一、什么是知识图谱

知识图谱，是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。

二、知识图谱有什么用处

知识图谱(Knowledge Graph)是当前的研究热点。自从2012年Google推出自己第一版知识图谱以来，它在学术界和工业界掀起了一股热潮。各大互联网企业在之后的短短一年内纷纷推出了自己的知识图谱产品以作为回应。比如在国内，互联网巨头百度和搜狗分别推出”知心“和”知立方”来改进其搜索质量。那么与这些传统的互联网公司相比，对处于当今风口浪尖上的行业-互联网金融，知识图谱可以有哪方面的应用呢？

目录

1.什么是知识图谱？

2.知识图谱的表示

3.知识图谱的存储

4.应用

5.挑战

6.结语

1.什么是知识图谱？

知识图谱本质上是语义网络，是一种基于图的数据结构，由节点(Point)和边(Edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

知识图谱这个概念最早由Google提出，主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎，知识图谱可用来更好地查询复杂的关联信息，从语义层面理解用户意图，改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候，搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月，家庭情况等等。

另外，对于稍微复杂的搜索语句比如”Who is the wife of Bill Gates“，Google能准确返回他的妻子Melinda Gates。这就说明搜索引擎通过知识图谱真正理解了用户的意图。

上面提到的知识图谱都是属于比较宽泛的范畴，在通用领域里解决搜索引擎优化和问答系统(Question-Answering)等方面的问题。接下来我们看一下特定领域里的(Domain-Specific)知识图谱表示方式和应用，这也是工业界比较关心的话题。

2.知识图谱的表示

假设我们用知识图谱来描述一个事实（Fact）-“张三是李四的父亲”。这里的实体是张三和李四，关系是“父亲”（is_father_of）。当然，张三和李四也可能会跟其他人存在着某种类型的关系（暂时不考虑）。当我们把电话号码也作为节点加入到知识图谱以后（电话号码也是实体），人和电话之间也可以定义一种关系叫 has_phone，就是说某个电话号码是属于某个人。下面的图就展示了这两种不同的关系。

另外，我们可以把时间作为属性（Property）添加到 has_phone关系里来表示开通电话号码的时间。这种属性不仅可以加到关系里，还可以加到实体当中，当我们把所有这些信息作为关系或者实体的属性添加后，所得到的图谱称之为属性图（Property Graph）。属性图和传统的RDF格式都可以作为知识图谱的表示和存储方式，但二者还是有区别的，这将在后面章节做简单说明。

3.知识图谱的存储

知识图谱是基于图的数据结构，它的存储方式主要有两种形式：RDF存储格式和图数据库(Graph Database)。至于它们有哪些区别，请参考【1】。下面的曲线表示各种数据存储类型在最近几年的发展情况。从这里我们可以明显地看到基于图的存储方式在整个数据库存储领域的飞速发展。这幅曲线图来源于 Graph DBMS increased their popularity by 500% within the last 2 years

下面的列表表示的是目前比较流行的基于图存储的数据库排名。从这个排名中可以看出neo4j在整个图存储领域里占据着NO.1的地位，而且在RDF领域里Jena还是目前为止最为流行的存储框架。这部分数据来源于 DB-Engines Ranking

当然，如果需要设计的知识图谱非常简单，而且查询也不会涉及到1度以上的关联查询，我们也可以选择用关系型数据存储格式来保存知识图谱。但对那些稍微复杂的关系网络（现实生活中的实体和关系普遍都比较复杂），知识图谱的优点还是非常明显的。首先，在关联查询的效率上会比传统的存储方式有显著的提高。当我们涉及到2,3度的关联查询，基于知识图谱的查询效率会高出几千倍甚至几百万倍。其次，基于图的存储在设计上会非常灵活，一般只需要局部的改动即可。比如我们有一个新的数据源，我们只需要在已有的图谱上插入就可以。于此相反，关系型存储方式灵活性方面比较差，它所有的Schema都是提前定义好的，如果后续要改变，它的代价是非常高的。最后，把实体和关系存储在图数据结构是一种符合整个故事逻辑的最好的方式。

