538 lines
54 KiB
JSON
538 lines
54 KiB
JSON
{
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"answer": "【检索结果汇总】\n\n查询问题：截至2024年5月末，数字人民币累计交易金额是多少？\n\n检索到 26 个相关段落：\n\n【事件信息】\n\n事件1：截至2024年5月末，数字人民币累计交易金额达6.6万亿元，相较于2023年交易金额同比增长7.3倍\n\n事件2：央行发布数据显示，截至2024年5月末，数字人民币累计交易金额达6.6万亿元。\n\n事件3：据Statista最新数据显示，2024年第三季度，中国第三方移动支付市场交易规模已突破93.56万亿元人民币\n\n事件4：数字人民币在批发零售、餐饮文旅、教育医疗、公共服务、城市治理等领域广泛推广应用\n\n事件5：截至2023年底，中国移动支付业务量达1851.47亿笔，同比增长率16.81%\n\n事件6：数字人民币在批发零售、餐饮文旅、教育医疗、公共服务、城市治理等领域广泛应用。\n\n事件7：数字人民币试点范围已拓展至17个省（市）的26个地区\n\n事件8：数字人民币交易金额同比增长7.3倍。\n\n事件9：数字人民币试点范围拓展至17个省（市）的26个地区。\n\n事件10：在批发零售、餐饮文旅、教育医疗、公共服务、城市治理等领域广泛应用\n\n事件11：通过企业经营数据、用电用水数据与实时位置数据的融合开发，形成对地区经济发展情况或民生情况的洞察\n\n事件12：数据应用在金融、电信等行业效果较好，其他行业效果待提升\n\n事件13：运营主体需要了解不同行业和场景下的数据应用需求与现状\n\n事件14：场景\n\n事件15：数据应用在金融、电信等行业落地效果较好\n\n事件16：总体来看仍处于发展初期\n\n事件17：运营主体需了解不同行业和场景下的数据应用需求。\n\n事件18：以推动数据共享、内部应用、外部流通，从场景出发满足数据价值评估和成本核算的需求\n\n事件19：公益性应用方面，目前公共数据主要赋能公共治理与公共服务，包括在公共安全、市场监督、交通管理、城市建设、城市服务、社会保障、公共卫生、绿色环保等场景实现落地应用。\n\n事件20：不断丰富数据应用场景\n\n\n\n【段落信息】\n\n段落1：# 浅谈金融科技推动支付创新 李鹏毳 李孟光 随着数字技术的迅猛发展，支付方式正经历着一场前所未 有的深刻变革，从传统现金支付、银行卡支付的单一模式，向 移动支付、数字货币等多元化创新支付方式迈进。金融科技成 为促进支付领域创新的核心驱动力。据中国人民银行统计数据 显示，截至2023 年底，中国移动支付业务量达1851.47 亿笔， 同比增长率16.81%。 ## 一、金融科技在支付领域的创新探索深化 ### 1.移动支付的全面普及与持续深化 随着智能手机与应用程序的普及，一键支付或无感支付成 为消费者日常生活中的重要选择。据Statista 最新数据显示， 2024 年第三季度，中国第三方移动支付市场交易规模已突破 93.56 万亿元人民币，环比增长0.96%，根据移动支付市场现有 规模数据，结合当前新消费趋势下的支付需求，便捷支付以及 移动支付领域将会更加便捷化、普适化及安全化。 据央行发布的数据显示，截至2024年5月末，数字人民币 累计交易金额达6.6万亿元，相较于2023年交易金额同比增长 7.3倍。数字人民币试点范围已拓展至17个省（市）的26个地 区，在批发零售、餐饮文旅、教育医疗、公共服务、城市治理 等领域广泛推广应用，并推出基于数字人民币智能合约的预付 资金管理、供应链金融、信贷服务、小微企业服务等产品。 ### 2.\n\n段落2：据央行发布的数据显示，截至2024年5月末，数字人民币 累计交易金额达6.6万亿元，相较于2023年交易金额同比增长 7.3倍。数字人民币试点范围已拓展至17个省（市）的26个地 区，在批发零售、餐饮文旅、教育医疗、公共服务、城市治理 等领域广泛推广应用，并推出基于数字人民币智能合约的预付 资金管理、供应链金融、信贷服务、小微企业服务等产品。 ### 2.金融科技推动支付安全手段不断升级 在支付安全领域，一系列创新技术正在提升支付过程的安 全性。首先，实时密码更改技术允许用户随时更新支付密码， 增强了账户的即时保护能力。此外，3D 安全认证（ 3D Secure）作为一项在线交易安全措施，要求用户输入由发卡银 行提供的额外验证码，为交易安全增加了一道防线。 硬件安全芯片为存储在内的数据提供了额外的保护，使其 免受物理和软件攻击的威胁。在支付领域，这些安全芯片用于 安全地存储和验证支付信息。行为分析技术则通过监测用户的 交易行为和模式，识别出异常活动，帮助支付机构及时识别并 阻止欺诈行为，为支付安全再添一层保障。这些前沿技术的应 用，共同构建了一个更加安全、可靠的支付环境。 ### 3.新兴支付技术不断涌现 除了大家熟知的刷脸支付、指纹支付外，掌纹支付、无电 无网支付、“碰一下”支付等新兴的支付技术也陆续进入大众 视野。掌纹支付采用的是“掌纹+掌静脉”识别技术，利用图像 令牌化技术通过将敏感信息如银行卡号替换为唯一的令牌 减少了敏感数据在支付过程中的直接传输，从而降低了数据泄 露的风险。多因素认证技术则结合了密码、生物识别特征和物 理设备等多种验证方法，提高了账户安全性，因为攻击者需要 同时获取多个验证因素才能非法访问账户。\n\n段落3：与此同时， “数据要素x”“人工智能+”等行动计划持续推出，为企业不断深 化数字化转型和智能化改造，强化业务流程优化和提效做出了顶层 战略安排。 | 日期 | 政策 | 内容 | 2024.7 | 《中共中央关于进一步全面深化改革推进中国式现代化的决定》 | 加快构建促进数字经济发展体制机制，完善促进数字产业化和产业数字化政策体系，加快新一代信息技术全方位全链条普及应用。| 2024.3 | 《2024年政府工作报告》 | 明确“深入推进数字经济创新发展，制定支持数字经济高质量发展政策，积极推进数字产业化、产业数字化，促进数字技术和实体经济深度融合”。 | 2023.2 | 《数字中国建设整体布局规划》 | 建设数字中国是数字时代推进中国式现代化的重要引擎，是构筑国家竞争新优势的有力支撑。 | 2022.10 | 《高举中国特色社会主义伟大旗帜为全面建设社会主义现代化国家而团结奋斗》 | 要加快建数字中国，发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。 | 2022.1 | 《“十四五”数字经济发展规划》 | 全面整合企业内部信息系统，强化全流程数据贯通，加快全价值链业务协同，由点及面向全业务全流程数字化转型延伸拓展。 ## （二）数字化转型的定义与内涵 中国信息通信研究院云计算与大数据研究所基于中国信通院《中国数字经济发展白皮书（2020）》中“产业数字化”的定义，定义“企业数字化”是指企业与数字技术全面融合，提升效率的经济转型过程，即利用数字技术，把企业各要素、各环节全部数字化，推动技术、业务、人才、资本等要素资源配置优化，推动业务流程、生产方式重组变革，从而提高企业经济效率。 数字化转型重塑战略定位与组织模式，打通企业经营管理各环 节。\n\n段落4：# 数据应用赋能场景百花齐放，但不均衡现象普遍存在\\n\\n总体来看，目前数据与实体经济融合应用整体上还处于发展初期，**有着广阔的发展空间**。在应用行业、应用深度、业务规模等方面**不均衡现象普遍存在**。