一、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。

二、区块链dag什么意思***区块链的dac***

什么是DAG

参考ExplainingDirectedAcylicGraph(DAG),TheRealBlockchain3.0

Bitcoin视为blockchain1.0,Ethereum视为2.0,那么3.0是什么?DAG可能会是.

DAG,即DirectAcyclicGraph,有向无环图.它的特点是节点有先后次序,可以有分叉,但还不会有环.DAG常用语数据处理,事务规划,最优路径查找,数据压缩

bitcoin之所以效率低是因为它的POW机制.整个网络只有一个主链,其上的新块只能有一个,无法同时创建多个新块.10分钟左右以内的所有交易记录都被记录到一个块中.Ethereum也是类似,大概15-20秒产生一个新块.

NXT是第一个想到用DAG替代blockchain单链表结构的组织.

有了DAG,就可以同一时间创建多个块.

使用DAG的想法来自于侧链(side-chain).不同类型的交易在不同的链上同时进行.

IoTChain(ITC),IOTA,和Byteball是没有block概念的项目.

如果每个block只有一个transaction,那这个transaction就不用等待被打包,跳过计算hash的过程(即挖矿),直接上链了.

Bitcoin使用UTXO(UnspentTransactionoutput)模型.

DAG网络中,降低网络宽度是比较重要的一个课题.

由于只有transaction,没有打包的过程,DAG比基于PoW或PoS的区块链更快.

DAG网络里,没有矿工.交易的验证直接在交易时进行.对于用户来说这意味着交易可以瞬间完成.

DAG可以有效降低交易费.

IoTChain(ITC)所基于的DAG的TPS达到10,000.

『学概念找员外』有向无环图DAG的用途

有向无环图（DAG,DirectedAcyclicGraph）：是一个无回路的有向图。如果有一个图，从A点出发到B点，然后经过C点，最后可以顺着方向回到A，形成一个闭环，那么这个图就不是非向无环图。如果将从C到A的边方向改为从A到C，则变成有向无环图。如图1和图2。

看到这两幅图，应该可以明白了，当然这个图是很简单的，只有三个点，事实上可能是由百万千万或者更多个点组成的图。有向无环图就是从一个图中的任何一点出发，不管走过多少个分叉路口，都没有回到原来这个点的可能性。

拓扑排序：就是一个有向无环图的所有定点的线性序列。且这个序列必须满足这两个条件：

这个东西，是比较难理解，再上图说话吧。比如在这个有向无环图中，它用拓扑排序，该怎么进行呢？

最后，一个完整的拓扑排序就完成了，结果为：1、2、4、3、5。

大家都知道，在比特币系统中，固定约十分钟出一个块，而且一旦打包成功一个区块，这个区块的信息还必须同步到其他的所有区块上面去，这是极其耗费资源和时间的。同时一个块里面大概能容纳3000笔交易，也就意味着10分钟才能交易成功3000笔。这个交易速度实在是满足不了用户的需求，所以为了解决比特币这个问题，出现了各种分叉币，也可谓是把比特币搞的乱七八糟了。后来以太坊问世后，基于比特币的基础上，交易速度提高了不少，每秒交易可达到20笔左右，但是任然有多次的以太坊拥堵事件，证明这个交易速度还远远不够。

在比特币系统中，如果可以改变51%的节点的记录数据，那么就实现了恶意攻击。然而现在比特币的大部分算力掌握在少数几个较大的矿厂手里，虽然大家都有共识，不会发起恶意攻击，但是不代表不会有意外事件发生。

随着计算机硬件的不断迭代升级，量子计算机的问世，那么比特币的加密算法还会有用吗？会不会被破解掉？虽然比特币的哈希算法可以实时调整难度，但是到底能承受多大的考验，员外是说不清的。