4.应用

在本文中，我们主要讨论知识图谱在互联网金融行业中的应用。当然，很多应用场景和想法都可以延伸到其他的各行各业。这里提到的应用场景只是冰山一角，在很多其他的应用上，知识图谱仍然可以发挥它潜在的价值，我们在后续的文章中会继续讨论。

反欺诈

反欺诈是风控中非常重要的一道环节。基于大数据的反欺诈的难点在于如何把不同来源的数据（结构化，非结构）整合在一起，并构建反欺诈引擎，从而有效地识别出欺诈案件（比如身份造假，团体欺诈，代办包装等）。而且不少欺诈案件会涉及到复杂的关系网络，这也给欺诈审核带来了新的挑战。知识图谱，作为关系的直接表示方式，可以很好地解决这两个问题。首先，知识图谱提供非常便捷的方式来添加新的数据源，这一点在前面提到过。其次，知识图谱本身就是用来表示关系的，这种直观的表示方法可以帮助我们更有效地分析复杂关系中存在的特定的潜在风险。

反欺诈的核心是人，首先需要把与借款人相关的所有的数据源打通，并构建包含多数据源的知识图谱，从而整合成为一台机器可以理解的结构化的知识。在这里，我们不仅可以整合借款人的基本信息（比如申请时填写的信息），还可以把借款人的消费记录、行为记录、网上的浏览记录等整合到整个知识图谱里，从而进行分析和预测。这里的一个难点是很多的数据都是从网络上获取的非结构化数据，需要利用机器学习、自然语言处理技术把这些数据变成结构化的数据。

不一致性验证

不一致性验证可以用来判断一个借款人的欺诈风险，这个跟交叉验证类似。比如借款人张三和借款人李四填写的是同一个公司电话，但张三填写的公司和李四填写的公司完全不一样，这就成了一个风险点，需要审核人员格外的注意。

再比如，借款人说跟张三是朋友关系，跟李四是父子关系。当我们试图把借款人的信息添加到知识图谱里的时候，“一致性验证”引擎会触发。引擎首先会去读取张三和李四的关系，从而去验证这个“三角关系”是否正确。很显然，朋友的朋友不是父子关系，所以存在着明显的不一致性。

不一致性验证涉及到知识的推理。通俗地讲，知识的推理可以理解成“链接预测”，也就是从已有的关系图谱里推导出新的关系或链接。比如在上面的例子，假设张三和李四是朋友关系，而且张三和借款人也是朋友关系，那我们可以推理出借款人和李四也是朋友关系。

组团欺诈

相比虚假身份的识别，组团欺诈的挖掘难度更大。这种组织在非常复杂的关系网络里隐藏着，不容易被发现。当我们只有把其中隐含的关系网络梳理清楚，才有可能去分析并发现其中潜在的风险。知识图谱，作为天然的关系网络的分析工具，可以帮助我们更容易地去识别这种潜在的风险。举一个简单的例子，有些组团欺诈的成员会用虚假的身份去申请贷款，但部分信息是共享的。下面的图大概说明了这种情形。从图中可以看出张三、李四和王五之间没有直接的关系，但通过关系网络我们很容易看出这三者之间都共享着某一部分信息，这就让我们马上联想到欺诈风险。虽然组团欺诈的形式众多，但有一点值得肯定的是知识图谱一定会比其他任何的工具提供更佳便捷的分析手段。

异常分析（Anomaly Detection）

异常分析是数据挖掘研究领域里比较重要的课题。我们可以把它简单理解成从给定的数据中找出“异常”点。在我们的应用中，这些”异常“点可能会关联到欺诈。既然知识图谱可以看做是一个图（Graph），知识图谱的异常分析也大都是基于图的结构。由于知识图谱里的实体类型、关系类型不同，异常分析也需要把这些额外的信息考虑进去。大多数基于图的异常分析的计算量比较大，可以选择做离线计算。在我们的应用框架中，可以把异常分析分为两大类：静态分析和动态分析，后面会逐一讲到。

-静态分析

所谓的静态分析指的是，给定一个图形结构和某个时间点，从中去发现一些异常点（比如有异常的子图）。下图中我们可以很清楚地看到其中五个点的相互紧密度非常强，可能是一个欺诈组织。所以针对这些异常的结构，我们可以做出进一步的分析。