\\n\\n\\n\\n\\n\\n* 行业分布不均衡\\n\\n数据应用在金融、电信等行业落地效果较好，而在其它众多行业的效果则有待提升，总体来看仍处于发展初期。\\n\\n* 业务类型不均衡\\n\\n数据应用仍主要集中在外围业务：如营销分析、客户分析和内部运营管理等。在产品设计、产品生产、企业供应链管理等核心业务的渗透程度还有待提高，大规模应用尚未展开。\\n\\n中国·北京 12.20-12.21 回归数据本质 应用驱动治理\\n\\n2023数据资产管理大会\\n\\n*数据来源：数据产业地图，中国信息通信研究院\n\n段落5：公益性应用方面，目前公共数据主要赋能公共治理与公共服务， 包括在公共安全、市场监督、交通管理、城市建设、城市服务、社会 保障、公共卫生、绿色环保等场景实现落地应用。例如推进公安系统 交通管理数据、交通轨迹数据与个人信息数据的匹配，开发智慧交通 监测管理系统，实现违法违规监测、轨迹监控、异常追踪等，在交通 管理、市政管理、碳排放控制等方面提升工作效率与成果；通过企业 经营数据、用电用水数据与实时位置数据的融合开发，形成对地区经 济发展情况或民生情况的洞察，一方面可为政府部门提供决策支撑， 另一方面可对企业经营具体事项进行监管。此外，还包括智慧安防布 局、智慧农业监管、城市内涝预警、城市卫生治理、大型活动公共安 全保障等细分领域的数据应用，高效助力政府的公共治理与公共服务。 商业化应用方面，目前金融领域的征信、贷款、保险等业务场景先行， 跑通了公共数据助力产业发展的链路。例如涉农或中小微企业、个体 工商户的普惠金融提效、基于医保数据聚合实现的智能核保、以及应 用供电、供水、环保排放等多源数据融合的绿色金融惠企政策落地等。 此外，也有地方已经实现了公共数据在其他行业领域的应用，实现对 企业经营、企业服务、企业合规等方面的赋能，包括应用分时段市政 交通数据进行商业选址、应用场站人流数据进行精准投放、合规应用 个人基础数据保障反欺诈等等。\n\n段落6：充分利用人工智能、大模型等前沿技术，优化数据盘点和目录管理的效率。广 东移动构建以数据地图为核心的常态化的数据智能盘点机制。数据盘点以统一元数据 为基础，经过以下三个步骤实现数据资产的自动智能盘点：一是数据发现，即通过元 数据采集获取数据资源信息，并解析日志、SQL开发脚本和程序代码以获取数据关 系；二是稽核评估，即根据数据资源及开发规范，评估采集后的元数据的冗余度、完 整性、一致性和合理性等，并统计分析出数据资源的摘要信息；三是信息识别，即内 嵌智能技术，智能化盘点数据资源，实现自动梳理数据资产、自动分类数据标签，自 动生成数据资产目录，形成全域数据地图。这种基于“自动化+AI智能化+自下而上”的 梳理和编目方法，降低了人工成本和时间周期达30%以上。 ## （二）数据应用场景 数据应用场景构建是指在明确应用过程中的数据安全、数据质量及隐私保护要 求的基础上，构建应用场景地图，明确各类应用场景的数据用户、数据内容、血缘关 系、算法模型、效果评价指标等，以推动数据共享、内部应用、外部流通，从场景出 发满足数据价值评估和成本核算的需求。 数据需求管理是开展数据应用的基础。数据需求管理是对各业务领域数据需求 的产生、定义、获取等进行统一的管理，其目的是从需求源头进行数据管控，确保数 据治理的效果，并促进数据在组织内的共享和应用。\n\n\n相关子查询：\n截至2024年5月末，数字人民币累计交易金额是多少？、该数据是否包括各类应用场景，如线上支付、线下消费等？\n\n检索统计：\n- 查询复杂度：{'is_complex': True, 'complexity_level': 'complex', 'confidence': 0.95, 'reason': '这是一个复杂查询，需要生成多方面的个子查询来回答。查询涉及到时间（2024年5月末）、特定货币（数字人民币）和累计交易金额的数据获取。这些信息可能分布在不同数据源或需要特定的计算方法来整合。'}\n- 是否复杂查询：True\n- 迭代次数：0\n- 信息充分性：True\n",
|
||
"query_complexity": {
|
||
"is_complex": true,
|
||
"complexity_level": "complex",
|
||
"confidence": 0.95,
|
||
"reason": "这是一个复杂查询，需要生成多方面的个子查询来回答。查询涉及到时间（2024年5月末）、特定货币（数字人民币）和累计交易金额的数据获取。这些信息可能分布在不同数据源或需要特定的计算方法来整合。"
|
||
},
|
||
"is_complex_query": true,
|
||
"retrieval_path": "complex_hipporag",
|
||
"iterations": 0,
|
||
"total_passages": 26,
|
||
"sub_queries": [
|
||
"截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"该数据是否包括各类应用场景，如线上支付、线下消费等？"
|
||
],
|
||
"decomposed_sub_queries": [
|
||
"截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"该数据是否包括各类应用场景，如线上支付、线下消费等？"
|
||
],
|
||
"initial_retrieval_details": {},
|
||
"sufficiency_check": {
|
||
"is_sufficient": true,
|
||
"confidence": 0.9,
|
||
"reason": "事件信息和段落信息包含了回答查询所需的关键内容...",
|
||
"iteration": 0
|
||
},
|
||
"current_sub_queries": [],
|
||
"is_sufficient": true,
|
||
"all_documents": [
|
||
{
|
||
"page_content": "截至2024年5月末，数字人民币累计交易金额达6.6万亿元，相较于2023年交易金额同比增长7.3倍",
|
||
"metadata": {
|
||
"node_id": "26a80bb20d19cde84869da112de1b60df80dfeca5ecbf39dbeff85012b340d9e",
|
||
"node_type": "event",
|
||
"ppr_score": 0.07631847052062467,
|
||
"edge_score": 1.9256756,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "央行发布数据显示，截至2024年5月末，数字人民币累计交易金额达6.6万亿元。",
|
||
"metadata": {
|
||
"node_id": "0b6cc4dd6b230b3035850c975d28c75deb64e33fae5475680497528bf951ea77",
|
||
"node_type": "event",
|
||
"ppr_score": 0.00908637739417374,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "据Statista最新数据显示，2024年第三季度，中国第三方移动支付市场交易规模已突破93.56万亿元人民币",
|
||
