3. 图谱评分模型概述：评分模型在反欺诈、风控中的应用场景与核心指标
图谱评分模型是基于图结构数据（实体-关系网络）构建的量化评估模型，其核心输出是一个风险评分或置信度分数，用于衡量个体（如用户、设备、账户）或群体（如团伙）在特定场景下的风险等级。与传统的基于表格数据的评分卡不同，图谱评分模型天然具备捕捉关联关系和传导效应的能力，在反欺诈和风控领域具有不可替代的价值。
3.1 核心应用场景
图谱评分模型在反欺诈与风控领域的应用已从单一节点评估扩展到全链路风险感知，以下为三大核心场景：
| 场景 | 业务痛点 | 图谱评分模型优势 | 典型输出 |
|---|---|---|---|
| 团伙欺诈识别 | 单个节点特征正常，但群体行为异常（如设备农场、虚假注册） | 通过社区发现+图传播算法，识别隐蔽的团伙结构 | 团伙风险分、成员关联度分 |
| 交易反欺诈 | 实时交易中需判断当前交易是否涉及黑产网络 | 利用1-2跳邻居的交易模式、设备指纹、IP共现等图特征 | 交易风险分、路径可疑度 |
| 信贷风控 | 多头借贷、担保圈风险、关联企业违约传导 | 构建担保圈、资金往来图，评估节点在圈中的风险暴露 | 关联违约概率、担保圈风险等级 |
实践要点：图谱评分模型并非要替代传统评分卡，而是作为“关联维度”的补充。在反欺诈场景中，通常将图谱评分与传统规则/模型分数进行融合，形成多维度决策矩阵。
3.2 核心指标体系
评估一个图谱评分模型的好坏，需要从区分度、稳定性、可解释性和图特性四个维度进行衡量。以下为生产环境中必须关注的核心指标：
3.2.1 区分度指标
- KS（Kolmogorov-Smirnov）值：衡量模型对好坏样本的区分能力，通常要求 > 0.3。
- AUC（Area Under Curve）：ROC曲线下面积，反映模型整体排序能力，通常要求 > 0.85。
- Lift值：在Top N%的评分区间内，捕获坏样本的比例相对于随机抽样的提升倍数。
3.2.2 稳定性指标
- PSI（Population Stability Index）：衡量评分分布在时间维度上的偏移程度，通常要求 < 0.1。
- 特征稳定性：图特征（如度中心性、PageRank值）的分布漂移监控。
3.2.3 图特性指标
- 社区纯度：评分模型识别出的高风险社区中，真实坏样本的占比。
- 传导衰减系数：风险从种子节点向外传播时，每跳的衰减速率，用于评估模型是否过度泛化。
- 图覆盖率：模型能够评分的节点占全图节点的比例，避免因图不完整导致大量节点无法评分。
生产环境红线：图谱评分模型上线前，必须通过回溯测试和压力测试。回溯测试验证模型在历史黑样本上的捕获率；压力测试模拟图结构突变（如节点大规模新增、边密度骤增）时评分的稳定性。
3.3 评分模型架构与数据流
下图展示了一个典型的图谱评分模型在反欺诈场景中的Serving架构，从图构建到评分输出的完整链路：
3.4 评分模型选型对比
在实际工程中，图谱评分模型并非单一算法，而是多种技术的组合。以下为三种主流方案的对比：
| 模型类型 | 核心原理 | 优势 | 劣势 | 适用场景 |
|---|---|---|---|---|
| 图传播模型 (如PageRank变体、LBP) |
基于标签传播或随机游走，将种子节点的风险分数沿边扩散 | 可解释性强、计算速度快、适合大规模图 | 无法利用节点自身特征，对图结构噪声敏感 | 团伙发现、黑产种子扩散 |
| 图神经网络(GNN) (如GCN、GraphSAGE) |
通过消息传递机制聚合邻居信息，学习节点表示 | 能融合节点特征与图结构，精度高 | 训练成本高、推理延迟大、可解释性弱 | 高精度评分、复杂关系建模 |
| 图特征+传统模型 (如XGBoost、LR) |
先提取图特征（度、聚类系数、PageRank等），再训练传统分类器 | 工程成熟、可解释性好、易于部署 | 图特征工程依赖专家经验，无法端到端学习 | 快速上线、资源受限场景 |
选型建议：在Serving阶段，图特征+传统模型方案因其低延迟和高可解释性，是目前工业界最主流的选择。GNN方案更适合离线批量评分或对精度要求极高的场景，但需解决线上推理的延迟问题。
3.5 核心指标监控与阈值设定
模型上线后，需要建立持续监控机制。以下为生产环境中的关键监控项及建议阈值：
- 评分分布漂移：每日监控评分均值、标准差，若PSI > 0.15需触发告警。
- 图结构稳定性：监控图节点数、边数、平均度的日环比变化，异常波动可能意味着图数据源故障。
- 坏样本捕获率：在Top 5%的高分区间内，坏样本占比是否稳定在预期范围内。
- 推理延迟：P99延迟应小于业务容忍阈值（如200ms），若超限需考虑图剪枝或特征缓存。
阈值设定经验：初始阈值可通过KS曲线的拐点确定，即选择使TPR-FPR差值最大的分数点作为高风险阈值。后续根据业务损失和召回率要求进行微调，建议每季度复盘一次。