-动态分析

所谓的动态分析指的是分析其结构随时间变化的趋势。我们的假设是，在短时间内知识图谱结构的变化不会太大，如果它的变化很大，就说明可能存在异常，需要进一步的关注。分析结构随时间的变化会涉及到时序分析技术和图相似性计算技术。有兴趣的读者可以去参考这方面的资料【2】。

失联客户管理

除了贷前的风险控制，知识图谱也可以在贷后发挥其强大的作用。比如在贷后失联客户管理的问题上，知识图谱可以帮助我们挖掘出更多潜在的新的联系人，从而提高催收的成功率。

现实中，不少借款人在借款成功后出现不还款现象，而且玩“捉迷藏”，联系不上本人。即便试图去联系借款人曾经提供过的其他联系人，但还是没有办法联系到本人。这就进入了所谓的“失联”状态，使得催收人员也无从下手。那接下来的问题是，在失联的情况下，我们有没有办法去挖掘跟借款人有关系的新的联系人？而且这部分人群并没有以关联联系人的身份出现在我们的知识图谱里。如果我们能够挖掘出更多潜在的新的联系人，就会大大地提高催收成功率。举个例子，在下面的关系图中，借款人跟李四有直接的关系，但我们却联系不上李四。那有没有可能通过2度关系的分析，预测并判断哪些李四的联系人可能会认识借款人。这就涉及到图谱结构的分析。

智能搜索及可视化展示

基于知识图谱，我们也可以提供智能搜索和数据可视化的服务。智能搜索的功能类似于知识图谱在Google, Baidu上的应用。也就是说，对于每一个搜索的关键词，我们可以通过知识图谱来返回更丰富，更全面的信息。比如搜索一个人的身份证号，我们的智能搜索引擎可以返回与这个人相关的所有历史借款记录、联系人信息、行为特征和每一个实体的标签（比如黑名单，同业等）。另外，可视化的好处不言而喻，通过可视化把复杂的信息以非常直观的方式呈现出来，使得我们对隐藏信息的来龙去脉一目了然。

精准营销

“A knowledge graph allows you to take core information about your customer—their name, where they reside, how to contact them—and relate it to who else they know, how they interact on the web, and more”-- Michele Goetz, a Principal Analyst at Forrester Research

一个聪明的企业可以比它的竞争对手以更为有效的方式去挖掘其潜在的客户。在互联网时代，营销手段多种多样，但不管有多少种方式，都离不开一个核心-分析用户和理解用户。知识图谱可以结合多种数据源去分析实体之间的关系，从而对用户的行为有更好的理解。比如一个公司的市场经理用知识图谱来分析用户之间的关系，去发现一个组织的共同喜好，从而可以有针对性的对某一类人群制定营销策略。只有我们能更好的、更深入的（Deep understanding）理解用户的需求，我们才能更好地去做营销。

5.挑战

知识图谱在工业界还没有形成大规模的应用。即便有部分企业试图往这个方向发展，但很多仍处于调研阶段。主要的原因是很多企业对知识图谱并不了解，或者理解不深。但有一点可以肯定的是，知识图谱在未来几年内必将成为工业界的热门工具，这也是从目前的趋势中很容易预测到的。当然，知识图谱毕竟是一个比较新的工具，所以在实际应用中一定会涉及到或多或少的挑战。

数据的噪声

首先，数据中存在着很多的噪声。即便是已经存在库里的数据，我们也不能保证它有100%的准确性。在这里主要从两个方面说起。第一，目前积累的数据本身有错误，所以这部分错误数据需要纠正。最简单的纠正办法就是做离线的不一致性验证，这点在前面提过。第二，数据的冗余。比如借款人张三填写公司名字为”普惠“，借款人李四填写的名字为”普惠金融“，借款人王五则填写成”普惠金融信息服务有限公司“。虽然这三个人都隶属于一家公司，但由于他们填写的名字不同，计算机则会认为他们三个是来自不同的公司。那接下来的问题是，怎么从海量的数据中找出这些存在歧义的名字并将它们合并成一个名字？这就涉及到自然语言处理中的”消歧分析”技术。

