2. 图论基础：图的基本概念

图论这东西，听着高大上，说白了就是研究“什么东西跟什么东西怎么连”的学问。咱们做团伙识别，最核心的就是人和人之间的关系——谁跟谁有通话、转账、见面，这些关系用图来建模再合适不过。

我刚开始用图论做风控的时候，犯过一个低级错误：把无向图当有向图用。结果团伙里资金流向全画反了，模型完全跑偏。后来我养成了一个习惯：动手之前，先拿纸笔画一遍图的结构，搞清楚方向、权重、属性，再写代码。这个习惯帮我省了不少回头改 bug 的时间。

2.1 图的核心要素：节点、边、度、路径

先聊聊最基础的几个概念。一个图由两部分组成：节点和边。

• 节点（Vertex / Node）：代表实体。在团伙识别里，节点可以是人、手机号、银行卡、IP地址……你想扩展什么实体，就加什么节点。
• 边（Edge）：代表关系。比如A给B打过电话，这就是一条边。
• 度（Degree）：一个节点连了多少条边。度高的节点往往很关键——可能是核心成员，也可能是公用设备。
• 路径（Path）：从一个节点到另一个节点经过的边的序列。路径长度就是经过的边数。在团伙里，路径越短，关系越紧密。

2.2 有向图 vs 无向图：方向决定了关系的性质

很多人在这一步就懵了：“我到底用有向还是无向？”我的判断标准很简单：看关系能不能倒过来。

图类型	边是否有方向	典型场景	团伙识别中的例子
无向图	无	社交好友、共同群组	两人在同一个微信群，关系是双向的
有向图	有	转账、通话、关注	A转账给B，B不一定转回给A

嗯，这里要注意：有向图的入度和出度是两个独立指标。入度高的节点可能是收赃的，出度高的节点可能是打款的。我在一场反洗钱分析里遇到过，一个节点出度30、入度只有2，明显是资金扩散的关键点。

2.3 加权图与属性图：把关系“量化”和“丰富”

光有方向和连接还不够。我们还需要知道关系的强度和类型。这里就引入加权图和属性图。

• 加权图（Weighted Graph）：每条边带一个权重，比如转账金额、通话时长、见面次数。权重越大，关系越“重”。
• 属性图（Attributed Graph）：节点和边都可以附带任意属性。比如节点可以有“职业”、“年龄”，边可以有“时间戳”、“地点”。

在团伙识别里，加权图能帮你量化“紧密程度”，属性图则帮你做更深度的判断。举个例子：两个节点之间只有一次小额转账，权重极低；但如果你看到他们有多笔大额转账，且时间都在凌晨，那这属性组合就很可疑。

2.4 一张图搞懂所有概念

下面这张图把上面说的要素全放在一个例子里。咱们一边看一边回顾。

2.5 实战避坑：别把“无向图”当默认选项

很多人一开始图省事，所有关系都建无向图。结果后面做路径分析时发现，资金流方向跟实际完全相反。我曾经在一个项目中，用无向图跑社区发现，抓到一群“紧密连接的团伙”，结果一查全是单向转账——那些人根本互相不认识，只是都向同一个上家打钱。无向图把这种模式硬生生拉成了双向关系，严重失真。

2.6 加权图在团伙识别中的典型用法

咱们做变量衍生，很多时候就是从加权图里提取统计量。我总结了几种最常用的：

• 加权度：某个节点的所有出边权重之和。比如一个人累计转出金额，反映其资金流出规模。
• 加权路径：路径上边权的总和（或乘积），用来度量两个实体间的“总关联强度”。
• 最短加权路径：边权为“成本”或“距离”时，找最小权重路径。比如最短通话时长路径，可判断传导效率。

还有一个容易被忽略的点：属性图的信息密度很高，但别忘了归一化。节点属性可能有几十维，如果不做标准化，度的差异会把其他属性淹没。我自己写特征工程时，都会先对数值属性做分箱或 rank 化，再跟图结构特征一起喂模型。

好，这一章就到这。图论基础是后面所有变量衍生操作的基石，希望你能自己动手画几个图例，把概念练熟。后面咱们就开始讲如何在图上做特征提取了。