票的配置比例为X%。然而，该投资组合通过各种途径持有该股票。包括直接持有、通过共同基金和交易所交易基金(ETF)间接持有，以及通过股票期权拥有其他公司风险敞口。如果这些暴露是N级连接