非结构化数据处理能力

在大数据时代，很多数据都是未经处理过的非结构化数据，比如文本、图片、音频、视频等。特别在互联网金融行业里，我们往往会面对大量的文本数据。怎么从这些非结构化数据里提取出有价值的信息是一件非常有挑战性的任务，这对掌握的机器学习，数据挖掘，自然语言处理能力提出了更高的门槛。

知识推理

推理能力是人类智能的重要特征，使得我们可以从已有的知识中发现隐含的知识，一般的推理往往需要一些规则的支持【3】。例如“朋友”的“朋友”，可以推理出“朋友”关系，“父亲”的“父亲”可以推理出“祖父”的关系。再比如张三的朋友很多也是李四的朋友，那我们可以推测张三和李四也很有可能是朋友关系。当然，这里会涉及到概率的问题。当信息量特别多的时候，怎么把这些信息（side information）有效地与推理算法结合在一起才是最关键的。常用的推理算法包括基于逻辑（Logic）的推理和基于分布式表示方法（Distributed Representation）的推理。随着深度学习在人工智能领域的地位变得越来越重要，基于分布式表示方法的推理也成为目前研究的热点。如果有兴趣可以参考一下这方面目前的工作进展【4,5,6,7】。

大数据、小样本、构建有效的生态闭环是关键

虽然现在能获取的数据量非常庞大，我们仍然面临着小样本问题，也就是样本数量少。假设我们需要搭建一个基于机器学习的反欺诈评分系统，我们首先需要一些欺诈样本。但实际上，我们能拿到的欺诈样本数量不多，即便有几百万个贷款申请，最后被我们标记为欺诈的样本很可能也就几万个而已。这对机器学习的建模提出了更高的挑战。每一个欺诈样本我们都是以很高昂的“代价”得到的。随着时间的推移，我们必然会收集到更多的样本，但样本的增长空间还是有局限的。这有区别于传统的机器学习系统，比如图像识别，不难拿到好几十万甚至几百万的样本。

在这种小样本条件下，构建有效的生态闭环尤其的重要。所谓的生态闭环，指的是构建有效的自反馈系统使其能够实时地反馈给我们的模型，并使得模型不断地自优化从而提升准确率。为了搭建这种自学习系统，我们不仅要完善已有的数据流系统，而且要深入到各个业务线，并对相应的流程进行优化。这也是整个反欺诈环节必要的过程，我们要知道整个过程都充满着博弈。所以我们需要不断地通过反馈信号来调整我们的策略。

6.结语

知识图谱在学术界和工业界受到越来越多的关注。除了本文中所提到的应用，知识图谱还可以应用在权限管理，人力资源管理等不同的领域。在后续的文章中会详细地讲到这方面的应用。

参考文献

【1】De Abreu, D., Flores, A., Palma, G., Pestana, V., Pinero, J., Queipo, J.,...& Vidal, M. E.(2013). Choosing Between Graph Databases and RDF Engines for Consuming and Mining Linked Data. In COLD.

【2】User Behavior Tutorial

【3】刘知远知识图谱——机器大脑中的知识库第二章知识图谱——机器大脑中的知识库

【4】Nickel, M., Murphy, K., Tresp, V.,& Gabrilovich, E. A Review of Relational Machine Learning for Knowledge Graphs.

【5】Socher, R., Chen, D., Manning, C. D.,& Ng, A.(2013). Reasoning with neural tensor networks for knowledge base completion. In Advances in Neural Information Processing Systems(pp. 926-934).

【6】Bordes, A., Usunier, N., Garcia-Duran, A., Weston, J.,& Yakhnenko, O.(2013). Translating embeddings for modeling multi-relational data. In Advances in Neural Information Processing Systems(pp. 2787-2795).

【7】Jenatton, R., Roux, N. L., Bordes, A.,& Obozinski, G. R.(2012). A latent factor model for highly multi-relational data. In Advances in Neural Information Processing Systems(pp. 3167-3175).

