2. 金融图数据基础
在金融风控、反欺诈与推荐系统中，数据天然具有“关系”属性：一笔转账连接两个账户，一次登录关联设备与IP，一笔消费绑定商户与持卡人。把这些实体和关系抽象为图，才能让模型看见“谁和谁有关、关系有多强、关系随时间如何变化”。本节围绕图的基本构成、异构与时序特性，以及典型金融场景展开，为后续大规模图采样与Mini-batch训练打牢概念地基。
一、核心原理：图的四要素与金融语义
一张金融图由节点、边、属性与方向/权重共同定义。节点代表业务实体，边代表实体间的交互或归属关系，属性则描述实体或关系的静态特征与动态统计。理解这四要素，是把业务问题翻译成图问题的第一步。
- 节点（Node）：用户、账户、设备、IP、商户、银行卡、企业、地址等。金融场景中，节点往往带有强标识（如身份证哈希、设备指纹）。
- 边（Edge）：转账、登录、绑定、收货、担保、共同设备等。边可带方向（A转给B）与权重（金额、频次、时长）。
- 属性（Attribute）：节点属性如注册时长、历史逾期率；边属性如交易金额、时间戳、渠道。属性是图神经网络聚合时的重要输入。
- 图结构（Topology）：邻居数量、度数分布、连通分量、社区结构。欺诈团伙常表现为稠密子图或异常星型结构。
二、异构图：多类型实体与多类型关系的建模
真实金融数据很少是单一类型节点和边的同构图。用户、设备、商户、企业分属不同语义空间，它们之间的边也类型各异。异构图（Heterogeneous Graph）用类型系统显式区分这些差异，使模型能够学习“类型感知”的表示。
形式化地，异构图可表示为 G = (V, E, φ, ψ)，其中 φ 将节点映射到节点类型，ψ 将边映射到边类型。例如节点类型集合为 {用户, 设备, 商户, 企业}，边类型集合为 {登录, 转账, 消费, 担保}。在异构图神经网络中，通常先按边类型分别聚合邻居，再跨类型融合，从而避免把“登录”和“转账”混为一谈。
| 图类型 | 节点/边特点 | 金融示例 | 建模要点 |
|---|---|---|---|
| 同构图 | 单一节点与边类型 | 账户间转账网络 | 结构简单，易采样 |
| 异构图 | 多类型节点与边 | 用户-设备-商户-企业 | 类型感知聚合、元路径 |
| 时序图 | 边带时间戳，结构动态演化 | 实时交易流水、登录序列 | 时间窗口、增量更新 |
| 属性图 | 节点/边带丰富特征 | 带画像与金额的交易图 | 特征与结构联合编码 |
三、时序图：让关系带上时间维度
金融风险具有强时效性。昨天的正常交易，今天可能因团伙激活而变成欺诈。时序图（Temporal Graph）为每条边附加时间戳，使图成为随时间演化的动态结构。常见处理方式包括：按时间窗口切片生成快照图、在消息传递中引入时间编码、以及只保留最近邻边进行采样。
# 时序边示例：源节点, 目标节点, 边类型, 时间戳, 金额
u1001, d88, login, 2024-06-01 09:12:03, 0
u1001, m200, pay, 2024-06-01 09:15:22, 128.50
u1002, u1001, transfer, 2024-06-01 09:20:10, 5000.00
u1003, d88, login, 2024-06-01 09:21:44, 0
在Mini-batch训练中，时序图要求采样必须尊重时间顺序：预测某时刻的边，只能使用该时刻之前的邻居与特征，否则会造成时间泄漏，使离线指标虚高、线上效果崩塌。
四、典型应用场景与误区复盘
金融风控：通过账户-设备-IP图识别多头借贷与团伙欺诈。核心信号包括共享设备数、二跳邻居风险率、资金环路。
反欺诈：在交易图中检测异常稠密子图、突发星型扩散与资金快速拆分合并（如“蚂蚁搬家”式洗钱）。
推荐：在用户-商户-商品异构图中，利用元路径（用户-商户-用户）做相似用户扩展，缓解冷启动。