比特币用于大额的跨境转账或者交易等用途，还是挺实用的，但是谁会去用比特币购买小件商品？显然是不可能的，交易手续费就会让你心疼半天，然后还得再等半天的确认时间。

在区块链的应用上使用了DAG图之后，可以使得出块速度变快，因为DAG图中的每个顶点都是一个在某一时间点打包完成的区块。与传统的公链一次性只能产出一个区块来比，DAG的不同节点都可以自己来生成区块，然后这个区块只要选择好自己的下一个或者多个区块作为自己的子区块就好了。仅仅是在这一点上，出块速度就会高出比特币多个量级，交易速度简直可以快的飞起。

基于DAG的数据结构来说的话，对于里面的每个节点来说，因为与之相连的节点很少，而且是有方向性的，只能往前不能后退，所以都不需要再等大量的其他节点达成共识后，再同时确认下一笔交易了，避免了因网络延迟和数据同步造成的大量时间浪费。所以，使用DAG记账的节点的延展性可得到大幅度提升。

从上面这张图中，可以看到DAG的每一个节点都可以向下连接任意多个新的节点，这个有什么用呢？如果在这一个区块内部交易数据或者与之相连的下一步的交易数据也是过多的话，那么就可以分成足够多个区块来共同分担区块压力，从而可以提高交易的吞吐量。相比于比特币这样的系统每次只能打包一个区块来说，简直是完胜。

没有一个东西是完美的，有优势就有缺点，所以DAG的缺点目前在安全问题上面，主要是双花和影子链攻击。这个问题员外目前还没有找到足够好的答案，只能后续再说了。

本文参加优享优质经验征集计划，经验即价值，优享为成长买单

全球首个去中心化经验价值共享平台“优享”开启今夏最强空投!注册即送UX，最高5000UX，更多价值，等你发现！注册链接

GHOST，DAG，SPECTRE，PHANTOM和CONFLUX技术原理

??DAG概念，当做继比特币，以太坊后新的一代区块链技术(区块链3.0)，那么DAG区块链是什么？DAG的由来是什么？它的技术理念是怎么样的？运行在DAG区块链上的协议有哪些？

??要想解释DAG，离不开YonatanSompolinsky和AvivZohar两位以色列人，他们是DAG区块链这一概念的提出者。在DAG之前，AvivZohar提出了一个GHOST协议(以太坊初期就采用了GHOST协议)，该协议解决的是链分叉带来的安全性问题，而分叉的区块链在GHOST协议下数据结构就从一条链变成了一个树(Tree)，而之后AvivZohar进一步提出了一个inclusive协议，在inclusive协议规则下，区块的结构就变成了有向无环图(DAG)。

接下来本文将：

??1.介绍GHOST协议，DAG由来背后的设计原理

??2.介绍三种针对DAG型区块链设计的协议，SPECTRE、PHANTOM和CONFLUX。

??GHOST协议是为了解决分叉导致链安全性降低的一个协议。

??下边将通过解释什么是分叉，为什么分叉会降低链的安全性，链上扩容为什么会导致更多分叉来详细介绍GHOST协议。

一笔比特币交易为什么要等6个区块的交易时长呢？

??等待不是为了防范51%攻击的。落后6个区块，如果拥有超过51%的算力，只要足够长的时间，一定能够产生更长的链完成攻击。它是为了防止分叉带来的风险。

??比特币在理想情况下，不同节点之间有相同的一条区块链，全部节点都是基于同一个区块进行挖矿，但当两个挖矿节点几乎同时挖到一个新的区块，当它们接收到对方产生的区块时，不同的节点将选择基于其中一个区块挖矿，分叉产生了。之后节点会根据哪条分叉更长，选择哪条是主链进行挖矿，而不是主链的分叉区块全部被抛弃。