三、web3关注什么帐户

连星爷都在关注Web3，它能为人类创造什么？

如今，web3.0这个词被用于互联网和金融巨头。

就连周星驰也发了一篇文章来招聘这个领域的人才，说他也想加入web3.0，它的出现能给人类带来什么？Web3.0意味着一个网站可以同时支持多个浏览器，以实现无缝切换。这是一种新的网络协议，旨在解决现有http协议的问题，以便用户可以通过web浏览器访问Internet上的信息。简单地说，Web3.0是一种基于http协议的协议，允许用户直接访问网站，而无需通过其他方法获取现有问题，以便用户通过浏览器访问互联网信息。

其次，在Web3.0时代，您可以使用一个帐户登录到所有平台。此外，账户受到一系列加密算法、博弈论和其他技术手段的保护，允许您管理您的账户，如果您愿意，平台不会限制或拒绝它。我们在Web3.0时代产生的数据属于我们。这些信息的价值在于它可以帮助我们更好地了解世界。Web3时代的数据分析不是简单的数据挖掘，而是必须结合业务场景进行深入分析。

在分析数据时，我们需要充分考虑业务场景的特点、用户行为和其他因素，以便真正实现准确的营销。特别是，它是通过分析用户行为来发现潜在客户，然后实施有针对性的营销行动来提高转化率，为了理解web3.0，我们应该从web1.0开始吗？当中国的互联网刚刚起步时，拍卖网站占据了互联网的一半，互联网公司雇佣了很多人。编辑或编辑将编辑后的图像和文本上传到网站，读者可以浏览数字内容。

这些页面与我们当前浏览的页面不同。它们就像报纸或书，你只能读，不能写。读者不能是地图。然后，问题出现了：当有广告商、公司想在互联网上做广告时，谁应该得到这些好处

首次开通社交账号，亲自招聘人才！Web3哪里值得星爷关注？

星爷可能在web3的虚拟货币，数字加密，Gamefi链游，以及由非常广阔的发展前景上所吸引。

周星驰亲自招聘人才是怎么回事？

根据相关新闻报道，周星驰在自己的社交账号上发布了照片信息，照片里面是他在黑板上写了两个大字“请人”，另外在旁边还有详细的注解。具体就是想要招募web3的人才，另外对于其他方面也提出了详细的要求。周星驰发布了这招聘信息之后，引发了网友们大量的讨论。有许许多多的人认为周星驰要跨行了，转移到了互联网行业，并且你有网友开玩笑，想要将自己的简历发给周星驰，和周星驰一起工作。

web3由非常多的使用场景。

Web3.0在我国的发展前期是非常不错的，在某种程度上，web3是基于区块链技术的。而区块链是一个非常好的加密手段，他不仅仅可以保密，并且还可以防止一些网络上的不法分子对信息进行暴力破解。另外web3的适应场景是非常广泛的，国内在web3上的使用场景主要是数字加密，Gamefi链游，以及一些电影音乐，专辑或者影片上的加密。所以说web3的使用范围是非常大的，可能这也是吸引周星驰招募人才的原因。

个人看法

我觉得微博上可能在一些电影方面会有重大的作用。例如电影的交易上，在电影未上映前，电影通常是有一个原版的。到固定的上映时间时，这个原版会发布到全国大大小小的影院，然后影片才会被观众所看到。但是在这个过程中，有一定的截获风险，但是用web3可能就很好的解决了这个难题，所以说星爷布局web3技术，是非常有远见的。

web3.0怎么添加

Web3.0（或更常见的拼写方式为web3）没有被广泛接受的定义。不同的人对这个词提出了不同的想法。

最初，Web3.0指的是所谓的“语义网”，旨在使互联网机器可读。语义网由万维网的发明者蒂姆·伯纳斯-李（TimBerners-Lee）创造，是“一个可以由机器直接或间接处理的数据网络”。语义网的支持者不想使用HTML，而是希望使用新的专门为数据量身定制的语言。

Web3（也用小写字母拼写为web3）不关心语言或机器可读性。

相反，Web3指的是互联网的去中心化版本。2014年，以太坊的联合创始人之一和Polkadot的创建者GavinWood创造了Web3一词。几年后，他创立了Web3基金会，以创建“一个去中心化且公平的互联网，用户可以控制自己的数据、身份和命运”。

