度小满 AI-Lab 团队新模型 TranS 刷新纪录，登上 OGBL-wikikg2 冠军宝座

日前，OGBL-wikikg2 比赛榜单揭晓。度小满 AI-Lab 团队以强劲实力碾压 Meta AI 实验室 FAIR、蒙特利尔 Mila 实验室等一众对手，登上冠军宝座！此次，度小满 AI-Lab 团队重磅研发的新模型 TranS，在解决金融行业数据孤岛、降本增效等方面将发挥重要作用。

OGBL-wikikg2 比赛榜单揭晓，度小满以实力登顶

在这场「高手云集」的国际竞赛中，度小满数据智能部 AI-Lab 团队提出创新性知识图嵌入（KGE）模型 TranS，刷新了 OGBL-Wikikg2 基准数据集最高记录。

据了解，今年年初，度小满 AI 团队系统性梳理了现有的图表示学习方法，在数据处理和算法优化等方面进行了数以千次的实验后，他们提出了两实体间多样化的关系合成模式，形成了现在的 TranS 模型。

新模型 TranS 突破了基于翻译的知识表示学习中传统分数模式，通过实体节点间关系向量的合成与推理提升复杂场景下知识图谱建模的能力，有效地解决了这些问题。同时，在同一实体对的不同关系表示上，远超 TransE、InterHT、TripleRE、TransH、PairRE 等现有方法。

度小满研发新模型 TranS，提升风控模型准确度与区分度

图神经网络就是图数据与神经网络的结合。其中，图数据可以简单理解为一种独特信息表现形式 -- 图的每个节点看做是一种实体，比如一个用户、一个商品，或者一个事件；图的边则表示不同实体和事件之间的关系。

图数据在现实世界无处不在，高度结构化的图数据形成了庞大的知识图谱，这种知识表示形式，为 AI 系统提供了可学习的先验知识，能够获得处理复杂任务的能力。因此，图神经网络算法在金融风控领域有着广泛的应用前景。

比如金融风控领域往往依赖于大量的文本信息，而实际上还存在着大量的结构化的知识图谱信息待风控模型使用。对于基于神经网络的风控模型来说，如何将离散的图信息转换成连续的向量表示十分重要。而通过 TranS 模型可以有效提升图结构中实体和关系的表示效果，进而挖掘潜藏的复杂关系，提升风控模型的准确度与区分度。

庞大数据量，是金融行业 AI 化的天然优势，但数据的复杂性，多维性，以及隐私等问题也为金融企业带来了不小的挑战。度小满团队表示，图神经网络技术，能够帮助行业降本增效、解决数据孤岛和安全问题，在智能获客、智能风控、智能经营、智能机器人等应用方面发挥着重要作用。

在图神经网络之外，度小满 AI Lab 在深度学习、计算机视觉、自然语言处理，包括文本向量化、文本分类、信息抽取等方向上也早有布局。去年 3 月，该团队凭借 DML 算法获得 MS MARCO 国际比赛中文档排序任务的冠军。去年 12 月，该团队又研发了轩辕 (XuanYuan) 预训练模型，在国际权威测评基准 CLUE1.1 榜单中"力压群雄"斩获第一，距离人类表现仅差 3.38 分。时隔几个月，度小满再次在世界级 AI 竞赛中夺冠，再次见证科技实力。

多年来，度小满 AI-Lab 团队在 AI 核心技术领域不断深入探索，取得了令人瞩目的成绩，这也将成为度小满的核心竞争优势。未来，随着人们对 AI 技术的持续创新、研发力度的加强，人工智能技术也将深度赋能行业，成为金融服务行业创新的巨大推动力，为产业发展带来更多变革与机遇。