商業銀行非現場審計系統知識圖譜引擎的構建

涂志敏

摘 要：商業銀行內部審計注重挖掘數據之間的關聯關系，知識圖譜技術使得銀行大量的數據以一種圖關聯的形式展現出來。本文基于知識圖譜的應用研究，探討現有非現場審計系統面臨的困境，研究非現場審計系統知識圖譜引擎的構建流程及應用場景。研究發現，知識圖譜在商業銀行內部審計應用中可對審計知識構建知識平臺，也可在業務審計中對被審計對象進行關聯關系挖掘。但目前仍需從數據治理，自然語言處理技術應用，提高內審人員能力等方面著手，以促進非現場審計系統知識圖譜引擎落地。

關鍵詞：商業銀行;非現場審計;知識圖譜

中圖分類號：F830.33 文獻標識碼：A 文章編號：2096-0298（2021）01（a）--02

1 知識圖譜研究綜述

2012年5月17日谷歌公司正式提出知識圖譜，引領了現代知識圖譜的研究與應用。知識圖譜將客觀世界中真實存在的各種概念或實體及其之間的關系用語義網絡圖的形式表現出來，形成一種類人腦的知識庫，提供了一種理解和管理海量信息的能力。2012年至今是知識圖譜的快速發展期，目前知識圖譜已廣泛應用于搜索引擎、營銷、醫療、電商、教育、司法、金融等領域。

對于知識圖譜在金融行業的應用研究，張旭[1]指出，知識圖譜技術落地金融行業需經歷知識構建、知識計算、知識存儲、知識應用等關鍵四個步驟;陳大值[2]針對商業銀行當前面臨的知識管理及應用問題，分析知識圖譜的邏輯和技術框架及在銀行業的應用場景;姚琥[3]提到農業銀行以建設金融大腦為切入點，構建了知識圖譜以應對當前互聯網沖擊下的商業銀行信貸業務轉型。

還有一些學者研究知識圖譜技術在審計中的應用，但目前主要集中在醫保審計工作中，如樊世昊[4]、周紅宇[5]等，指出基于知識圖譜的大數據審計方法可以有效解決醫保審計中的數據分散、利用率不高、查詢復雜度高、精確度低等問題，提高醫保審計項目的質量。也有一些學者從技術層面研究知識圖譜在審計中的應用，如王瑞萍等[6]基于Neo4j圖數據庫進行審計知識數據的清洗、知識三元組的構建、存儲，并完成審計領域的知識圖譜，有利于提高審計效率，挖掘不易發現的數據式審計證據。本文從商業銀行內部審計非現場審計系統面臨的困境出發，研究非現場審計系統中知識圖譜構建流程、應用場景，及需要解決的問題。

2 現有非現場審計系統面臨的困境

傳統非現場審計系統已不能適應審計方式的變化。隨著金融科技在各領域的應用領跑，內部審計方式方法產生了前所未有的變化，傳統的內部審計模式與手段明顯已不符合當前的審計形勢。以往的非現場的審計系統僅可支持現場審計環節信息的錄入與傳閱，在審計查詢功能方面僅支持小范圍數據的查詢，模型建設也不夠完善，對于關聯關系的深度挖掘主要靠審計人員的經驗判斷。

傳統非現場審計系統已不能滿足審計業務需求。數據已經成為商業銀行重要的資產，有效提升數據資產應用是關鍵。商業銀行內部審計是數據應用部門，主要工作是通過數據分析與挖掘，建立風險評估方法論和可量化的內控評價指標體系，前瞻性識別內控缺陷，提升內控有效性。而非現場審計系統是內部審計人員進行審計依托的主要系統，在當前大數據審計時代其在整合內外部數據資源、數據建模等方面存在劣勢，極大地影響審計的效率和質量。