由于加密，Web3中的这种所有权概念成为可能。

加密货币和区块链

有一个简单的经验法则可以检查您是否正在与Web3交互。

如果您在网页上看到“连接钱包”按钮-这很可能是Web3。

Web3.0示例：您可以使用任何钱包连接到Zerion的Web应用程序

您无需输入登录名和密码，而是连接您的非托管加密钱包以与该网站进行交互。您的钱包的加密签名无需依赖Facebook或Google拥有的集中式数据库即可验证您的身份。

在集中式Web2.0应用程序中，您的帐户本质上是数据库中的一条记录。您的帐户可能有很多数据（尝试下载您的Facebook数据，您会感到震惊）。但是所有这些数据都归应用程序的运营商所有。

在去中心化的Web3.0应用程序中，您的帐户是区块链（例如以太坊）上的地址。该地址可以保存加密货币、代币、NFT，并拥有过去与其他地址和应用程序交互的完整历史。在以太坊上，这个账户是公开的，但它可以保持匿名，你是唯一可以控制它的人。

这种从孤立账户到用户拥有账户的转变是一件大事。

事实上，去中心化可以创造一整套新的应用程序，包括丰富的元宇宙。

Web3.0和元宇宙的互操作性

元宇宙是一个持久的虚拟世界，人们可以在其中相互交流。

虽然媒体经常将元宇宙描绘成未来主义的东西，但它已经存在。像Fortnite和Roblox这样的游戏是虚拟世界，尽管它们的受众相当狭窄。

这些元节也由其开发人员控制。

Fortnite的开发商EpicGames完全控制了游戏世界，包括玩家账户。许多玩家支付真金白银的皮肤仍然归EpicGames所有，而不是玩家所有。

Web3可以改变这一点。

正如我们所讨论的，你的加密钱包可以持有代币和NFT。这些NFT可以表示一个元节中的项目。如果你购买了NFT并将其保存在你的钱包中，那么没有人可以从你那里拿走它。只有您可以转让或出售它。

这可以解锁不同元节之间的互操作性。在一个元节中具有某些功能的NFT也可以在另一个元节中使用。

如果这一切听起来有些牵强，那么浏览一下Web的历史有助于了解未来的发展轨迹。

Web3.0技术的演进

互联网的发展经历了几个不同的阶段。

Web1.0(1989-2005)：只读

早期的互联网是真正去中心化的。

任何人都可以自由地做任何他们想做的事情，只要它是在常见的开源协议中完成的：TCP、IP、HTTP、SMTP。我们都仍然使用这些协议。

但是，作为用户，您在Internet上没有什么可做的。

大多数早期的网站都是被动的。你可以过来读书。即使添加评论也很少见。

Web2.0（2005年至今）：读写

在2000年代初期，互联网变得更加复杂。

像MySpace这样的第一个社交网络让日常用户可以创建网页、发布内容并相互互动。

这些新功能引发了一波创新浪潮，刺激了社交媒体、复杂的Web应用程序、电子商务和价值数十亿美元的公司。

用户生成内容的激增也造成了自然垄断。所有Facebook帖子、YouTube视频和亚马逊评论都保存在BigTech拥有的数据库中。这些海量数据帮助大公司创造新产品，引导人们花费更多时间创建数据。

