金融风控图谱概述

先说一个我早年踩过的坑。当时做反欺诈模型，只用原始交易字段跑了个XGBoost，AUC倒也还行。上线后却发现团伙欺诈根本抓不住——一个人换了三个账号，每个账号单独看都像好人，组合起来就暴露了。我当时就很纳闷：为什么单笔交易看不出问题？后来才明白，因为我们丢失了实体之间的关系。

说白了，知识图谱干的就是这活儿——把散落的数据点织成一张网，让你看得清谁跟谁有关联。在风控领域，这张网能帮你发现隐藏的团伙、异常的传导路径、以及传统特征工程根本造不出来的变量。

知识图谱在风控中能做什么？

1. 反欺诈：识别团伙欺诈、设备关联、IP聚集。我接手过一个现金贷项目，用图谱找到了一群共用手机号的用户，命中率直接翻倍。
2. 信用评估：挖掘担保圈、上下游企业风险传导。比如一个公司违约，它的关联方甚至供应商可能跟着出问题。
3. 变量衍生：这是本课程的重头戏。从图谱中提取节点的度、中心性、PageRank、社区归属等，这些指标往往是传统特征无法替代的。
4. 规则引擎：用图谱的路径查询做实时决策，例如“是否两个小时内从同一个IP登录了5个不同账号”。

课程目标与整体框架

这门课共30章，你学完后应该能独立完成从零构建金融图谱、批量生成变量、并做高质量分箱的全流程。不会只讲理论，每章我至少会带一个实际踩坑的案例。

模块	章节范围	核心内容
基础篇	1-5章	谱图概念、数据建模、存储方案
变量衍生篇	6-15章	节点特征、边特征、子图特征、时序特征
分箱实战篇	16-25章	等距分箱、卡方分箱、决策树分箱、基于图谱的分箱策略
工程落地篇	26-30章	特征回溯、在线推理、AB测试、监控

整体框架其实就一句话：从原始数据到图谱，从图谱到变量，从变量到分箱，最后喂给模型。每一环都有坑，我会把踩过的雷一个个指出来。

你将从这门课中得到什么？

• 一套可复用的图特征衍生代码框架，支持Neo4j和Spark GraphX。
• 分箱方法的选择策略：什么时候用等距，什么时候用卡方，什么时候得手调。
• 实战避坑清单：我至少会分享10个线上事故的经验教训。

嗯，第一章就到这。后续我们会从图谱的数据建模开始，一步步把整个链路打通。