隨著商業銀行結構化數據的日益積累，半結構化及結構化數據的提取技術的快速發展，商業銀行金融數據呈指數級增長。要適應新形勢下的審計變化，必須加強審計數據應用基礎，對非現場審計信息系統及模型工具進行優化，充分運用科技手段提升非現場審計效率。知識圖譜的構建是實現數字化審計的基礎工程，要解決目前非現場審計的困境，在非現場審計系統中對多源異構數據構建知識圖譜是必經之路。

3 非現場審計系統知識圖譜引擎的構建研究

知識圖譜的構建分為自底向上法和自頂向下法，谷歌知識圖譜架構采用的就是自底向上法，包括數據獲取、知識抽取、知識融合、知識加工等環節。其中，數據獲取包括結構化、半結構化數據、非結構化數據;知識抽取包括實體提取、關系提取、屬性提取;知識融合包括對結構化數據和第三方數據庫的知識融合，及半結構化數據和非結構化數據的共指解析和實體消歧;知識加工包括本體構建、知識推理和質量評估，最后形成知識圖譜。

商業銀行非現場審計系統知識圖譜的架構與自底向上法的架構基本一致，但也具有商業銀行自身的特色。構建的主要環節包括數據收集、數據組織、數據標識、數據關聯等環節。第一步是數據收集，根據業務需求，明確數據來源、更新頻率等，將多源異構數據提取并接入數據中心;第二步是數據組織，對清洗過的數據按照統一的數據標準進行分庫管理，包括知識庫、資源庫、業務庫等;第三步是數據標識，根據標簽對數據、文本信息進行比對，并為其打上標識，為后續應用奠定基礎;第四步是數據關聯，對數據進行知識提取，并挖掘實體、關系、屬性間的深度關聯，形成知識圖譜。

4 非現場審計系統知識圖譜引擎的應用場景

知識圖譜應用的首要環節是確認業務需求，即模型開發過程中的業務場景的選擇，主要是涉及關系分析的場景，本文主要分析涉及內部審計知識管理的知識平臺和業務審計中的應用。

4.1 知識平臺

知識圖譜的基礎應用需求來源于對知識的管理，商業銀行內部審計也存在知識管理的需求。知識平臺實質就是一種文本知識圖譜，將文本作為研究對象，采用知識推理和知識標識等分析文本知識。每個審計項目都要經歷審計準備、審計實施、審計報告、后續審計四個階段，存在大量的重復勞動，耗費審計資源，也體現了審計機構內部對審計知識管理不到位。內部審計知識平臺整合審計工作中的各類審計報告、具體審計問題及審計依據等，通過知識圖譜技術將內部審計中的實體、屬性和關系進行梳理并建立邏輯關聯，實現具體審計方案自動生成，審計風險點與制度依據關聯，知識智能問答等多層面的需求解決方案，解決同一問題定性引用制度五花八門，同一審計重點的關注點千差萬別等問題。根據建立使用目標不同，可以分為審計方案庫、審計風險庫、審計制度庫等。

4.2 審計應用

商業銀行業務審計按照被審計對象劃分，可以劃分為對人的審計和對事的審計，即經濟責任審計和業務審計，在兩類審計過程中，都可以考慮構建知識圖譜來提升審計質效。

4.2.1 經濟責任審計知識圖譜

對于經濟責任審計中存在的畫像不夠準確，責任界定不清晰等問題可以依靠知識圖譜來提供清晰的關聯關系。被審計對象經濟活動的橫縱向分析，業務問題的關聯性分析，應承擔的責任類型都可以通過基于知識圖譜的知識庫來直觀展現。一是從個人履歷、各階段分管業務、業務的橫縱向對比數據、相關的內外部檢查問題等設置關聯規則;二是對以往審計發現的問題，與被審計對象決策能力、經營能力、執行能力、廉政能力相關的維度進行責任界定;三是基于經濟責任履行能力評價指標體系、政策制度等形成知識庫。通過經濟責任審計知識圖譜，可以為被審計人員“畫像”提供更齊全的素材。