"metadata": {
|
||
"node_id": "7b7352c19664c623277cccfaf64384f43453e4e5ee2215356e860c351fb51a6c",
|
||
"node_type": "event",
|
||
"ppr_score": 0.006685923478579289,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 3,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数字人民币在批发零售、餐饮文旅、教育医疗、公共服务、城市治理等领域广泛推广应用",
|
||
"metadata": {
|
||
"node_id": "e6c6a28af8df50fb7be6ab0ea8961d4c754ec37f2fad2b60fe9640aabf55b697",
|
||
"node_type": "event",
|
||
"ppr_score": 0.006444332576064898,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "截至2023年底，中国移动支付业务量达1851.47亿笔，同比增长率16.81%",
|
||
"metadata": {
|
||
"node_id": "b5ec174a9d72e97d5fc8afcc21fc3d3099540bdb740e27269dfd1a9dcf15c2a6",
|
||
"node_type": "event",
|
||
"ppr_score": 0.00635684374417414,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数字人民币在批发零售、餐饮文旅、教育医疗、公共服务、城市治理等领域广泛应用。",
|
||
"metadata": {
|
||
"node_id": "28cef79d7e34032d800c515790e300c48b0d3ae289de0bf66ccf9593bd3bff33",
|
||
"node_type": "event",
|
||
"ppr_score": 0.005164114737239346,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数字人民币试点范围已拓展至17个省（市）的26个地区",
|
||
"metadata": {
|
||
"node_id": "1db4faf9bb50c1b9688c89ab38f8e21411dcf0cac327f30bfb75febfbf0f0d86",
|
||
"node_type": "event",
|
||
"ppr_score": 0.005032445042399634,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数字人民币交易金额同比增长7.3倍。",
|
||
"metadata": {
|
||
"node_id": "61ea696ae9275192418cf5ea7a15b14642e113965f24f7b2244952a8d17447d5",
|
||
"node_type": "event",
|
||
"ppr_score": 0.004753887448390312,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数字人民币试点范围拓展至17个省（市）的26个地区。",
|
||
"metadata": {
|
||
"node_id": "77f93aba65fc71d55bb52c965850c6611407967d6dc8fc0502f6f5dedd23587c",
|
||
"node_type": "event",
|
||
"ppr_score": 0.003971396601776574,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "在批发零售、餐饮文旅、教育医疗、公共服务、城市治理等领域广泛应用",
|
||
"metadata": {
|
||
"node_id": "b67232d07ad696366103fdb0b69cf26a6dfcc25b0cecfb249264f8eede457098",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0034386602731966568,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "# 浅谈金融科技推动支付创新 李鹏毳 李孟光 随着数字技术的迅猛发展，支付方式正经历着一场前所未 有的深刻变革，从传统现金支付、银行卡支付的单一模式，向 移动支付、数字货币等多元化创新支付方式迈进。金融科技成 为促进支付领域创新的核心驱动力。据中国人民银行统计数据 显示，截至2023 年底，中国移动支付业务量达1851.47 亿笔， 同比增长率16.81%。 ## 一、金融科技在支付领域的创新探索深化 ### 1.移动支付的全面普及与持续深化 随着智能手机与应用程序的普及，一键支付或无感支付成 为消费者日常生活中的重要选择。据Statista 最新数据显示， 2024 年第三季度，中国第三方移动支付市场交易规模已突破 93.56 万亿元人民币，环比增长0.96%，根据移动支付市场现有 规模数据，结合当前新消费趋势下的支付需求，便捷支付以及 移动支付领域将会更加便捷化、普适化及安全化。 据央行发布的数据显示，截至2024年5月末，数字人民币 累计交易金额达6.6万亿元，相较于2023年交易金额同比增长 7.3倍。数字人民币试点范围已拓展至17个省（市）的26个地 区，在批发零售、餐饮文旅、教育医疗、公共服务、城市治理 等领域广泛推广应用，并推出基于数字人民币智能合约的预付 资金管理、供应链金融、信贷服务、小微企业服务等产品。 ### 2.",
|
||
"metadata": {
|
||
"node_id": "e4b3083b22892393c0139eff5ff0f77ba7bae089a13a049de7e54968a272645c",
|
||
"node_type": "text",
|
||
"ppr_score": 0.10356796443988407,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.1606764108719674,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "据央行发布的数据显示，截至2024年5月末，数字人民币 累计交易金额达6.6万亿元，相较于2023年交易金额同比增长 7.3倍。数字人民币试点范围已拓展至17个省（市）的26个地 区，在批发零售、餐饮文旅、教育医疗、公共服务、城市治理 等领域广泛推广应用，并推出基于数字人民币智能合约的预付 资金管理、供应链金融、信贷服务、小微企业服务等产品。 ### 2.金融科技推动支付安全手段不断升级 在支付安全领域，一系列创新技术正在提升支付过程的安 全性。首先，实时密码更改技术允许用户随时更新支付密码， 增强了账户的即时保护能力。此外，3D 安全认证（ 3D Secure）作为一项在线交易安全措施，要求用户输入由发卡银 行提供的额外验证码，为交易安全增加了一道防线。 硬件安全芯片为存储在内的数据提供了额外的保护，使其 免受物理和软件攻击的威胁。在支付领域，这些安全芯片用于 安全地存储和验证支付信息。行为分析技术则通过监测用户的 交易行为和模式，识别出异常活动，帮助支付机构及时识别并 阻止欺诈行为，为支付安全再添一层保障。这些前沿技术的应 用，共同构建了一个更加安全、可靠的支付环境。 ### 3.新兴支付技术不断涌现 除了大家熟知的刷脸支付、指纹支付外，掌纹支付、无电 无网支付、“碰一下”支付等新兴的支付技术也陆续进入大众 视野。掌纹支付采用的是“掌纹+掌静脉”识别技术，利用图像 令牌化技术通过将敏感信息如银行卡号替换为唯一的令牌 减少了敏感数据在支付过程中的直接传输，从而降低了数据泄 露的风险。多因素认证技术则结合了密码、生物识别特征和物 理设备等多种验证方法，提高了账户安全性，因为攻击者需要 同时获取多个验证因素才能非法访问账户。",
