图算法如何刻画申请人群中的高危特征？

前言

关于图的论述起源于经典的柯尼斯堡（Konigsberg）问题，最早的文字记载出现在欧拉1736年的论著中。经过几个世纪的发展，图论及相关算法已经取得了充足的发展。所谓图，就是由若干节点及连接各节点的边抽象而成的图形，通常用来描述事物之间某种特定的关系。图有很多存在形式，如地图、社交网络图、资金流图和企业关系图等，相伴产生的应用有很多，如邮递员问题、社交网络分析、反洗钱模型和企业风险评估模型等。图算法在图的基础上刻画节点与边的各种特征，如最短路径、连通子图、社区发现和标签传播等。

1、图算法与反欺诈

在现实世界中，从实体的图（像路网、电网和互联网等）到虚拟的图（像微博、朋友圈和通讯录等），图的存在形式各有不同。在反欺诈应用中，网络中实体（如人、设备、邮箱、卡号等）都可以用节点表示，而这些节点在业务中的关联可以用边表示。通过不断构建再现这些关联，进而探查欺诈特征并设计风控策略。下图展示了一个真实现金贷场景的欺诈团伙，三个严重逾期的子团在图中清晰可见（图片来自众安自主研发的Xanalytics®智能分析平台，关于该平台想了解更多，请看文末联系方式）。

图算法能够刻画申请人群中的各种高危特征（如批量攻击、中介参与等），而可视化工具则可以将各种作案真实情景再现。通过图算法自动产生离线标签，可以配合在线规则进行欺诈风险实时拦截；借助可视化工具，不断探索欺诈特征从而不断优化图算法的特征刻画精度，能够实现人机闭环的反欺诈产品运营。

2.怎么实现

目前能够实现图算法的框架有很多，像Google的Pregel、开源的Giraph和基于Spark的GraphX等。这些框架各有优势，有的处理量级大，有的框架稳定，有的时效性好。在实际应用中，需综合考虑几种技术的优劣并结合企业自身情况做出取舍。开源的技术可以快速落地，但无法按照企业自身业务进行定制；自主搭建的框架与企业自身业务更加契合，但需要高端人才的储备和较长的迭代开发周期。值得指出的是，在图算法开发及应用过程中，不必一味追求实时计算，在一定程度上使用离线方式部署可以绕开技术瓶颈、释放计算压力。具体可参见上一期点击查看>>“在线与离线”。

3.如何应用

反欺诈中有几个常见的应用，一个是“物以类聚人以群分“：如果申请人在好人群组中，他的欺诈风险相对较低；如果申请人在坏人群组中，他的欺诈风险相对较高。图算法可以发现人海之中那些聚集在一起的群组，并结合群体特征，智能识别这些群组中的哪些会是潜在欺诈团伙。

另一个是“近朱者赤近墨者黑“：与好人关系密切的人会偏好，与坏人关系密切的人有变坏的风险。在真实的消费金融场景中，好人和坏人之间往往也存在千丝万缕的联系（如社交关系），可以运用图算法刻画人与人之间的紧密程度或相似程度，并通过标签传播的方式定位混合群组中的好人子群和坏人子群。需要注意的是，在这个过程中，关系类型要进行精细化区分，尽可能保证好人群组和坏人群组的隔离。

最后“射人射马擒贼擒王”，一个头领是整个团体的核心，找到核心可以事半功倍。图算法可智能识别群组中的核心成员，而核心成员在现实业务中往往会扮演黑中介的角色。中介对现金贷场景的危害已广为所知，中介模型的效果也已得到过确凿的验证（如下图）。但需要特别指出的是，中介本人的征信往往将其指向优质人群；毕竟，职业属性并不是判断信用、欺诈属性的唯一标准。

总结

图算法的应用是一个不断探索和优化的过程。怀着对数据的敬畏之心不断净化网络信息，并怀着对风险的敬畏之心不断探索欺诈特征，是图算法在反欺诈策略中应用的重中之重。

聚类算法在很多场合被提及，有的基于距离，有的基于密度。下期我们将聚焦聚类算法在反欺诈中的应用。

如有转载或合作需求，欢迎联系我们

邮箱：[email protected]

微信：1084569292