4.2.2 風控領域知識圖譜

（1）信用風險防控。面對復雜的市場環境以及企業間多重的關聯關系，審計人員若通過傳統審計手段對其中的關系進行抽絲剝繭，耗時耗力且容易存在誤差。金融監管的要求越來越高，銀行業金融機構面對自身快速增長的數據，如何在海量的關聯數據中識別出企業潛在的風險。內部審計人員必須借助科技的力量，提升多源異構數據處理和分析能力，從企業級數據中獲取完整的企業關系網及資金流轉關系，準確挖掘企業間千絲萬縷的關聯關系，識別出潛在的信用風險。目前商業銀行內部審計需要集成的企業外部數據包括工商、投資、訴訟、擔保等;實體包括自然人、賬號、機構、合同、押品等;屬性包括ID、姓名、身份證號等;關系包括員工與授信客戶、外包商關聯、融資擔保關聯等，從而防范多頭授信、重復抵押、擔保圈、圍標等外部欺詐風險。

（2）洗錢風險防控。傳統關系型數據庫的反洗錢模型通常只能關注1度的交易行為，在當前海量客戶數據、賬戶交易數據面前顯得力不從心。知識圖譜技術可以通過交易數據挖掘賬戶之間的關聯關系，并構建拆分模型、匯聚模型等反洗錢模型，通常可以進行5度分析范圍的數據分析，對客戶賬戶進行深度分析與管理。相較于傳統的反洗錢模型，基于知識圖譜的反洗錢模型能進行更深層次的關聯關系，更有效地防范洗錢風險。

5 知識圖譜在商業銀行內部審計中的應用展望

知識圖譜技術應用到商業銀行內部審計工作中，能有效提升非現場審計的工作效率和質量，但鑒于知識圖譜技術應用到審計領域還處于初級嘗試階段，能夠成功落地實施還需要解決一些實際的問題。

5.1 提高源數據質量

知識圖譜構建時涉及多系統數據的融合，商業銀行系統存在分時分階段建立的特點，多個系統之間采用不同的數據標準或技術規范，導致數據不一致，數據質量較差。知識圖譜其實是一種基于數據融合應用的分析技術，數據從孤島狀態走向數據融合，必須要對數據進行分類歸集、開放共享等形成良好的數據資源管理體系，做好數據治理。

5.2 強化自然語言處理技術的應用

自然語言處理（NLP）是知識圖譜的關鍵技術，主要研究人與計算機之間使用人類自然語言進行有效溝通的理論和方法。NLP最常應用于知識圖譜中的能力是對自然語言中信息的抽取，通過分詞、詞性標注和句法分析等方式完成對自然語言到實體、關系、屬性的知識抽取。NLP技術在商業銀行非現場審計系統中的落地實施，是各類知識圖譜構建的關鍵。

5.3 加強內部審計人員能力培養

金融科技賦能內部審計，同時也對內部審計人員的能力提出了更高的要求。內部審計隊伍的知識結構、能力素質難以在短期內全面適應數字化轉型的工作需要。內部審計人員不僅是非現場審計系統的被動使用者，更需要發揮主觀能動性積極提升自身數據分析能力、新技術應用能力、模型研發使用能力等。

參考文獻

張旭.知識圖譜技術落地金融行業的關鍵四步[J].金融電子化，2017（11）：92.

陳大值.知識圖譜在銀行業的應用場景及可行性研究[J].中國金融電腦，2019（02）：31-35.

姚琥.“AI+知識圖譜”在信用風險管理領域的探索[J].金融電子化，2019（05）：55-57.

樊世昊. 基于知識圖譜的審計方法研究[D].南京：南京審計大學，2018.

周紅宇. 知識圖譜在醫療保險基金審計中的應用研究[D].南京：南京審計大學，2019.

王瑞萍，劉峰，楊媛琦，等.審計知識圖譜的構建與研究——基于Neo4j的圖譜技術[J].中國注冊會計師，2020（09）：109-113.