|
||
"metadata": {
|
||
"node_id": "a84052add3de79718c5082d9708e0d7ab469ea681e9439a61430998fa0a50522",
|
||
"node_type": "text",
|
||
"ppr_score": 0.022778579890085866,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.16793674242350248,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "与此同时， “数据要素x”“人工智能+”等行动计划持续推出，为企业不断深 化数字化转型和智能化改造，强化业务流程优化和提效做出了顶层 战略安排。 | 日期 | 政策 | 内容 | 2024.7 | 《中共中央关于进一步全面深化改革推进中国式现代化的决定》 | 加快构建促进数字经济发展体制机制，完善促进数字产业化和产业数字化政策体系，加快新一代信息技术全方位全链条普及应用。| 2024.3 | 《2024年政府工作报告》 | 明确“深入推进数字经济创新发展，制定支持数字经济高质量发展政策，积极推进数字产业化、产业数字化，促进数字技术和实体经济深度融合”。 | 2023.2 | 《数字中国建设整体布局规划》 | 建设数字中国是数字时代推进中国式现代化的重要引擎，是构筑国家竞争新优势的有力支撑。 | 2022.10 | 《高举中国特色社会主义伟大旗帜为全面建设社会主义现代化国家而团结奋斗》 | 要加快建数字中国，发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。 | 2022.1 | 《“十四五”数字经济发展规划》 | 全面整合企业内部信息系统，强化全流程数据贯通，加快全价值链业务协同，由点及面向全业务全流程数字化转型延伸拓展。 ## （二）数字化转型的定义与内涵 中国信息通信研究院云计算与大数据研究所基于中国信通院《中国数字经济发展白皮书（2020）》中“产业数字化”的定义，定义“企业数字化”是指企业与数字技术全面融合，提升效率的经济转型过程，即利用数字技术，把企业各要素、各环节全部数字化，推动技术、业务、人才、资本等要素资源配置优化，推动业务流程、生产方式重组变革，从而提高企业经济效率。 数字化转型重塑战略定位与组织模式，打通企业经营管理各环 节。",
|
||
"metadata": {
|
||
"node_id": "cffcdadabdcd1f9f8f0c6611e8584d098e5c257bc29406901e7076c45db5219e",
|
||
"node_type": "text",
|
||
"ppr_score": 0.007220702133107151,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.15606605144666355,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "截至2024年5月末，数字人民币累计交易金额是多少？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "通过企业经营数据、用电用水数据与实时位置数据的融合开发，形成对地区经济发展情况或民生情况的洞察",
|
||
"metadata": {
|
||
"node_id": "ec0bb497761398dbf95b52001ef2064754b5d54e70c8d7d4e4f6782f9dd62961",
|
||
"node_type": "event",
|
||
"ppr_score": 0.010237510093825742,
|
||
"edge_score": 1.7124984,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据应用在金融、电信等行业效果较好，其他行业效果待提升",
|
||
"metadata": {
|
||
"node_id": "3c8e9bf16d962d38a647111715a26ec7580ffccc147e34e699b3f5a211a42f11",
|
||
"node_type": "event",
|
||
"ppr_score": 0.010067981182029843,
|
||
"edge_score": 1.7314992,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "运营主体需要了解不同行业和场景下的数据应用需求与现状",
|
||
"metadata": {
|
||
"node_id": "8b5d99a4ec3cb86b837dfc9260b1fca7f638b96b26148ab4ecea8d57a8349fc1",
|
||
"node_type": "event",
|
||
"ppr_score": 0.009546118317531547,
|
||
"edge_score": 1.7472575,
|
||
"passage_score": 0.0,
|
||
"rank": 3,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "场景",
|
||
"metadata": {
|
||
"node_id": "7f72f06a88779b5a006749b25767cd11395e7e3ae869db274637b7f051ca7774",
|
||
"node_type": "event",
|
||
"ppr_score": 0.007648687728136373,
|
||
"edge_score": 1.7472575,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数据应用在金融、电信等行业落地效果较好",
|
||
"metadata": {
|
||
"node_id": "51f4349d245e2fa49ecf71239b76e19599e290c7624ebaf6b4f6744a1f6e7d04",
|
||
"node_type": "event",
|
||
"ppr_score": 0.007413284402338504,
|
||