??比特币每天都会发生二分叉，但出现连续的六次分叉几乎不可能，于是要等待6个区块的确认时间。(这种分叉不是来自恶意攻击，是偶然性以及网络延迟导致的。

分叉将‘攻击不超过51%算力，比特币就是安全的’这一理论推翻。

??在比特币中，当链有分叉时，将选择分叉最长的链作为主链，恶意攻击就是产生一条比主链更长的链代替主链。

??下图中蓝色区块代表诚实区块，红色代表攻击区块。2号、3号蓝色区块产生分叉，此时攻击节点产生5个攻击区块(红色)就能产生一条更长的链完成攻击。虽然蓝色区块总数更多(有6个)，但分叉的区块没有增加链的长度，这种情况下，红色攻击方在算力(假设每个区块代表算力相同)没有超过51%的情况下攻击成功。

??比特币当前安全的原因在于10分钟的区块时间降低了分叉可能性，但其实际安全算力仍低于51%，也就是说，不需要51%的算力也能攻击成功。

??采用大区块以及小的产出时间将导致链有很多分叉。??

??比特币当前处理交易量很低，改进这个缺陷一个可行方法就是增大区块的大小和减小区块的产出时间。大区块需要更多的网络传输时间、单位时间更多的区块数都会导致更多的分叉。??

??链上扩容的方案对比特币处理交易能力提升是巨大的，假如每个区块大小变为原来的八倍(8M)，出块时间缩短为原来的五分之一(2分钟)，理想情况下，比特币的处理交易量将变为原来的40倍，实际情况会产生分叉，交易量不会有这么高。

??主链选择中，采用计算最大子树来代替比特币中的最长链规则。??

??比特币的最长链规则在有分叉情况下，将降低链的安全性，分叉越多，安全性越低。链上扩容将导致更多分叉，导致链不安全。

??YonatanSompolinsky提出GHOST规则，当有分叉时，通过计算最大子树，也就是每条分叉拥有的所有区块数来决定哪条链是主链。图0中，链在区块0后分叉了，上边分叉总计有6个蓝色区块，下边分叉有5个红色区块，蓝色区块1是主链，所以红色攻击失败。??

??在有大量分叉的情况下，GHOST规则将链安全性直接提到了51%，分叉对采用GHOST协议的链安全性没有影响。

??根据GHOST规则，上图中虽然诚实节点产生了12个区块，但加入主链的只有4个区块，大量区块被丢弃，假定比特币每个区块大小变为原来的八倍(8M)，出块时间缩短为原来的十分之一(1分钟)，分叉率为0.33(产生的区块加入主链的概率)，比特币的处理交易能力将变为原来的26.6倍。

GHOST协议解决了链上扩容导致分叉带来的安全性问题。

区块的结构类型就从一条链变为树

??在GHOST的提出后，YonatanSompolinsky提出一种新的设想，新产生的区块指向所有已知的分叉末端区块，即一个区块有多个父亲，此时区块链就从一条链变为多条分叉链共同组成的的结构，这样的链结构就被叫做DAG(有向无环图)。

YonatanSompolinsky进而提出了在DAG上运行的inclusive协议，原理如下：

遗憾的是，YonatanSompolinsky之后并没有详细介绍补充该协议，而是提出了一种新思路的DAG协议——SPECTRE。

??看完上边内容之后，你会发现，最长链规则下，分叉的区块对比特币安全性和交易量没有任何贡献，白白的浪费了算力，而GHOST通过计算分叉区块个数来提升链的安全性，但分叉区块除了纳入区块计数外，区块内包含的交易信息却全部被丢弃。

??这种新的区块结构带来了新的特性，当然，比特币的最长链规则也可以在DAG上实施，只不过安全性和处理交易能力不佳，而GHOST协议可以提高安全性和处理交易能力，为了最大化利用DAG区块链特性，社区提出了不同的协议，接下来介绍YonatanSompolinsky提出的SPECTRE协议，以及PHANTOM协议，以及国内某社区提出的CONFLUX协议。

丢弃主链概念，所有产生的区块共同构成账本，不丢弃任何一个区块

??只要是产生的区块就不会被丢弃，所有的区块都是有效的，所有区块共同组成账本，这样进一步提高了区块链的处理交易能力，该设计的关键在于设计算法来保证区块链不会被恶意攻击成功。??

