2. 图模型基础

在金融风控、反欺诈、量化投研与资金链路分析中，很多问题本质上不是“单个主体是否异常”，而是“主体之间如何连接、影响与传导”。图模型的价值，正是把账户、企业、产品、交易、担保、持股、舆情等对象及其关系，统一表达为可计算、可更新、可监控的结构。本节为后续增量更新与漂移监控打基础，重点讲清图的基本概念、金融图数据表示、节点与边类型、邻接矩阵与图嵌入。

一、核心原理：图是“对象+关系”的统一表达

图由节点集合 V 与边集合 E 构成，记为 G=(V,E)。在金融场景中，节点通常表示参与主体或金融对象，边表示它们之间的资金流、控制关系、交易行为或相似性。若边有方向，如 A 向 B 转账，则是有向图；若边带权重，如转账金额、持股比例、交易频次，则是加权图。若边还带时间戳，则形成时序图，这也是增量更新与漂移监控的关键基础。

金融图与普通社交图的最大区别在于：关系具有强语义、强方向、强时效和强合规约束。例如“担保”边与“转账”边含义完全不同，不能简单合并；一条三年前的控股边与今天的控股边，对风险判断的影响也可能截然不同。因此，图建模的第一步不是画图，而是定义清楚节点、边、属性与时间语义。

二、金融图数据表示：从业务表到图结构

金融原始数据常以关系表形式存在，如账户表、交易流水表、企业工商表、担保表、舆情事件表。构建图时，需要把“实体”映射为节点，把“关系”映射为边，把“描述信息”映射为属性。常见表示方式包括：

• 节点表：节点ID、节点类型、名称、行业、地区、风险等级、更新时间。
• 边表：起点ID、终点ID、边类型、权重、方向、时间戳、来源系统。
• 属性表：节点或边的扩展字段，如交易金额、持股比例、担保金额、舆情情感值。
• 时序快照：按日/小时切分的图版本，用于增量更新与漂移对比。

例如，一条交易流水可表示为边：(账户A)-[转账 {金额: 50000, 时间: 2025-03-01, 渠道: 网银}]->(账户B)。一条企业控股关系可表示为：(企业X)-[控股 {比例: 0.67, 生效日: 2024-06-01}]->(企业Y)。这种表示让后续的路径查询、社区发现、风险传播都变得可编程。

三、节点与边类型：金融图的语义骨架

节点类型决定“谁在图中”，边类型决定“关系如何传导”。常见节点包括个人、企业、账户、银行卡、设备、IP、产品、机构、事件等。常见边包括转账、持股、担保、任职、交易、登录、关联、舆情共现等。不同边类型的传导逻辑不同：资金边强调流向与金额，控制边强调层级与比例，行为边强调频次与时间窗口。

类型	示例	关键属性	典型用途
节点-个人	客户、法人、高管	证件号、风险等级	身份识别、关联排查
节点-企业	公司、集团、空壳	行业、注册资本、状态	集团派系、控制链分析
节点-账户	银行账户、支付账户	开户行、余额、状态	资金链路追踪
边-转账	A向B转账	金额、时间、渠道	洗钱、欺诈资金流
边-持股	X持有Y股权	比例、生效日	实际控制人识别
边-担保	P为Q担保	金额、期限、状态	风险传染、违约传导

四、邻接矩阵与图嵌入简介

邻接矩阵是图最基础的代数表示。对于 n 个节点的图，邻接矩阵 A 是 n×n 矩阵，A[i][j] 表示节点 i 到 j 是否有边或边权。无向图的邻接矩阵对称，有向图则不一定。金融图中，邻接矩阵可直接用于计算入度、出度、PageRank、连通分量等指标。例如，出度高可能表示资金分散转出，入度高可能表示资金归集。

# 以3个账户为例的邻接矩阵（行=起点，列=终点）
# A->B 转账5万，B->C 转账3万，A->C 转账1万
A = [
  [0, 50000, 10000],
  [0, 0,     30000],
  [0, 0,     0]
]

# 出度：每行求和
out_degree = [sum(row) for row in A]   # [60000, 30000, 0]
# 入度：每列求和
in_degree = [sum(A[i][j] for i in range(3)) for j in range(3)]  # [0, 50000, 40000]

但邻接矩阵的维度随节点数增长，稀疏金融图中大量元素为0，直接使用效率低。图嵌入则把节点映射为低维稠密向量，使结构相近的节点在向量空间中距离更近。常见方法包括 DeepWalk、Node2Vec、LINE、GraphSAGE 等。嵌入向量可用于聚类、分类、异常检测和相似节点检索，也是漂移监控中“结构变化是否导致语义变化”的重要工具。

五、案例场景：资金链路中的图表达

假设某支付机构发现一批账户在短时间内呈现“分散转入、集中转出”模式。用图表示时，节点是账户与设备，边是转账与登录。通过邻接矩阵可快速计算每个账户的入度与出度；通过图嵌入可把结构相似的账户聚在一起，识别出疑似团伙。若某天新增大量边，且嵌入向量整体偏移，则可能意味着资金链路模式发生漂移，需要触发监控。

在反欺诈场景中，设备节点与账户节点之间的登录边、交易边可形成二部图。若同一设备关联多个高风险账户，设备节点的嵌入会靠近风险簇，从而辅助判断新账户风险。在投研场景中，企业持股图可用于识别集团派系与实控人，边权为持股比例，路径长度为控制层级。

六、误区与复盘

• 误区一：把图当成可视化工具。图的核心是可计算结构，不只是画关系图。没有节点/边定义与属性规范，后续无法增量更新。
• 误区二：忽略时间维度。金融关系有时效性，旧边不失效会导致风险误判。建模时应保留时间戳与版本。
• 误区三：边类型混用。转账、担保、持股的语义不同，混用会破坏传导逻辑与漂移解释。
• 误区四：直接对邻接矩阵做密集计算。金融图通常稀疏，应使用稀疏矩阵或图计算框架。
• 误区五：把嵌入向量当作绝对真相。嵌入是结构近似，需结合业务规则与可解释指标共同判断。

掌握本节内容后，你应能判断一个金融业务问题是否适合图建模，并能把原始表映射为节点、边与属性，理解邻接矩阵与图嵌入各自的作用边界。这是后续学习图模型增量更新与漂移监控的必要前提。