"edge_score": 1.7117606,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "总体来看仍处于发展初期",
|
||
"metadata": {
|
||
"node_id": "5095aaa0a08dc68d15b4a0be2d32419aa37ca5c555567e6348228aa97f991def",
|
||
"node_type": "event",
|
||
"ppr_score": 0.007413284402338504,
|
||
"edge_score": 1.7117606,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "运营主体需了解不同行业和场景下的数据应用需求。",
|
||
"metadata": {
|
||
"node_id": "c8f91cd7b0a24eb7f777d1519b88bae1708bda712eca4048a062030907091086",
|
||
"node_type": "event",
|
||
"ppr_score": 0.00681726505809005,
|
||
"edge_score": 1.733043,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "以推动数据共享、内部应用、外部流通，从场景出发满足数据价值评估和成本核算的需求",
|
||
"metadata": {
|
||
"node_id": "bbe5fa184a8c08c065d8c9bbe1b6317609aa2770b0fedd9d870a59a6ea8ac801",
|
||
"node_type": "event",
|
||
"ppr_score": 0.006414113506874748,
|
||
"edge_score": 1.7136436,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "公益性应用方面，目前公共数据主要赋能公共治理与公共服务，包括在公共安全、市场监督、交通管理、城市建设、城市服务、社会保障、公共卫生、绿色环保等场景实现落地应用。",
|
||
"metadata": {
|
||
"node_id": "853ed14705bc3c9e524a28adc250657c42a03ff0d03eaac8f80c13608f4283cb",
|
||
"node_type": "event",
|
||
"ppr_score": 0.00599136390630816,
|
||
"edge_score": 1.7104621,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "不断丰富数据应用场景",
|
||
"metadata": {
|
||
"node_id": "54e386de2c26de89a16b7f0555ea3eb9cdf7038adf8198448cb8baaa477d4f95",
|
||
"node_type": "event",
|
||
"ppr_score": 0.005957256144525108,
|
||
"edge_score": 1.7154033,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "# 数据应用赋能场景百花齐放，但不均衡现象普遍存在\\n\\n总体来看，目前数据与实体经济融合应用整体上还处于发展初期，**有着广阔的发展空间**。在应用行业、应用深度、业务规模等方面**不均衡现象普遍存在**。\\n\\n\\n\\n\\n\\n* 行业分布不均衡\\n\\n数据应用在金融、电信等行业落地效果较好，而在其它众多行业的效果则有待提升，总体来看仍处于发展初期。\\n\\n* 业务类型不均衡\\n\\n数据应用仍主要集中在外围业务：如营销分析、客户分析和内部运营管理等。在产品设计、产品生产、企业供应链管理等核心业务的渗透程度还有待提高，大规模应用尚未展开。\\n\\n中国·北京 12.20-12.21 回归数据本质 应用驱动治理\\n\\n2023数据资产管理大会\\n\\n*数据来源：数据产业地图，中国信息通信研究院",
|
||
"metadata": {
|
||
"node_id": "669b178284f9117e63dd0449ee122fc651bedb05cac8d66244819faeb07e1e7f",
|
||
"node_type": "text",
|
||
"ppr_score": 0.025669845832583478,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.16892723844618615,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "公益性应用方面，目前公共数据主要赋能公共治理与公共服务， 包括在公共安全、市场监督、交通管理、城市建设、城市服务、社会 保障、公共卫生、绿色环保等场景实现落地应用。例如推进公安系统 交通管理数据、交通轨迹数据与个人信息数据的匹配，开发智慧交通 监测管理系统，实现违法违规监测、轨迹监控、异常追踪等，在交通 管理、市政管理、碳排放控制等方面提升工作效率与成果；通过企业 经营数据、用电用水数据与实时位置数据的融合开发，形成对地区经 济发展情况或民生情况的洞察，一方面可为政府部门提供决策支撑， 另一方面可对企业经营具体事项进行监管。此外，还包括智慧安防布 局、智慧农业监管、城市内涝预警、城市卫生治理、大型活动公共安 全保障等细分领域的数据应用，高效助力政府的公共治理与公共服务。 商业化应用方面，目前金融领域的征信、贷款、保险等业务场景先行， 跑通了公共数据助力产业发展的链路。例如涉农或中小微企业、个体 工商户的普惠金融提效、基于医保数据聚合实现的智能核保、以及应 用供电、供水、环保排放等多源数据融合的绿色金融惠企政策落地等。 此外，也有地方已经实现了公共数据在其他行业领域的应用，实现对 企业经营、企业服务、企业合规等方面的赋能，包括应用分时段市政 交通数据进行商业选址、应用场站人流数据进行精准投放、合规应用 个人基础数据保障反欺诈等等。",
|
||
"metadata": {
|
||
"node_id": "4aed92b746acff552211980831382bcb41f2d6bbec6b10e3171d5e25563ecb71",
|
||
"node_type": "text",
|
||
"ppr_score": 0.021308024450239823,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.1664054991545057,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "充分利用人工智能、大模型等前沿技术，优化数据盘点和目录管理的效率。广 东移动构建以数据地图为核心的常态化的数据智能盘点机制。数据盘点以统一元数据 为基础，经过以下三个步骤实现数据资产的自动智能盘点：一是数据发现，即通过元 数据采集获取数据资源信息，并解析日志、SQL开发脚本和程序代码以获取数据关 系；二是稽核评估，即根据数据资源及开发规范，评估采集后的元数据的冗余度、完 整性、一致性和合理性等，并统计分析出数据资源的摘要信息；三是信息识别，即内 嵌智能技术，智能化盘点数据资源，实现自动梳理数据资产、自动分类数据标签，自 动生成数据资产目录，形成全域数据地图。这种基于“自动化+AI智能化+自下而上”的 梳理和编目方法，降低了人工成本和时间周期达30%以上。 ## （二）数据应用场景 数据应用场景构建是指在明确应用过程中的数据安全、数据质量及隐私保护要 求的基础上，构建应用场景地图，明确各类应用场景的数据用户、数据内容、血缘关 系、算法模型、效果评价指标等，以推动数据共享、内部应用、外部流通，从场景出 发满足数据价值评估和成本核算的需求。 数据需求管理是开展数据应用的基础。数据需求管理是对各业务领域数据需求 的产生、定义、获取等进行统一的管理，其目的是从需求源头进行数据管控，确保数 据治理的效果，并促进数据在组织内的共享和应用。",
