2020年上半年,地方银保监局和银保监局针对银行的违规违法行为共开具了1297张罚单,其中由于贷款投放及贷款管理问题,对113家农商行开具罚单。罚单信息集中在违规发放及贷款“三查”不严上,其中有多例关联方贷款授信超标问题。当前我国商业银行的信用风险存在最主要的问题之一就是关联企业上过度授信的问题,由于忽视了企业之间的关联关系,放贷时存在过度授信,贷后管理也不能及时识别存在的关联风险,信贷风险不断放大。在风险评估技术方面,我国商业银行目前多数已经建立了客户评级系统,使用贷款五级分类体系,但在统计分析的实际应用中仍处于初级阶段。目前我国商业银行的对公信贷系统、客户评级系统多使用Oracle、DB2等关系型数据库。关系型数据库不能有效展示与分析数据间的关联关系,而信贷数据又恰恰是有着很多关联关系,如担保联保关系、公司持股关系,这些数据当前都存在于关系型数据库中,但是这些关联关系数据并没有被加以利用,用来识别关联风险。另外,银行目前现有的数据分析类系统、报表类系统也不能有效地利用、分析这些关联关系。为了解决上述情况,本文以一家中小银行为实例,提出建立信贷知识图谱网络,利用图数据的可视化帮助商业银行人工识别信贷风险,再建立图卷积神经网络模型自动识别不良贷款。首先采用自顶向下的模式,结合商业银行源系统数据情况,完成知识图谱建模,实体包括个人和企业,每个企业节点包含18个属性,节点之间的关系包括企业与企业、企业与个人两类,共11种关系。然后进行知识抽取,融合和加工,最终得到包含71253个节点,96936个关系的知识图谱网络。再将其导入Neo4j数据库中后,从不良贷款企业0层、1层、扩展关系和特定关系图共四个角度对图数据进行可视化分析,帮助商业银行人工识别违约风险,发现问题节点,提升了人工识别信贷风险的分析效率。最后建立图卷积神经网络模型,自动识别分类不良贷款。使用不同的算法进行实验比较,结果表明使用了Cheb Net一阶近似的GCN-1st Cheb模型在计算效率、准确率和召回率上都优于Deep Walk模型、传统GCN模型和两层MLP模型,准确率达到83.33%,召回率达到41.67%,证明了该模型可以有效提升银行信贷投放和贷后管理的风险评估技术。