??SPECTRE协议较为复杂，下边将从其如何产生区块、如何处理冲突交易以及产生可信交易集三个方面进行描述。

SPECTRE协议中，当产生区块时，要指向之前所有分叉的末端区块。

??下图中，左边为比特币产生区块时，当有分叉出现，新区块将选择基于其中一个产生新的区块，而SPECTRE中，将基于所有分叉末端区块产生新的区块。同时，当有新区块产生时，节点要立刻将新区块(包含基于哪些区块产生这一信息)发送给与自己相连接的节点。

??仔细观察，GHOST协议中虽然有分叉，但每个区块都只基于前边某一个区块产生，而SPECTRE协议中要基于当前节点知道的所有末端区块产生下一个区块。

SPECTRE协议将矿工维持交易不冲突的要求剥除??

??比特币就像一本权威的账本，只要是里边记录的，就一定是真的(不考虑分叉和恶意攻击)，而SPECTRE产生的DAG就像一本不权威账本，里边的交易信息可能冲突(上边图1中两个1区块中可能包含冲突交易信息)。??

??该协议下，挖矿节点只负责迅速挖区块(能够达到1秒一个区块)，而对分叉中可能包含的冲突交易在挖矿阶段并不做任何处理，将记录交易速度最大化，让DAG这种区块链有着恐怖的处理交易能力。

??是时候解决挖矿不解决的冲突交易问题了，SPECTRE的思路是设计一个计算投票的算法，让诚实区块会投票给诚实的区块，后边的诚实区块会给前边的堆叠算力，从而让恶意攻击失败，其安全算力也是51%。??

??拿双花举例，下图中，X和Y区块中包含着两条冲突交易会导致双花，此时DAG中的区块会对X和Y进行投票，决定哪一个交易有效。

投票规则如下，投X的标蓝，投Y的标红，XY代表X先于Y：

??根据投票结果，X中的那条交易信息有效，Y中对应的那条交易信息无效。??YonatanSompolinsky也对不指向前边区块以及产生区块不发给邻居节点的恶意攻击有进行分析，在投票规则中，低于50%算力的攻击者会失败。??

??投票听起来像是一个主动地中心化行为，实际上不是，程序根据当前DAG区块所处的状态自发完成这一区块投票计算过程，就相当于，给定一个DAG数据，输入为两条冲突信息，运行该规则算法，将得出一对冲突交易的哪一个为有效。

SPECTRE可信交易集就相当于超过当前6个区块的比特币链里组成的交易集合。??区块链从数字加密货币的角度来说，就是一个账本，从账本上的交易信息中得出每个账户所拥有的货币，所以，得出确定的、不可能更改的交易信息就至关重要，SPECTRE可信交易集产生过程如下：

SPECTRE并不会对所有区块进行排序，所有区块没有一个完整的线形顺序，有的只是决定冲突信息先后的区块顺序对。??

??比特币中的高度代表的就是线形顺序，高度低的区块中交易信息先于高度高的区块里的信息，高度高的区块就不能包含和高度低的区块冲突的交易，而SPECTRE有大量的分叉，区块高度不能代表线形顺序，前边的区块交易信息不一定先于后边的分叉区块交易信息，交易信息的有效性要由投票算法来决定，区块投票算法很快，再加上它将所有分叉区块都包含进来，也就没有了比特币所面临的分叉风险(等待6个区块)，交易确认时间可以达到10秒。

至此，和比特币相比，SPECTRE对应的DAG区块链有三个特点：

??SPECTRE协议非常适合DAG型数字加密货币，但当它用于智能合约时，它的缺陷就出来了，智能合约需要一个严格的线性顺序，对此YonatanSompolinsky新设计了PHANTOM协议来对DAG区块形成一个线性顺序，下边将详细介绍PHANTOM协议。