|
||
"metadata": {
|
||
"node_id": "43b06627ad6dea35d0bd7caffa19709b27d2b165149b332c3e03054bd4877131",
|
||
"node_type": "text",
|
||
"ppr_score": 0.013943583912726756,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.15834467870268698,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_text",
|
||
"query": "该数据是否包括各类应用场景，如线上支付、线下消费等？",
|
||
"pagerank_available": true
|
||
}
|
||
}
|
||
],
|
||
"all_passages": [
|
||
"截至2024年5月末，数字人民币累计交易金额达6.6万亿元，相较于2023年交易金额同比增长7.3倍",
|
||
"央行发布数据显示，截至2024年5月末，数字人民币累计交易金额达6.6万亿元。",
|
||
"据Statista最新数据显示，2024年第三季度，中国第三方移动支付市场交易规模已突破93.56万亿元人民币",
|
||
"数字人民币在批发零售、餐饮文旅、教育医疗、公共服务、城市治理等领域广泛推广应用",
|
||
"截至2023年底，中国移动支付业务量达1851.47亿笔，同比增长率16.81%",
|
||
"数字人民币在批发零售、餐饮文旅、教育医疗、公共服务、城市治理等领域广泛应用。",
|
||
"数字人民币试点范围已拓展至17个省（市）的26个地区",
|
||
"数字人民币交易金额同比增长7.3倍。",
|
||
"数字人民币试点范围拓展至17个省（市）的26个地区。",
|
||
"在批发零售、餐饮文旅、教育医疗、公共服务、城市治理等领域广泛应用",
|
||
"# 浅谈金融科技推动支付创新 李鹏毳 李孟光 随着数字技术的迅猛发展，支付方式正经历着一场前所未 有的深刻变革，从传统现金支付、银行卡支付的单一模式，向 移动支付、数字货币等多元化创新支付方式迈进。金融科技成 为促进支付领域创新的核心驱动力。据中国人民银行统计数据 显示，截至2023 年底，中国移动支付业务量达1851.47 亿笔， 同比增长率16.81%。 ## 一、金融科技在支付领域的创新探索深化 ### 1.移动支付的全面普及与持续深化 随着智能手机与应用程序的普及，一键支付或无感支付成 为消费者日常生活中的重要选择。据Statista 最新数据显示， 2024 年第三季度，中国第三方移动支付市场交易规模已突破 93.56 万亿元人民币，环比增长0.96%，根据移动支付市场现有 规模数据，结合当前新消费趋势下的支付需求，便捷支付以及 移动支付领域将会更加便捷化、普适化及安全化。 据央行发布的数据显示，截至2024年5月末，数字人民币 累计交易金额达6.6万亿元，相较于2023年交易金额同比增长 7.3倍。数字人民币试点范围已拓展至17个省（市）的26个地 区，在批发零售、餐饮文旅、教育医疗、公共服务、城市治理 等领域广泛推广应用，并推出基于数字人民币智能合约的预付 资金管理、供应链金融、信贷服务、小微企业服务等产品。 ### 2.",
|
||
"据央行发布的数据显示，截至2024年5月末，数字人民币 累计交易金额达6.6万亿元，相较于2023年交易金额同比增长 7.3倍。数字人民币试点范围已拓展至17个省（市）的26个地 区，在批发零售、餐饮文旅、教育医疗、公共服务、城市治理 等领域广泛推广应用，并推出基于数字人民币智能合约的预付 资金管理、供应链金融、信贷服务、小微企业服务等产品。 ### 2.金融科技推动支付安全手段不断升级 在支付安全领域，一系列创新技术正在提升支付过程的安 全性。首先，实时密码更改技术允许用户随时更新支付密码， 增强了账户的即时保护能力。此外，3D 安全认证（ 3D Secure）作为一项在线交易安全措施，要求用户输入由发卡银 行提供的额外验证码，为交易安全增加了一道防线。 硬件安全芯片为存储在内的数据提供了额外的保护，使其 免受物理和软件攻击的威胁。在支付领域，这些安全芯片用于 安全地存储和验证支付信息。行为分析技术则通过监测用户的 交易行为和模式，识别出异常活动，帮助支付机构及时识别并 阻止欺诈行为，为支付安全再添一层保障。这些前沿技术的应 用，共同构建了一个更加安全、可靠的支付环境。 ### 3.新兴支付技术不断涌现 除了大家熟知的刷脸支付、指纹支付外，掌纹支付、无电 无网支付、“碰一下”支付等新兴的支付技术也陆续进入大众 视野。掌纹支付采用的是“掌纹+掌静脉”识别技术，利用图像 令牌化技术通过将敏感信息如银行卡号替换为唯一的令牌 减少了敏感数据在支付过程中的直接传输，从而降低了数据泄 露的风险。多因素认证技术则结合了密码、生物识别特征和物 理设备等多种验证方法，提高了账户安全性，因为攻击者需要 同时获取多个验证因素才能非法访问账户。",
|
||
"与此同时， “数据要素x”“人工智能+”等行动计划持续推出，为企业不断深 化数字化转型和智能化改造，强化业务流程优化和提效做出了顶层 战略安排。 | 日期 | 政策 | 内容 | 2024.7 | 《中共中央关于进一步全面深化改革推进中国式现代化的决定》 | 加快构建促进数字经济发展体制机制，完善促进数字产业化和产业数字化政策体系，加快新一代信息技术全方位全链条普及应用。| 2024.3 | 《2024年政府工作报告》 | 明确“深入推进数字经济创新发展，制定支持数字经济高质量发展政策，积极推进数字产业化、产业数字化，促进数字技术和实体经济深度融合”。 | 2023.2 | 《数字中国建设整体布局规划》 | 建设数字中国是数字时代推进中国式现代化的重要引擎，是构筑国家竞争新优势的有力支撑。 | 2022.10 | 《高举中国特色社会主义伟大旗帜为全面建设社会主义现代化国家而团结奋斗》 | 要加快建数字中国，发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。 | 2022.1 | 《“十四五”数字经济发展规划》 | 全面整合企业内部信息系统，强化全流程数据贯通，加快全价值链业务协同，由点及面向全业务全流程数字化转型延伸拓展。 ## （二）数字化转型的定义与内涵 中国信息通信研究院云计算与大数据研究所基于中国信通院《中国数字经济发展白皮书（2020）》中“产业数字化”的定义，定义“企业数字化”是指企业与数字技术全面融合，提升效率的经济转型过程，即利用数字技术，把企业各要素、各环节全部数字化，推动技术、业务、人才、资本等要素资源配置优化，推动业务流程、生产方式重组变革，从而提高企业经济效率。 数字化转型重塑战略定位与组织模式，打通企业经营管理各环 节。",
