1. 课程导入

金融风控、反欺诈、反洗钱、授信定价与投研关联分析，本质上都不是“单表分类”问题，而是多实体、多关系、多跳依赖的图结构问题。一个企业背后有股东、高管、担保方、上下游交易对手、关联账户、设备指纹与司法事件；一笔转账背后有付款人、收款人、代理行、IP、手机号与时间窗口。把这些对象放进同一张图，就得到一张典型的异构图：节点类型不同、边类型不同、属性维度不同、语义方向不同。本课程要解决的核心问题，就是如何把这种复杂金融关系稳定地建模、训练、评估并落地为可解释的风险决策能力。

一、学习目标：从“会调模型”到“会建图、会建模、会解释”

本课程不是单纯讲某个图神经网络（GNN）算子，而是围绕金融业务闭环，建立三层能力。

• 业务抽象层：能把风控、反欺诈、反洗钱、关联授信等场景，抽象为“实体—关系—事件—标签”的异构图模式，明确节点类型、边类型、方向、时间戳与标签定义。
• 建模实现层：掌握异构图的元路径、邻居采样、类型投影、异构图卷积、注意力聚合与多任务学习，能独立完成从构图到训练、推理的工程链路。
• 评估解释层：能设计面向金融的评估指标（AUC、KS、Recall@K、命中率、误报成本），并输出可被风控策略、审计与监管理解的解释路径。

二、核心价值：为什么金融场景必须走向异构图建模

传统特征工程把关系“拍平”成统计量，例如“近30天交易对手数”“关联企业数”。这种方式可解释、易上线，但会丢失三类关键信息：关系路径（A通过B影响C）、关系类型（担保与交易的风险语义完全不同）、多跳传播（风险沿股权链、资金链、设备链扩散）。异构图建模的价值正在于：

• 保留语义：不同边类型分别建模，避免“担保”和“转账”被混为一谈。
• 捕捉传播：通过多跳聚合发现隐性关联团伙与风险传导链。
• 提升召回：在欺诈、洗钱等长尾场景中，图模型通常比单点特征有更高召回。
• 支撑解释：元路径与注意力权重可回溯到具体关系，便于策略复核与监管沟通。

下面这张图展示了本课程的整体知识框架：从多源金融数据出发，经过异构图模式设计、图构建、图模型训练，最终落到风险决策与解释输出。

三、方法流程：一条可复用的异构图建模流水线

无论场景是反欺诈还是反洗钱，工程流程都可以收敛为七步。建议在项目初期就把每一步的输入、输出与验收标准写清楚，避免“模型先行、数据返工”。

1. 业务目标与标签定义：明确预测对象（企业/个人/账户/事件）、标签口径、观察窗口与表现窗口，防止标签泄漏。
2. 异构图模式设计：定义节点类型（企业、个人、账户、设备、IP、事件）与边类型（持股、担保、交易、登录、司法关联），标注方向与时间属性。
3. 图数据构建：从数仓、图数据库或流式管道抽取实体与关系，统一ID映射，处理冲突与去重。
4. 特征与采样：节点属性编码、边权重设计、邻居采样、负采样与时间切分。
5. 模型训练：选择HGCN、HAN、RGCN或异构图Transformer，设置元路径、注意力头数与多任务损失。
6. 评估与解释：除AUC/KS外，关注Recall@K、命中率与误报成本；输出元路径解释与注意力权重。
7. 上线与监控：离线训练、在线推理、图更新频率、特征漂移与模型衰减监控。

四、案例与场景：异构图在金融中的典型落点

以“企业关联授信风险”为例：节点包括企业、自然人、账户、担保合同与司法事件；边包括持股、任职、担保、交易、诉讼。通过元路径“企业—股东—企业”可发现隐性控制关系，通过“企业—账户—账户—企业”可发现资金闭环，通过“企业—司法事件—企业”可发现风险共振。模型输出不仅给出风险分，还能给出“因与某高风险企业存在两跳担保关系而提升评分”的解释路径。

五、误区与复盘：新手最容易踩的五个坑

• 把异构图当同构图：忽略边类型语义，导致担保风险与交易风险被平均，模型看似收敛但业务不可用。
• 时间穿越：用未来关系预测过去标签，离线指标虚高，上线后迅速衰减。必须按时间切分训练/验证/测试。
• 标签泄漏：把与标签强相关的后验字段（如“已上报可疑”）作为特征，模型学到的是结果而非原因。
• 只盯AUC：金融场景更关心高召回下的误报成本与人工复核量，需结合业务成本矩阵评估。
• 忽视图更新：关系是动态的，图不更新会导致模型快速失效，需设计增量构图与漂移监控。

本课程的实战路线图将沿着“数据—图模式—采样—模型—评估—解释—上线”推进，每一章都对应一个可交付物。学完本章，你应当能够判断一个金融业务问题是否适合用异构图建模，并能画出初步的节点—边—元路径草图。接下来，我们将从图模式设计开始，把这张草图变成可训练、可解释、可上线的工程资产。