SPECTRE和PHANTOM是两个完整的独立的协议，不是一个对另一个的补充。

??PHANTOM的挖矿机制和SPECTRE一样，会产生同样类型的DAG，不同的是PHANTOM通过对区块连通度分析，判定区块诚实还是恶意，按照分类对区块排序，对DAG区块产生一个严格的线性顺序，通过线性顺序来判断冲突交易有效性。

DAG中，攻击者有两种攻击手段，一产生的区块不基于已知的末端区块，二不立即发布自己产生的区块，前者会让自己区块指向的区块变少，后者让其他节点产生的区块不会指向自己的区块，这两种情况都会导致这些恶意区块的与其它区块的连接度低。

??诚实区块在考虑网络最大延迟下，经过一定时间一定会传遍整个网络，一定会被后边的区块所指向，诚实节点在产生新区块时也一定会指向自己所知道的末端区块。

??通过对区块指出去的边和指向该区块的边进行分析，也就是区块的连通度，当考虑最大的网络延迟，连通度会有一个极限值K，低于该值的区块可以被认定为恶意区块，在排序中要处于劣势。

接下来，进行区块诚实和恶意判定，判定分两步，第一步最重要，实现复杂也耗费时间，主要为通过对区块连通度的判定，将强连通度的区块标为蓝色视为诚实区块，弱的标为红色视为恶意区块。

??第二步先对蓝色区块集排序，拓扑排序，然后对红色区块集排序。红色区块的顺序要处于弱势，例如上图中C，它处于A和I之间，那么它的顺序会排在I的前一个区块，而D、H都会排在C前。注意通过考虑最大延迟时间设定连通度的值，几乎所有正常诚实节点产生的区块都会被标记为蓝色

??至此，PHANTOM协议实现了对DAG的线性排序，通过线性顺序就可以提取无冲突交易集，进而提取可信交易集，虽然耗时较长，满足智能合约的要求。

??YonatanSompolinsky在PHANTOM协议论文结尾，提出一种将PHANTOM+SPECTRE结合起来的可能协议，没有详细展开介绍。下图是几种协议的对比：

??至此，介绍了YonatanSompolinsky一开始从分叉导致不安全提出的GHOST，到后来将DAG引入区块链，设计了SPECTRE协议，以及为智能合约考虑的PHANTOM协议。接下来，介绍国内某社区提出的CONFLUX协议。

??GHOST有主链但丢弃分叉区块；SPECTRE没有主链，包含所有分叉，但没有线性顺序；PHANTOM没有主链，包含分叉且有线性顺序，而CONFLUX即有主链，又是DAG，利用主链让DAG产生线性排序，下面将从挖矿机制和区块排序两方面来说明CONFLUX协议。

??CONFLUX协议定义了根源边和参考边。新区块是基于前一个主链区块产生的，新区块用根源边(实线)指向前一区块，用参考边(虚线)指向分叉的其他区块末端，如下图最后一个新区块实线指向H，虚线指向分叉末端区块K。根源边用于代表区块基于哪个区块产生，给哪个区块堆叠算力，参考边用于表示分叉的其它区块产生在该区块之前。

挖矿过程如下：

根源边只能有一条，参考边可多条(视情况而定)

以主链区块为分割点，将DAG分段，段间段内设计简单排序算法

??CONFLUX协议下产生的区块链如上(图2)，接下来对其进行线性排序，排序算法如下：

??通过上述排序，DAG有了一个线性顺序，上图DAG区块顺序为Genesis,A,B,C,D,F,E,G,J,I,H,andK。接下来对该线性顺序的区块里的交易信息进行交易排序，单一区块里可能包含的冲突交易将直接按照该区块内交易信息排列先后顺序决定。

??至此，CONFLUX对DAG所有区块产生一个线性顺序，进而可以对区块内交易信息排序，产生无冲突交易集，超过一定时间的无冲突交易组成可信交易集。主链只是排序的标尺，作为分割时段的标准，CONFLUX包含所有分叉区块。

