4. 用户设备商户关系建模
在异构图反欺诈体系中，图结构的设计质量直接决定后续模型的上限。本章聚焦最基础也最关键的一步：把业务世界中的用户、设备、商户抽象为三类实体，并定义它们之间的多关系类型。只有实体边界清晰、关系语义明确、数据来源可追溯，图神经网络才能学到真正有判别力的欺诈模式。
一、核心原理：为什么是这三类实体
欺诈行为本质上是一种“伪装成正常交易”的异常协作。单看一笔订单，用户、设备、商户都是合法的；但把三者放进同一张图，异常结构就会暴露：同一台设备在短时间内登录多个用户账号，这些账号又集中向少数商户下单，形成“设备聚合—用户分散—商户收敛”的典型团伙形态。
因此，三类实体的选择不是随意的，而是对应欺诈链路中的三个关键角色：
- 用户（User）：欺诈行为的发起主体，承载身份、注册、登录、支付等行为。
- 设备（Device）：欺诈行为的物理或环境载体，是识别团伙最稳定的锚点。
- 商户（Merchant）：资金流向的终点，也是套现、洗钱、虚假交易的关键节点。
三者构成“人—机—商”闭环，任何一类缺失，图都会退化为二部图，难以表达团伙协作的完整语义。
二、三类实体的定义与数据来源
实体定义要遵循“可唯一标识、可稳定关联、可增量更新”三原则。下表给出工程落地时的标准定义与来源：
| 实体类型 | 唯一标识 | 核心属性 | 主要数据来源 |
|---|---|---|---|
| 用户 User | user_id | 注册时间、实名状态、历史订单数、风险标签 | 用户中心、账户系统、风控标签库 |
| 设备 Device | device_id（指纹） | 机型、系统、IP段、Root/模拟器标记 | 设备指纹SDK、登录日志、埋点日志 |
| 商户 Merchant | merchant_id | 类目、结算周期、投诉率、退款率 | 商户平台、交易库、客服工单系统 |
设备ID建议采用“硬件指纹+行为指纹”融合生成，避免仅依赖IMEI或MAC导致的高冲突与隐私合规问题。
三、多关系类型与业务含义
实体只是节点，关系才是图的信息载体。同一对实体之间可以存在多种关系，每种关系对应不同的业务语义和风险信号：
- 用户—设备：登录（login）。表示账号在该设备上完成认证。频繁换设备登录、一设备多账号是盗号和养号的核心信号。
- 用户—设备：注册（register）。新账号首次绑定设备。批量注册往往表现为设备维度的时间聚集。
- 用户—商户：下单（order）。包含金额、频次、时间。短时高频、金额离散度低是刷单特征。
- 用户—商户：支付（pay）。与下单可分离，用于识别“下单不付、付款不发货”等异常。
- 设备—商户：访问（visit）。设备直接触达商户页面，常用于识别机器流量与爬虫。
- 用户—用户：同设备/同IP（share_env）。隐式关系，用于扩展团伙边界。
这些关系可统一抽象为带类型的有向边，边属性包括时间戳、次数、金额等，供后续采样与聚合使用。
边结构示例（JSON）：
{
"src": "u_1024",
"dst": "d_88a1",
"rel": "login",
"ts": 1712304000,
"cnt": 7,
"ip": "10.23.*.*"
}
四、方法流程：从原始日志到异构图
建模流程可归纳为四步：
- 实体抽取：从用户中心、设备SDK、商户平台分别拉取主键与属性，做去重与标准化。
- 关系抽取：从登录、注册、订单、支付、访问日志中解析出三元组（主体、关系、客体）。
- 边聚合：按“主体+关系+客体”聚合，生成次数、金额、首末时间等统计属性。
- 图构建：写入图数据库或图计算框架，形成可训练的异构图。
关键原则：先保证关系语义正确，再追求图规模。错误的关系定义会让GNN学到伪相关，后期极难纠正。
五、案例场景：一设备多账号的团伙识别
某平台发现一批新注册账号在48小时内集中向3个商户下单，金额均为199元。单看用户维度，每个账号都正常；但构建设备关系后，发现这200个账号仅绑定17台设备，且设备IP集中在两个C段。进一步通过“用户—商户”下单边聚合，发现3个商户的订单中92%来自这17台设备。此时图结构已清晰指向团伙刷单，风控可直接对设备与商户做联动处置。
六、误区与复盘
- 误区一：实体粒度过粗。把设备简单等同于IP，会丢失硬件指纹信息，导致团伙被拆散。
- 误区二：关系类型混用。把登录和注册合并为“使用”，会掩盖养号与盗号的差异。
- 误区三：忽视时间属性。没有时间戳的边无法做时序采样，模型只能学到静态共现。
- 误区四：数据来源不可追溯。边无法回溯到原始日志，导致线上排查与模型解释困难。
上线前务必做一次“关系语义评审”：每条边都要能回答“它代表什么业务动作、来自哪张表、更新频率是多少”。
完成本章的实体与关系定义后，你就拥有了异构图反欺诈的“骨架”。后续的特征工程、图采样与模型训练，都将围绕这套骨架展开。