1. 课程导论：金融图谱风险传导与样本偏差校验的背景、课程目标、适用人群、学习路径概览

1.1 课程背景：为什么需要金融图谱与风险传导校验？

在金融风控领域，传统的基于规则引擎和单点特征模型的欺诈检测与信用评估方法，正面临日益严峻的挑战。随着金融交易网络化、关联复杂化，风险不再孤立存在，而是沿着担保链、交易链、持股链、社交关系链等路径快速传导与扩散。单一节点的异常往往只是冰山一角，隐藏在背后的团伙欺诈、关联违约、担保圈风险等系统性威胁，需要借助知识图谱技术进行全局建模与推理。

然而，金融图谱在落地过程中暴露出两个核心痛点：

• 风险传导路径的不可控性：图谱中的节点与边存在多跳、环路、长尾等复杂结构，风险传导的强度、方向与衰减规律难以量化，导致风控模型误判。
• 样本偏差的普遍存在：金融图谱数据天然存在标签稀疏、正负样本极度不均衡、采样偏差（如仅标注已知欺诈节点）等问题，直接训练图神经网络（GNN）或传导算法会产生严重的过拟合与泛化失效。

本课程正是为解决上述问题而设计，聚焦于金融图谱风险传导机制与样本偏差校验方法论，帮助从业者构建更稳健、可解释的图风控系统。

1.2 课程目标

通过本课程的学习，学员将系统掌握以下能力：

1.3 适用人群

本课程面向以下三类核心人群，每类人群的学习侧重点略有不同：

• 金融风控算法工程师（推荐指数：★★★★★）
  希望从单点特征工程升级到图风控体系，解决团伙欺诈、担保圈传导等复杂场景。建议重点学习第2-9章（图谱构建与传导）和第16-22章（模型融合）。
• 知识图谱开发/架构师（推荐指数：★★★★☆）
  已有图谱构建经验，但缺乏金融领域风险传导建模与样本偏差校验的实战方法。建议重点学习第10-15章（偏差校验）和第23-30章（项目实战）。
• 金融业务风控专家/数据分析师（推荐指数：★★★★☆）
  需要理解图谱风控的原理与输出，以便与算法团队协作或进行策略制定。建议重点学习第1-5章（概念与传导理论）和第28-30章（案例复盘与策略输出）。

1.4 学习路径概览

课程共30章，划分为5个阶段，形成“理论→构建→校验→融合→实战”的闭环学习路径：

下图展示了课程的整体知识架构与学习路径的依赖关系：

1.5 课程特色与学习建议

课程特色总结如下：

• 图谱与偏差双主线：市面上单独讲金融图谱或样本偏差的课程较多，但将两者结合并聚焦于风险传导校验的课程极少。本课程填补了这一空白。
• 真实金融场景案例：所有案例均脱敏自担保圈、供应链金融、消费信贷等真实业务场景，非玩具级Demo。
• 可复用的代码库：每章提供完整的Python/Neo4j/Cypher代码，并封装为可复用的函数库，方便直接迁移到工作中。
• 偏差校验工具箱：课程附带一个“样本偏差校验工具箱”（Python包），包含IPW、对抗校验、图重采样等10+种方法，开箱即用。

建议学习节奏：

1. 每周学习2-3章，配合课后练习与代码调试，预计10-15周完成全部课程。
2. 每阶段结束后完成一个Mini项目（课程中已设计），用于巩固阶段知识。
3. 加入课程讨论社区，与同学和讲师交流传导路径与偏差校验的踩坑经验。