Web2.0导致了几个问题。

用户数据是中心化的：您的所有数据都存在于中心化服务器上，并且可能被滥用、黑客攻击或泄露。

用户数据不可移植：您无法轻松移动内容或受众。如果TikTok在您所在的国家/地区被禁止，您需要手动导出视频并以某种方式要求您的关注者切换到新平台。

用户数据被出售：如果你不为产品付费，你就是产品。Facebook和Google使用您的数据创建了巨大的广告双头垄断。

Web3.0（现在出现）：读、写、拥有

如果你可以拥有你的数据怎么办？

Web3旨在通过用区块链技术取代集中式数据库来做到这一点。您的数据可以作为NFT存放在您的加密钱包中，而不是驻留在公司服务器上。

Web3.0运动旨在解决由BigTech在Web2.0中的主导地位所造成的问题。

用户数据归用户所有：数据作为资产存在于区块链和其他去中心化技术上。

用户数据是可移植的：只有您通过Web3钱包控制您的数据。

用户可以完全控制数据：某些应用程序可能会让用户通过自己的数据获利。其他应用程序可能会要求付款，但理想情况下，这应该是明确的。

由于Web3.0技术的堆栈尚未完全形成，新的去中心化网络仍然是一个愿景。

Web3.0技术

从技术角度来看，Web3并不寻求完全取代支持Web2.0的堆栈。

相反，Web3可以在重要的地方引入去中心化。这可能是数据存储、文件托管、后端逻辑、登录和授权。

网络2.0网络3.0

前端HTML、CSS、JavaScript。相同的HTML/CSS/JS加上一个用于与区块链交互和签署交易的加密钱包。

后端

Python、Node.js等。Solidity中的智能合约，在以太坊虚拟机中执行。

数据MySQL、甲骨文等链下去中心化存储，例如IFPS、Swarm或Arweave。

Web3技术堆栈还有其他几个重要元素，包括Alchemy等节点基础设施提供商和TheGraph等链下索引解决方案。

然而，更重要的是了解这些技术支持的关键特性。

Web3.0的主要特点

去中心化使Web3与其前身区分开来的几个重要特性成为可能。

Web3.0技术是

不信任

可验证

免许可

加密原生

社区所有

抗DDoS

当然，这些优势是有代价的。与集中式后端相比，智能合约更慢且更昂贵。Web3的UX也远非完美。

但也不是每个Web应用都需要是Web3。

Web3.0应用程序

虽然去中心化的元素可能在广泛的情况下有用，但Web3还支持新的独特应用程序。

DeFi可能是Web3应用程序中最引人注目的例子。智能合约创建了一个新的替代金融系统，包括交易、借贷、衍生品等。

DAO或去中心化自治应用程序提供了另一种组织人员和工作的方式。与传统公司和其他正式组织不同，DAO依靠代码而不是法律来创建合作结构。DAO可以使用联合管理的加密钱包代替银行账户。DAO成员可以持有代币，而不是股票，并使用它们对重要决策进行投票。除了本身是Web3.0应用程序之外，DAO还可以拥有其他Web3应用程序。

NFT不仅仅是昂贵的JPEG，它们可以创建一个新的替代身份，在Facebook或Google上的政府ID和个人资料之外。

GameFi应用程序可以创建新的游戏赚钱机制，将游戏和工作相结合。一些像AxiesInfinity这样的游戏已经让发展中国家的人们有机会在玩游戏时赚取生活工资。

Metaverses可以结合所有这些应用程序来创建持久的虚拟世界，其中加密钱包将充当Web3.0护照和所有资产、身份和体验的持有者。

然而，在这些雄心勃勃的愿景能够实现之前，必须建立许多缺失的块。这就是一些区块链项目正在开展的工作。

Web3.0区块链项目

Web3依赖于一组新的去中心化技术。其中许多项目都有自己的代币，这些代币构成了其内部经济的基础。

流行的Web3硬币

Web3.0令牌不是一个明确定义的类别。任何致力于构建去中心化存储或支持基础设施的项目都可以被视为Web3.0代币。

一个非常不完整的列表（绝对不是财务建议！）将包括以下硬币。

Filecoin：开源云存储市场和IPFS的激励层，IPFS是一些Web3.0应用程序使用的分布式点对点文件存储。虽然原生代币FIL在其自己的区块链上运行，但WFIL是一个包装版本，位于以太坊上。Filecoin的市值最高时超过120亿美元，是最著名的Web3代币之一。

Arweave：一个启用“permaweb”的网络，一个永久的分布式存储。您可以使用原生代币AR支付一次并永久存储任何文件。AR有自己的分布式账本和钱包。

StorjNetwork：去中心化的云存储。Storj没有维护自己的数据中心，而是依赖于共享存储空间的组织和个人的点对点网络。STORJ是用于网络内激励的原生代币。

