1. 课程导入

在反欺诈风控的实际工作中，我们面对的往往不是孤立的坏人，而是一张彼此关联、分工协作的关系网络。单个账号可能看起来完全正常，但当它和一批设备、银行卡、手机号、IP地址产生密集连接时，一个欺诈团伙的轮廓就会浮现出来。本课程要解决的核心问题就是：如何用图结构和社区发现算法，把隐藏在复杂关系中的欺诈团伙自动识别出来。而 Louvain 算法，正是当前工业界最常用、最成熟的社区发现方法之一。

一、学习目标：从算法原理到团伙落地

本课程不是单纯讲一个聚类算法，而是围绕“欺诈团伙识别”这一业务目标，构建从理论到工程的完整能力。学完本课程，你应当能够达到以下目标：

• 理解社区发现本质：掌握模块度（Modularity）的物理含义，理解为什么“社区内部连接紧密、社区之间连接稀疏”可以作为团伙识别的数学依据。
• 掌握 Louvain 算法全流程：能够独立完成图构建、边权设计、Louvain 迭代、社区划分与结果评估。
• 具备特征工程能力：能够把账号、设备、IP、银行卡等异构实体抽象成节点和边，并设计合理的权重。
• 完成团伙识别落地：能够把社区结果转化为可解释的团伙名单、风险评分和处置建议。
• 规避常见误区：理解分辨率极限、随机性、孤立点、业务误判等工程陷阱。

二、核心价值：为什么是 Louvain，而不是普通聚类

很多初学者会问：欺诈团伙识别为什么不用 K-Means 或 DBSCAN？原因在于，欺诈数据天然是图结构，而不是欧氏空间中的点。K-Means 需要预先指定簇数量，且对非凸、密度不均的团伙结构效果很差；DBSCAN 依赖密度参数，在关系稀疏的欺诈网络中容易把团伙拆散。Louvain 的优势在于：

• 无需预设社区数量：算法通过模块度优化自动决定划分粒度。
• 计算效率高：基于贪心优化，能在千万级边的大图上快速收敛，适合工业级风控。
• 结果可解释：每个社区就是一组高内聚的实体，天然对应“团伙”概念。
• 支持加权图：可以把交易金额、通话频次、共用设备次数作为边权，让业务含义进入算法。

换句话说，Louvain 把“团伙识别”从主观规则判断，变成了可量化、可复现、可迭代的图计算任务。

三、整体课程框架：30 章的学习路线

本课程共 30 章，整体分为五个阶段，层层递进。下表给出课程框架与各阶段的核心任务，帮助你建立全局认知。

阶段	章节范围	核心任务	产出物
基础认知	第 1–5 章	理解图、社区、模块度与 Louvain 原理	算法认知与数学直觉
数据与建图	第 6–12 章	实体抽取、关系定义、边权设计与图存储	可计算的欺诈关系图
算法实战	第 13–20 章	Louvain 实现、调参、评估与可视化	社区划分结果
团伙识别	第 21–26 章	社区打分、团伙画像、风险排序与处置	团伙名单与风险报告
工程与复盘	第 27–30 章	性能优化、线上部署、误判复盘与迭代	可上线的反欺诈系统

可以看到，课程不是一上来就写代码，而是先建立“图思维”，再进入工程实现，最后回到业务闭环。这种顺序能避免“算法跑通了但业务不认”的常见尴尬。

四、实战案例概览：一个真实的欺诈团伙长什么样

为了让学习有具体抓手，本课程贯穿一个模拟但贴近真实的案例：某电商平台在三个月内出现一批异常退款账号。单看每个账号，注册时间、收货地址、退款理由都不同，规则引擎几乎无法命中。但当我们把数据构造成图后，情况完全不同：

• 多个账号共用同一台设备指纹；
• 多个账号绑定同一张银行卡或同一手机号；
• 账号之间存在密集的转账与代付关系；
• 这些账号的收货地址集中在少数几个小区。

用 Louvain 对这张图做社区发现后，算法自动把这些账号聚成一个社区，而正常用户则分散在大量小社区中。这个社区就是我们要找的欺诈团伙。后续章节会一步步带你完成从原始日志到团伙名单的全过程。

五、常见误区与学习心态

在正式进入算法之前，先提前纠偏几个高频误区，能帮你少走弯路：

1. 误区一：社区发现等于抓坏人。社区只是“关系紧密的一组节点”，是否欺诈仍需业务规则和人工复核。算法负责缩小范围，不负责定罪。
2. 误区二：边越多越好。噪声边会把不同团伙连在一起，导致社区合并。边权设计和剪枝比算法本身更关键。
3. 误区三：跑一次就结束。欺诈团伙会演化，图结构会变化，需要定期重跑并对比社区迁移。
4. 误区四：只看算法指标。模块度高不代表业务价值高，最终要用召回率、准确率和处置成本来衡量。

现在，你已经对课程目标、核心价值、整体框架和实战案例有了完整认识。接下来，我们将从图与社区的基本概念出发，正式进入 Louvain 的世界。