StriseWiki
Teknik

Strise Knowledge Graph

Kopplar samman affärsvärlden

Strise Knowledge Graph är ett dynamiskt, ständigt utvecklande nätverk som är utformat för att hjälpa till att förstå det komplexa nätet av relationer i affärsvärlden.

Vad är det

I grund och botten är Knowledge Graph en omfattande databas strukturerad som ett spindelnät med två grundläggande komponenter:

  • Entiteter: Företag, personer, platser, branscher och ämnen – nyckelaktörerna i affärsvärlden.
  • Relationer: Kopplingarna som visar hur entiteter är länkade – från styrelseuppdrag till äganderätt och geografisk verksamhet.

Vilka data finns i den

Entiteter

  • Företag: Äganderättsstrukturer, styrelseledamöter, finansiell information, branschklassificeringar
  • Personer: Verkliga huvudmän, styrelseledamöter, intressenter, med metadata som medborgarskap och födelsedatum
  • Platser: Verksamhetsadresser, huvudkontor, geografisk närvaro
  • Branscher: Kategoriseringar för riktad riskanalys
  • Ämnen: Teman som negativ mediebevakning, hög risk, penningtvätt

Relationer

  • Äganderätt: Direkta och indirekta äganderättsstrukturer, inklusive verkliga huvudmän
  • Styrelseuppdrag: Individer kopplade till sina roller inom företag
  • Regulatoriska kopplingar: Kopplingar till sanktioner, PEP och negativ mediebevakning
  • Geografiska kopplingar: Länkar till högriskregioner eller sanktionerade regioner

Händelser och uppdateringar

  • Medieomnämnanden: Artiklar berikade med relevanspoäng
  • Regulatoriska ändringar: Sanktioner, PEP-statusar, compliance-händelser
  • Bolagsändringar: Registeruppdateringar gällande äganderätt, struktur eller ekonomi

Så fungerar det

Datainhämtning

Systemet samlar in stora mängder data från olika källor och normaliserar och standardiserar den för Knowledge Graph-strukturen.

Kontextuell förståelse

NLP särskiljer termer – och skiljer exempelvis företaget "Apple" från frukten "äpple" genom att analysera kontexten.

Entitetslänkning

En avancerad modul för entitetslänkning (Entity Linking, EL) kopplar samman text i dokument med entiteter i Knowledge Graph:

  • Kandidatval: Identifierar potentiella entitetsmatchningar
  • Grafbaserad poängsättning: Använder PageRank-inspirerade metoder för att poängsätta entiteter
  • Maskininlärning: Förfinar matchningar med hjälp av egenskaper för popularitet och frekvens

Grafintegration

Validerade entiteter integreras genom att skapa eller uppdatera noder (entiteter) och kanter (relationer).

Synliggöra insikter

Grafen navigerar genom relationer för att upptäcka indirekta kopplingar – till exempel en flaggad ägares kopplingar till ett högriskland.

Värdeerbjudande

  • Helhetssyn: Se hur fakta hänger ihop, inte bara isolerade datapunkter
  • Opartiskt perspektiv: Olika källor ger en balanserad förståelse
  • Dolda relationer: Identifiera risker som annars skulle missas i enskilda rapporter
  • Agerbara insikter: Få reda på om en ägare har blivit föremål för sanktioner, även utan direkt omnämnande i en enskild källa

Viktiga slutsatser

Knowledge Graph är:

  • Ett ständigt utvecklande nätverk som speglar affärsvärldens dynamik
  • Ett system som kontinuerligt lär sig av ny data
  • Ett verktyg som knyter ihop trådarna för att avslöja dolda relationer
  • Ett sätt att omvandla komplexa rådata till agerbara insikter

Senast uppdaterad

På den här sidan