知识图谱是人工智能的一个重要分支，对可解释人工智能具有重要作用。金融知识图谱作为专业领域知识图谱，在智能投研、智能风控、智能客服、智能合规等领域有着重要的应用价值。本文综合作者三年以来的产业实践，结合知识图谱领域的技术前沿，以及资管场景的落地应用，浅谈知识图谱在金融资管领域的发展现状与应用展望。、金融资管知识图谱的独特之处根据知识图谱项目的应用场景，可以分为通用知识图谱、专业领域知识图谱。通用知识图谱指的是百度、谷歌、Yandex这类搜索引擎背后的知识图谱，例如德国马普研究所推出的Yago（现在是IBMWatson的知识库之一）、年被Google收购的Freebase、20年由Google、微软、雅虎、Yandex共同推出的Schema.org、年由Wikipedia推出的Wikidata都属于通用知识图谱的范畴。专业领域知识图谱则是聚焦于金融、医疗、能源、农业等行业的深度知识沉淀，二者在众多环节存在巨大差异。第一，专业领域知识图谱的知识结构更复杂并具有层次感。第二，专业领域知识图谱对知识抽取的质量要求更高。第三，专业领域知识图谱的数据来源更聚焦，因此对知识融合的需求更高。第四，从应用的形态上来看，专业领域知识图谱的应用往往涉及决策分析支持，需要用知识图谱支持逻辑推理，并提供较强的可解释性。根据作者自身的产业实践经验，相比其他专业领域而言，金融领域的知识图谱有两个显著特点。首先，金融知识具有较高的复杂性和层次性。不同标的的投资机会或者风险暴露之间有较大的差异，比如分析轮胎公司，不能只看上游化工原材料的价格变化，还要看下游配套主胎车型的销量变化，其中化工原材料价格的变化进一步需要分析供需端的一系列因素，比如矿井勘探、气候变化、地缘政治、替代品价格等。这只是一个轮胎公司的分析框架，不同行业的公司分析框架有较大差异。其次，金融知识具有高度动态性，需要