GHOST论文

Inclusive论文

SPECTRE论文

PHANTOM论文

CONFLUX论文

DAGlabs相关讲解视频合集

有谁知道能解释一下有向无环图(DAG)么？怎么用程序做出来，及怎么应用到经济学实证上？

我们说区块链目前还不成熟，有各种各样的问题，比如说处理速度慢、手续费高昂、存在安全隐患等等，这些都是用户最直观的体验，体验不是太好。区块链还有一个问题，那就是高并发问题。

高并发问题是怎么回事呢，我们简单说一下。高并发是计算机领域的问题，简单来讲，高并发问题就是系统无法顺利同时运行多个任务。

很多任务同时运行，一大堆用户涌进来，系统承受不住这么多的任务，会出现高并发问题，你的系统就卡住了，就好比春运时候，12306系统总是卡住，有可能就是高并发问题造成的。

传统互联网尚且存在高并发问题，区块链网络自然也存在这个问题，毕竟区块链的成熟程度比起传统互联网，还有很大的差距。但是，如果没有安全、可靠和高效的公链，整个区块链产业的发展都将受到严重制约，应用落地也是空谈。

在这种背景下，DAG技术就被提出来了，DAG的全称是“DirectedAcyclicGraph”，中文翻译为“有向无环图”。

DAG有向无环图是怎么回事呢，它到底能起到什么作用呢？我们下面解释一下。

一、DAG：一个新型的数据结构

DAG，中文名字叫“有向无环图”，从字面意思看，“有向"就是说它是有方向的，

“无环”就是说它是没有环路的、不能形成闭环的。所以，DAG其实是一种新型的数据结构，这个数据结构是有方向的，同时又是不能形成闭环的。

传统区块来讲，我们总是以“区块”为单位，一个区块里往往包含了多笔交易信息。而在DAG中，没有区块的概念，而是以“单元”为单位，每个单元记录的是单个用户的交易，组成的单元不是区块，而是一笔笔的交易，这样一来，可以省去打包出块的时间。

简单来说，区块链和DAG有向无环图最大的区别就是：区块链是一个接一个的区块来存储和验证交易的分布式账本，而DAG则是把每笔交易都看成一个区块，每一笔交易都可以链接到多个先前的交易来进行验证。

二、DAG的工作原理

传统区块链上，就拿比特币来讲，它是单链式的结构，区块与区块之间按照时间戳的先后顺序排列开来（如图一），数据记录在一条主链上。用不太恰当的比喻来讲，这个

“单链式”结构是一条一字排列的链。

区块链只有一条单链，打包出块就无法并发执行。新的区块会加入到原先的最长链之上，所有节点都以最长链为准，继续按照时间戳的顺序无限蔓延下去。而对于DAG来讲，每个新加入的单元，不仅只加入到最长链的一个单元，还要加入到之前所有的单元（如图二）。

举个例子：假设我发布了一个新的交易，此时DAG结构已经有2个有效的交易单元，那么我的交易单元会主动同时链接到前面的2个之中，去验证并确认，直到链接到创世单元，而且，上一个单元的哈希会包含到自己的单元里面。

换句话说，你要想进行一笔交易，就必须要验证前面的交易，具体验证几个交易，根据不同的规则来进行。这种验证手段，使得DAG可以异步并发的写入很多交易，并最终构成一种拓扑的树状结构，极大地提高扩展性。

依据DAG有向无环图，每一笔交易都直接参与了维护全网。当交易发起后，直接广播全网，跳过矿工打包区块阶段，这样就省去了打包交易出块的时间，提升了区块链处理交易的效率。

随着时间递增，所有交易的区块链相互连接，形成图状结构，如果要更改数据，那就不仅仅是几个区块的问题了，而是整个区块图的数据更改。DAG这个模式

三、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).