|
||
"通过企业经营数据、用电用水数据与实时位置数据的融合开发，形成对地区经济发展情况或民生情况的洞察",
|
||
"数据应用在金融、电信等行业效果较好，其他行业效果待提升",
|
||
"运营主体需要了解不同行业和场景下的数据应用需求与现状",
|
||
"场景",
|
||
"数据应用在金融、电信等行业落地效果较好",
|
||
"总体来看仍处于发展初期",
|
||
"运营主体需了解不同行业和场景下的数据应用需求。",
|
||
"以推动数据共享、内部应用、外部流通，从场景出发满足数据价值评估和成本核算的需求",
|
||
"公益性应用方面，目前公共数据主要赋能公共治理与公共服务，包括在公共安全、市场监督、交通管理、城市建设、城市服务、社会保障、公共卫生、绿色环保等场景实现落地应用。",
|
||
"不断丰富数据应用场景",
|
||
"# 数据应用赋能场景百花齐放，但不均衡现象普遍存在\\n\\n总体来看，目前数据与实体经济融合应用整体上还处于发展初期，**有着广阔的发展空间**。在应用行业、应用深度、业务规模等方面**不均衡现象普遍存在**。\\n\\n\\n\\n\\n\\n* 行业分布不均衡\\n\\n数据应用在金融、电信等行业落地效果较好，而在其它众多行业的效果则有待提升，总体来看仍处于发展初期。\\n\\n* 业务类型不均衡\\n\\n数据应用仍主要集中在外围业务：如营销分析、客户分析和内部运营管理等。在产品设计、产品生产、企业供应链管理等核心业务的渗透程度还有待提高，大规模应用尚未展开。\\n\\n中国·北京 12.20-12.21 回归数据本质 应用驱动治理\\n\\n2023数据资产管理大会\\n\\n*数据来源：数据产业地图，中国信息通信研究院",
|
||
"公益性应用方面，目前公共数据主要赋能公共治理与公共服务， 包括在公共安全、市场监督、交通管理、城市建设、城市服务、社会 保障、公共卫生、绿色环保等场景实现落地应用。例如推进公安系统 交通管理数据、交通轨迹数据与个人信息数据的匹配，开发智慧交通 监测管理系统，实现违法违规监测、轨迹监控、异常追踪等，在交通 管理、市政管理、碳排放控制等方面提升工作效率与成果；通过企业 经营数据、用电用水数据与实时位置数据的融合开发，形成对地区经 济发展情况或民生情况的洞察，一方面可为政府部门提供决策支撑， 另一方面可对企业经营具体事项进行监管。此外，还包括智慧安防布 局、智慧农业监管、城市内涝预警、城市卫生治理、大型活动公共安 全保障等细分领域的数据应用，高效助力政府的公共治理与公共服务。 商业化应用方面，目前金融领域的征信、贷款、保险等业务场景先行， 跑通了公共数据助力产业发展的链路。例如涉农或中小微企业、个体 工商户的普惠金融提效、基于医保数据聚合实现的智能核保、以及应 用供电、供水、环保排放等多源数据融合的绿色金融惠企政策落地等。 此外，也有地方已经实现了公共数据在其他行业领域的应用，实现对 企业经营、企业服务、企业合规等方面的赋能，包括应用分时段市政 交通数据进行商业选址、应用场站人流数据进行精准投放、合规应用 个人基础数据保障反欺诈等等。",
|
||
"充分利用人工智能、大模型等前沿技术，优化数据盘点和目录管理的效率。广 东移动构建以数据地图为核心的常态化的数据智能盘点机制。数据盘点以统一元数据 为基础，经过以下三个步骤实现数据资产的自动智能盘点：一是数据发现，即通过元 数据采集获取数据资源信息，并解析日志、SQL开发脚本和程序代码以获取数据关 系；二是稽核评估，即根据数据资源及开发规范，评估采集后的元数据的冗余度、完 整性、一致性和合理性等，并统计分析出数据资源的摘要信息；三是信息识别，即内 嵌智能技术，智能化盘点数据资源，实现自动梳理数据资产、自动分类数据标签，自 动生成数据资产目录，形成全域数据地图。这种基于“自动化+AI智能化+自下而上”的 梳理和编目方法，降低了人工成本和时间周期达30%以上。 ## （二）数据应用场景 数据应用场景构建是指在明确应用过程中的数据安全、数据质量及隐私保护要 求的基础上，构建应用场景地图，明确各类应用场景的数据用户、数据内容、血缘关 系、算法模型、效果评价指标等，以推动数据共享、内部应用、外部流通，从场景出 发满足数据价值评估和成本核算的需求。 数据需求管理是开展数据应用的基础。数据需求管理是对各业务领域数据需求 的产生、定义、获取等进行统一的管理，其目的是从需求源头进行数据管控，确保数 据治理的效果，并促进数据在组织内的共享和应用。"
|
||
],
|
||
"passage_sources": [
|
||
"原始查询-event-26a80bb20d19cde84869da112de1b60df80dfeca5ecbf39dbeff85012b340d9e",
|
||
"原始查询-event-0b6cc4dd6b230b3035850c975d28c75deb64e33fae5475680497528bf951ea77",
|
||
"原始查询-event-7b7352c19664c623277cccfaf64384f43453e4e5ee2215356e860c351fb51a6c",
|
||
"原始查询-event-e6c6a28af8df50fb7be6ab0ea8961d4c754ec37f2fad2b60fe9640aabf55b697",
|
||
"原始查询-event-b5ec174a9d72e97d5fc8afcc21fc3d3099540bdb740e27269dfd1a9dcf15c2a6",
|
||
"原始查询-event-28cef79d7e34032d800c515790e300c48b0d3ae289de0bf66ccf9593bd3bff33",
|
||
"原始查询-event-1db4faf9bb50c1b9688c89ab38f8e21411dcf0cac327f30bfb75febfbf0f0d86",
|
||
"原始查询-event-61ea696ae9275192418cf5ea7a15b14642e113965f24f7b2244952a8d17447d5",
|
||
"原始查询-event-77f93aba65fc71d55bb52c965850c6611407967d6dc8fc0502f6f5dedd23587c",
|
||
"原始查询-event-b67232d07ad696366103fdb0b69cf26a6dfcc25b0cecfb249264f8eede457098",
|
||
"原始查询-text-e4b3083b22892393c0139eff5ff0f77ba7bae089a13a049de7e54968a272645c",
|
||
"原始查询-text-a84052add3de79718c5082d9708e0d7ab469ea681e9439a61430998fa0a50522",
|
||
"原始查询-text-cffcdadabdcd1f9f8f0c6611e8584d098e5c257bc29406901e7076c45db5219e",
|
||
"子查询2-event-ec0bb497761398dbf95b52001ef2064754b5d54e70c8d7d4e4f6782f9dd62961",
|
||
