2. 图与链路预测基础
在进入 GNN 链路预测与隐蔽欺诈关系识别之前，必须先把“图”这门语言说清楚。图不是画出来的网络图，而是一种严格的数学结构：它由节点集合与边集合构成，用来描述对象之间的关联。欺诈识别之所以适合用图建模，是因为欺诈行为往往不体现在单个账户的属性上，而体现在账户之间的资金流、设备共用、IP 聚集、担保关系等连接模式中。链路预测则进一步回答：在当前已知连接的基础上，哪些尚未观察到的连接最可能存在，或者最应该被重点关注。
一、图的基本定义与邻接矩阵
一个图通常记为 G = (V, E)。其中 V 是节点集合，E 是边集合。若边有方向，称为有向图；若边带权重，称为加权图；若节点和边还带有类型，则称为异构图。在欺诈场景中，账户、设备、商户、身份证、银行卡都可以作为节点，转账、登录、绑定、共用等行为可以作为边。图的结构信息最终要被算法读取，最基础的表示方式就是邻接矩阵。
对于包含 n 个节点的图，邻接矩阵 A 是一个 n × n 的矩阵。若节点 i 与节点 j 之间存在边，则 A[i][j] = 1，否则为 0；若为加权图，则填入权重。无向图的邻接矩阵是对称的，有向图则不一定对称。邻接矩阵的缺点是稀疏且维度高，因此实际系统中常使用稀疏矩阵、边列表或邻接表来存储。
# 以 NetworkX 为例，构建一个简单无向图
import networkx as nx
G = nx.Graph()
G.add_nodes_from(["A", "B", "C", "D"])
G.add_edges_from([("A", "B"), ("B", "C"), ("C", "D")])
# 转为邻接矩阵
A = nx.to_numpy_array(G)
print(A)
# [[0. 1. 0. 0.]
# [1. 0. 1. 0.]
# [0. 1. 0. 1.]
# [0. 0. 1. 0.]]
除了邻接矩阵，图还可以用度矩阵 D、拉普拉斯矩阵 L = D - A、归一化邻接矩阵等形式表示。GNN 的消息传递过程，本质上就是不断用邻接关系聚合邻居信息，因此理解邻接矩阵是理解 GNN 的第一步。
二、链路预测任务定义
链路预测的目标是：给定图的一部分边，预测哪些尚未出现的节点对之间可能存在边。形式化地说，对于节点对 (u, v)，模型需要输出一个分数 s(u, v)，表示该边存在的概率或置信度。训练时通常把已知边作为正样本，从未连接节点对中采样负样本，然后学习一个打分函数。
链路预测与欺诈关系识别的关系非常直接：在欺诈场景中，很多隐蔽关系并未被直接记录，例如两个账户之间没有显式转账，但可能通过共同设备、共同收款人、相似行为序列形成潜在关联。链路预测可以把这些“缺失但高风险”的关系补全出来，为后续风险传播和团伙发现提供依据。
核心流程：构图 → 划分训练边/验证边/测试边 → 负采样 → 提取结构或 GNN 特征 → 训练打分模型 → 按分数排序 → 人工或规则复核。
需要特别注意的是，链路预测不是简单的二分类。真实图中正样本远少于负样本，且负样本的构造方式会显著影响模型效果。如果负样本全部随机采样，模型可能只学会区分“有边”和“完全无关”，而无法识别“看似无关但实际高风险”的隐蔽关系。因此，在欺诈场景中，负采样往往要结合业务规则，例如选择同设备、同地区、同时间窗口内但未发生交易的节点对作为困难负样本。
三、评价指标与清单
链路预测常用的评价指标包括 AUC、AP、Precision@K、Recall@K、MRR 和 Hits@K。AUC 衡量模型对正负样本的整体排序能力；AP 更适合正负样本极不平衡的场景；Precision@K 和 Recall@K 关注 Top-K 推荐结果的质量；MRR 和 Hits@K 则常用于知识图谱链路预测。欺诈场景中，业务方通常更关心 Top-K 名单的准确率，因为人工审核资源有限。
| 指标 | 含义 | 适用场景 |
|---|---|---|
| AUC | 正样本得分高于负样本的概率 | 整体排序能力评估 |
| AP | Precision-Recall 曲线下面积 | 正负样本极不平衡 |
| Precision@K | Top-K 中正样本比例 | 人工审核名单质量 |
| Recall@K | Top-K 覆盖的真实边比例 | 风险召回评估 |
| MRR | 第一个正确结果的排名倒数均值 | 知识图谱链路预测 |
| Hits@K | 正确结果出现在 Top-K 的比例 | 候选关系排序 |
下面是一个使用 scikit-learn 计算 AUC 与 AP 的简单示例：
from sklearn.metrics import roc_auc_score, average_precision_score
y_true = [1, 1, 0, 0, 1, 0]
y_score = [0.9, 0.8, 0.4, 0.3, 0.7, 0.2]
print("AUC:", roc_auc_score(y_true, y_score))
print("AP:", average_precision_score(y_true, y_score))
四、案例场景与常见误区
假设我们有一张支付网络图：节点是账户，边是转账关系。已知部分账户被确认为欺诈账户，我们希望预测哪些未连接的账户对之间可能存在隐蔽资金往来。做法是：先构造账户-账户图，再构造账户-设备图、账户-IP 图，形成异构图；然后在账户-账户层做链路预测，在账户-设备层做关联补全；最后把高分边交给风控人员复核。这个流程中，链路预测不是终点，而是风险线索生成器。
实践建议：在欺诈链路预测中，优先使用时间切分而不是随机切分。因为随机切分会让未来信息泄漏到训练集，导致离线指标虚高，上线后效果骤降。
常见误区：第一，把链路预测当成普通二分类，忽略图结构；第二，负采样过于简单，导致模型只学到“有没有边”而不是“像不像欺诈边”；第三，只看 AUC，不看 Top-K 业务指标；第四，忽略时间泄漏和标签泄漏；第五，把预测出的边直接当作欺诈结论，而不是风险线索。
总结来说，图的基本定义提供了建模语言，邻接矩阵提供了可计算的表示，链路预测定义了任务目标，评价指标决定了我们如何判断模型好坏。只有把这四件事同时做对，后续的 GNN 模型才有意义。否则，再复杂的网络结构也只是在错误的问题上做优化。