Livepeer：去中心化直播视频流平台。LPT是可以用来保护网络的协议代币。

TheGraph：用于组织区块链数据和IPFS的索引协议。Web3开发人员可以使用GraphNetwork访问其应用程序中的公共区块链数据。GRT是一种协议代币，可在不同参与者之间调整激励措施。

Chainlink：去中心化“预言机”网络，将现实世界的数据带入区块链。如果智能合约需要股票价格、天气或足球比赛结果等数据，它们就需要预言机。LINK是支付给节点运营商以提供数据的协议令牌。

这些只是致力于实现去中心化互联网的项目的一些Web3代币。请在购买任何硬币之前进行自己的研究。

如何购买Web3.0代币

要购买Web3.0代币，您首先需要有一个加密交换帐户（Web2.0选项）或非托管加密钱包（Web3方式）。

走Web3钱包路线，体验去中心化互联网的运作方式：

创建一个非托管钱包。

购买一些ETH。

找到令牌。

购买代币。

而已！您将在Zerion的概览中显示代币，其中显示了您在加密钱包中持有的所有内容。

加入Web3.0

Web3仍处于起步阶段。但它已经在这里了。如果您看到“连接钱包”按钮，那就是它的标志之一。

在这篇文章中，我们回顾了Web3的定义，探讨了它的演变，并概述了技术和应用。但体验Web3的最佳方式是创建一个以太坊钱包，用一些ETH加载它，然后开始你的去中心化之旅。

FAQ

Web3.0也称为什么？

Web3.0或web3是互联网的新去中心化版本。与由大科技主导的Web2.0不同，Web3.0寻求回归早期网络的去中心化，同时也利用加密货币的本地数字支付。

Web3.0也可以指语义网或机器可读互联网的愿景，它试图引入除HTML之外的新协议。

什么是Web3.0及其示例？

Web3.0的一个示例是您可以使用非托管加密钱包与之交互的任何去中心化应用程序。Web3应用程序可能看起来像一个常规网站，但不是集中式后端，它使用智能合约来处理部分或全部业务逻辑。

Web3.0是否已经存在于2022年？

是的！虽然技术和UX远非完美，但Web3应用程序已经出现。DeFi应用程序是Web3.0可以做的一个很好的例子。

Web3.0以什么广为人知？

Web3.0或web3被称为分散的、用户拥有的互联网。Web3使用区块链和其他去中心化技术将控制权交还给用户。

周星驰都在关注Web3，“web3”到底是什么意思？

“Web3.0”到底是什么意思？为什么这么多人喜欢使用它？今天我们就来聊聊这个话题。

首先，Web3.0就是一个网站可以同时支持多个浏览器，这样就可以实现无缝切换。它一种新型的网络协议，目的是为了解决现有的http协议存在的问题，使得用户能够通过web浏览器访问互联网上的信息。简单来说，Web3.0就是一种基于http协议的协议，这种协议允许用户直接访问网站，不需要通过其他方式获存在的问题，使得用户能够通过web浏览器访问互联网上的信息。

其次，在Web3.0时代，你可以用一个账号登录所有的平台，而且，这个账户背后是由一系列密码学算法、博弈论等技术手段保障的，让你对自己的账户拥有控制权，不会随意被平台限制或封禁。

此外，在Web3.0时代，我们产生的数据都属于我们自己。而这些数据的价值，就在于它们可以帮助我们更好地理解这个世界。web3时代的数据分析，不是简单的数据挖掘，而是需要结合业务场景进行深度分析。我们需要在数据分析的过程中，充分考虑业务场景的特点，以及用户行为习惯等因素，才能真正实现精准营销。具体来说，就是通过对用户行为的分析，找到潜在客户，然后针对性地开展营销活动，从而提升转化率。

最后，在Web3.0，你拥有你资产的控制权，并且可以通过浏览器访问你的资产。这意味着你可以随时查看你的资产状况，包括你的收入、支出以及你的投资组合。

Web3.0时代的到来，将彻底改变互联网行业的生态环境，从而重塑整个产业链。这一切都是基于区块链技术的应用场景。区块链技术的核心价值在于去中心化、分布式账本、点对点传输、共识机制等特性，可以解决信任问题，提高效率，降低成本，实现价值互联网。