"子查询2-event-3c8e9bf16d962d38a647111715a26ec7580ffccc147e34e699b3f5a211a42f11",
|
||
"子查询2-event-8b5d99a4ec3cb86b837dfc9260b1fca7f638b96b26148ab4ecea8d57a8349fc1",
|
||
"子查询2-event-7f72f06a88779b5a006749b25767cd11395e7e3ae869db274637b7f051ca7774",
|
||
"子查询2-event-51f4349d245e2fa49ecf71239b76e19599e290c7624ebaf6b4f6744a1f6e7d04",
|
||
"子查询2-event-5095aaa0a08dc68d15b4a0be2d32419aa37ca5c555567e6348228aa97f991def",
|
||
"子查询2-event-c8f91cd7b0a24eb7f777d1519b88bae1708bda712eca4048a062030907091086",
|
||
"子查询2-event-bbe5fa184a8c08c065d8c9bbe1b6317609aa2770b0fedd9d870a59a6ea8ac801",
|
||
"子查询2-event-853ed14705bc3c9e524a28adc250657c42a03ff0d03eaac8f80c13608f4283cb",
|
||
"子查询2-event-54e386de2c26de89a16b7f0555ea3eb9cdf7038adf8198448cb8baaa477d4f95",
|
||
"子查询2-text-669b178284f9117e63dd0449ee122fc651bedb05cac8d66244819faeb07e1e7f",
|
||
"子查询2-text-4aed92b746acff552211980831382bcb41f2d6bbec6b10e3171d5e25563ecb71",
|
||
"子查询2-text-43b06627ad6dea35d0bd7caffa19709b27d2b165149b332c3e03054bd4877131"
|
||
],
|
||
"pagerank_data_available": true,
|
||
"pagerank_summary": {},
|
||
"concept_exploration_results": {},
|
||
"exploration_round": 0,
|
||
"debug_info": {
|
||
"total_time": 20.42094087600708,
|
||
"retrieval_calls": 1,
|
||
"llm_calls": 4,
|
||
"langsmith_project": "rag-api-service",
|
||
"token_usage_summary": {
|
||
"has_llm": true,
|
||
"has_generator": true,
|
||
"last_call": {
|
||
"prompt_tokens": 2942,
|
||
"completion_tokens": 37,
|
||
"total_tokens": 2979
|
||
},
|
||
"total_usage": {
|
||
"prompt_tokens": 6980,
|
||
"completion_tokens": 435,
|
||
"total_tokens": 7415,
|
||
"call_count": 6
|
||
},
|
||
"model_name": "qwen2-7b-instruct",
|
||
"has_last_usage": true,
|
||
"has_total_usage": true
|
||
},
|
||
"complexity_analysis": {
|
||
"is_complex": true,
|
||
"complexity_level": "complex",
|
||
"confidence": 0.95,
|
||
"reason": "这是一个复杂查询，需要生成多方面的个子查询来回答。查询涉及到时间（2024年5月末）、特定货币（数字人民币）和累计交易金额的数据获取。这些信息可能分布在不同数据源或需要特定的计算方法来整合。"
|
||
},
|
||
"debug_mode_analysis": {
|
||
"debug_mode": "0",
|
||
"debug_override": {},
|
||
"path_override_applied": false
|
||
},
|
||
"sufficiency_analysis": {
|
||
"final_sufficiency": true,
|
||
"sufficiency_check_details": {
|
||
"is_sufficient": true,
|
||
"confidence": 0.9,
|
||
"reason": "事件信息和段落信息包含了回答查询所需的关键内容...",
|
||
"iteration": 0
|
||
},
|
||
"iteration_sufficiency_history": [],
|
||
"sufficiency_progression": {
|
||
"status": "no_sufficiency_checks"
|
||
}
|
||
},
|
||
"routing_analysis": {
|
||
"total_routing_decisions": 1,
|
||
"sub_query_generation_count": 0,
|
||
"parallel_retrieval_count": 0,
|
||
"pagerank_collection_count": 0
|
||
},
|
||
"concept_exploration_analysis": {
|
||
"exploration_enabled": false,
|
||
"exploration_rounds": 0,
|
||
"pagerank_nodes_analyzed": 0,
|
||
"successful_branches_total": 0,
|
||
"total_branches_attempted": 0
|
||
}
|
||
},
|
||
"iteration_history": [
|
||
{
|
||
"iteration": 0,
|
||
"query": "并行检索: 原始查询 + 2 个子查询",
|
||
"passages_count": 26,
|
||
"action": "retrieval"
|
||
},
|
||
{
|
||
"iteration": 0,
|
||
"action": "sufficiency_check",
|
||
"is_sufficient": true,
|
||
"confidence": 0.9,
|
||
"sub_queries_count": 0
|
||
},
|
||
{
|
||
"iteration": 0,
|
||
"action": "final_answer_generation",
|
||
"answer_length": 4790
|
||
}
|
||
]
|
||
} |