2. 金融图谱基础：实体、关系、属性的概念，金融图谱的典型应用场景（风控、反欺诈）

金融知识图谱（Financial Knowledge Graph）是构建智能风控与反欺诈体系的底层数据基础设施。它将分散在多个业务系统、非结构化文档中的金融信息，抽象为实体、关系与属性三元组，形成可计算、可推理的关联网络。本节首先厘清这三个核心概念，再展示其在风控与反欺诈中的典型落地方式。

2.1 实体、关系、属性的概念

知识图谱的基本构成单元是SPO三元组（Subject-Predicate-Object）。在金融场景中，这三者分别对应：

以下SVG展示了金融图谱中一个典型的“个人-企业-设备”三元组结构，包含实体节点、关系边与属性挂载：

2.2 金融图谱的典型应用场景

金融图谱的价值在于将“数据孤岛”连接为“关联网络”，从而发现单点数据无法暴露的风险模式。以下重点介绍风控与反欺诈两个核心场景。

2.2.1 风控场景：关联风险传导与担保圈识别

在信贷风控中，图谱用于识别隐性关联风险。例如，A企业为B企业担保，B企业为C企业担保，C企业出现违约，风险会沿担保链传导至A。传统规则引擎难以捕获这种多跳传导，而图谱通过路径搜索与社区发现算法可以快速定位风险敞口。

// 查找与违约企业存在2跳以内担保关系的所有实体
MATCH (default:Company {status:'违约'})-[r:担保*1..2]-(related)
RETURN default.name, related.name, length(r) AS hops
ORDER BY hops

以下SVG展示了担保圈传导风险的图谱结构：

2.2.2 反欺诈场景：团伙欺诈与设备指纹关联

欺诈团伙通常使用多个身份、设备、手机号进行协同攻击。图谱通过共用设备、共用IP、共用联系人等关系，将看似独立的申请关联到同一个欺诈团伙。以下表格对比了传统反欺诈与图谱反欺诈的核心差异：

以下SVG展示了一个典型的“设备-手机号-账户”欺诈团伙图谱：

2.3 图谱构建对样本偏差的影响

金融图谱的构建质量直接决定后续样本偏差校验的难度。以下是构建阶段需要关注的三个偏差来源：

• 实体对齐偏差：同一自然人在不同系统中使用不同ID（身份证号、护照、手机号），若对齐错误，会导致图谱中产生“幽灵节点”或“重复节点”，使样本分布失真。
• 关系稀疏偏差：新用户或新企业入网时，图谱中仅有少量关系，导致图特征（如度、PageRank）偏向低值区间，模型容易将其误判为“正常”。
• 标签传播偏差：使用图谱进行半监督标签传播时，若种子节点（已知欺诈样本）分布不均，会导致标签沿关系过度扩散，产生大量假阳性样本。