2. 反欺诈图谱基础概念高频问题
反欺诈图谱岗位的第一轮技术面，往往不会直接考你多复杂的算法，而是用一组基础概念题快速判断你是否真正“做过图”。面试官关心的不是你能否背出定义，而是你能否把图数据库、实体关系、社区发现、团伙识别串成一条完整的业务链路。本章围绕这条链路，给出高频问题的回答框架、追问路径和公司侧重点。
一、核心原理：图数据库、实体关系、社区发现、团伙识别到底在解决什么
反欺诈的本质是识别“异常关联”。传统风控看单点特征，比如设备是否模拟器、IP是否代理、手机号是否虚拟号；图谱看的是这些点之间的连接模式。图数据库负责把“人—设备—IP—银行卡—订单—地址”等实体和关系高效存储与查询；实体关系建模决定图里有什么、边代表什么业务含义；社区发现负责从大规模图中切出“关系紧密的子群”；团伙识别则把子群翻译成可处置的风险团伙。
面试中常被问：“为什么不用关系型数据库做反欺诈？”回答要点不是“图数据库更快”，而是：多跳关联查询在SQL中会随着跳数增加急剧膨胀，而图数据库的免索引邻接、路径查询和模式匹配更适合“找关联”。例如查“同一设备关联的多个账号是否共享同一银行卡”，图查询可以自然表达为路径模式。
// 示例：查询同一设备下多个账号共享银行卡的路径
MATCH (d:Device)-[:LOGIN]-(a:Account)-[:BIND]-(b:BankCard)
WITH d, b, collect(distinct a) AS accounts
WHERE size(accounts) >= 3
RETURN d.device_id, b.card_no, accounts
实体关系建模的关键是“业务语义清晰”。节点通常包括用户、设备、手机号、IP、银行卡、商户、订单、地址；边包括登录、绑定、转账、收货、同设备、同WiFi、同证件等。边可以带时间、次数、金额、是否成功等属性。面试官会追问：“边权重怎么定？”你可以回答：按业务风险贡献加权，比如“同设备登录”权重高于“同城市IP”，并结合时间衰减。
二、方法流程：从图构建到团伙识别的标准链路
- 实体抽取与对齐：从日志、订单、设备指纹中抽取实体，做ID-Mapping，解决一人多账号、一设备多用户。
- 关系构建：定义边类型和方向，写入图数据库，保留时间戳和频次。
- 特征与指标计算：度中心性、介数中心性、PageRank、连通分量、标签传播等。
- 社区发现：用Louvain、Label Propagation、连通分量等切分子图，得到候选团伙。
- 团伙打分与排序：结合规模、密度、风险种子占比、历史命中率输出团伙分。
- 策略处置与反馈：对高风险团伙做拦截、人工审核、名单沉淀，并把结果回流图谱。
| 概念 | 面试高频问法 | 回答抓手 | 公司侧重点 |
|---|---|---|---|
| 图数据库 | 为什么选Neo4j/JanusGraph/HugeGraph？ | 查询模式、数据规模、写入吞吐、运维成本 | 大厂关注海量图与实时写入 |
| 实体关系 | 节点和边怎么设计？ | 业务语义、ID-Mapping、时间衰减 | 关注能否落地到具体风险场景 |
| 社区发现 | Louvain和连通分量区别？ | 模块度、分辨率、适用规模 | 关注算法选型与效果评估 |
| 团伙识别 | 怎么判断一个社区是欺诈团伙？ | 风险种子、密度、行为一致性、规模 | 关注召回、误伤与处置闭环 |
三、案例/场景：一个“设备农场”团伙的识别过程
假设某平台发现一批新注册账号在短时间内集中登录，且绑定银行卡分散、收货地址相近。图谱构建后，设备节点与账号节点形成高密度子图。先用连通分量找到最大子群，再用Louvain切出更细的社区，发现其中一个社区包含200个账号、15台设备、8个收货地址，且其中30个账号已被历史策略命中。团伙分计算为高风险，触发人工审核，最终确认是设备农场批量注册。
四、误区/复盘：基础概念题最容易踩的坑
- 只背定义，不接业务：说“社区发现是发现紧密节点群”不够，要补一句“在反欺诈里用于切出潜在团伙”。
- 把图数据库当万能：图数据库不擅长全量聚合和复杂事务，面试时要能说出边界。
- 忽略ID-Mapping：实体对齐没做好，图就是脏图，团伙识别会大量误伤。
- 只讲算法不讲评估：团伙识别要看召回、准确、人工审核通过率、处置时效。
- 忽略实时性：很多公司要求毫秒级查询，图查询要设计索引和预计算。
总结来说，这一章的高频问题看似基础，实则是在考察你能否把图技术、业务语义和风控闭环连成一条线。回答时先给结论，再给结构，最后补案例和指标，就能在基础题环节建立“做过图、懂业务、能落地”的专业形象。