1. 反欺诈概述与图谱技术简介
做反欺诈这几年，我最大的感受就一个字：快。骗子的手法迭代太快了，传统规则引擎刚封住一个漏洞，人家已经换了个姿势。我刚开始接触风控时，团队还在用黑白名单加几套简单规则，结果每天被团伙性攻击打得措手不及。后来转向图谱技术，才算是找到了跟骗子对等的武器。
说白了，反欺诈的核心就三件事：识别异常、关联挖掘、实时阻断。图谱技术正好擅长后两项。
1.1 为什么反欺诈需要图？
先看一个真实的场景。某个电商平台，注册了 100 个新账号，都用同一个 IP 下单，收货地址却分布在 5 个不同城市。传统规则引擎只能看到「同一 IP 注册过多」，但骗子可以轻松换 IP。那用图来看呢？每个账号是一个节点，IP、手机、设备指纹也是节点。当 100 个账号都连接到同一个设备指纹时，这个社区就是典型的团伙。
我个人习惯把反欺诈的发展阶段分成三个台阶：
| 阶段 | 核心方法 | 痛点 |
|---|---|---|
| 规则引擎 | 单一特征 + 阈值判断 | 规则维护成本高，团伙攻击难识别 |
| 机器学习 | 特征工程 + 分类/回归模型 | 依赖人工特征，缺乏关系信息 |
| 图谱分析 | 图结构 + 图算法 + 图变量 | 计算复杂，但效果提升显著 |
我在项目里遇到过一家头部金融公司，他们用规则引擎跑了一年多，召回率卡在 65% 上不去。后来我们把用户、设备、渠道建成一张异构图，加上两跳邻居的路径特征，召回直接跳到 91%。嗯，这就是图的力量。
1.2 图谱技术基础：节点、边、属性
你想想看，图其实没那么神秘。我们每个人脑袋里都会不自觉地画图——亲戚关系网、朋友圈推荐、甚至交通路线都是图。在反欺诈里，图由三个东西组成：
- 节点：实体，比如用户、手机号、设备、银行卡、订单
- 边：关系，比如「绑定」「登录」「交易」「同IP」
- 属性：附在节点或边上的信息，比如注册时间、交易金额
举个例子，下面这个结构就是反欺诈里最常见的「星型团伙图」：
1.3 图谱变量衍生：从结构到数字
图画好了，怎么喂给机器学习模型？这就是图谱变量衍生要解决的问题。把拓扑结构、路径信息、社区特征转化成数值变量，专业叫法是「图特征工程」。
常见的图谱变量有这几类：
- 节点级变量：度数、聚类系数、PageRank、中心性
- 路径级变量：最短路长度、两跳共同邻居数、路径聚合值
- 社区级变量：所属子图大小、社区密度、边介数
- 复杂变量：元路径（Meta-path）特征、图同构计数
举个例子，在刚才的星型团伙里，每个用户节点的「共同设备数」就是 1（所有用户都连接同一个设备）。但如果是更复杂的图，两个用户有多个共同设备、多个共同手机号，这个数值就会变大，意味着他们是高度关联的团伙成员。
核心观点：图谱变量衍生不是简单的「把图拉直成向量」，而是保留图结构中的相对位置和关系密度。这是它优于传统特征工程的地方。
1.4 常见反欺诈图场景一览
| 业务场景 | 主要实体 | 关键边 | 典型图变量 |
|---|---|---|---|
| 信贷申请反欺诈 | 申请人、手机、设备、公司、联系人 | 申请、绑定、同IP、同联系人 | 申请人的社区大小、与黑名单设备最短距离 |
| 电商薅羊毛 | 账号、设备、收货地址、优惠券 | 下单、领券、同地址 | 地址的出度数、优惠券的传播路径数 |
| 支付盗刷 | 用户、银行卡、商户、交易 | 交易、授权、同银行卡 | 银行卡的介数、交易链路的异常模式 |
| 社交诈骗 | 用户、群聊、消息、举报 | 加好友、发消息、举报 | 群聊的密度、用户的局部聚类系数 |
1.5 本章小结
这一章我们聊了聊反欺诈为什么需要图，以及图的基本组成。记住三点：
- 传统规则和机器学习缺少「关系视角」，图谱填补了这个空白
- 节点、边、属性是图的三大构件，模型质量从建模就开始决定了
- 图谱变量衍生的本质，是把结构信息转化成机器能理解的数字