4. 金融图谱推理场景分析

金融图谱的 Model Serving 并非通用推理引擎的简单移植，而是需要深度适配金融业务特有的关系推理与时序传导逻辑。本章聚焦四大核心场景：反欺诈链路推理、供应链风险传导、关联交易挖掘与实时推荐，分析其推理模式、延迟要求与架构差异。

4.1 场景总览与推理特征对比

不同场景对推理的实时性、图遍历深度、动态更新频率有截然不同的要求。下表从关键维度进行横向对比：

4.2 反欺诈链路推理

反欺诈是金融图谱最典型的实时推理场景。核心逻辑是在交易发生的瞬间，以当前交易节点为起点，在资金流转图中进行多跳链路展开，识别异常模式。

• 推理模式：广度优先搜索（BFS）+ 规则引擎。从交易账户出发，沿资金流向展开 2~4 跳，匹配已知欺诈子图模板（如“资金归集→分散转出→提现”）。
• 关键挑战：图结构动态变化（新交易不断加入），需要支持增量图更新与实时子图匹配。
• Model Serving 策略：使用图数据库（如 Neo4j/TigerGraph）的在线查询接口，配合本地缓存热点子图，将 P99 延迟控制在 100ms 以内。

4.3 供应链风险传导

供应链风险传导关注的是风险在股权链或贸易链中的扩散效应。例如，一家核心企业出现债务违约，其影响会沿供应链向上游供应商和下游经销商传导。

• 推理模式：图传播算法（PageRank 变体、Personalized PageRank）+ 影响力衰减模型。从风险源节点出发，沿有向边传播风险权重，边权重由持股比例或交易依赖度决定。
• 关键挑战：图规模大（百万级节点），传导路径长（5~10 跳），需要支持增量传播与快照对比。
• Model Serving 策略：采用分布式图计算框架（如 Spark GraphX 或 Plato）进行离线/近线批量推理，结果写入 KV 存储供在线查询。

4.4 关联交易挖掘

关联交易挖掘旨在发现企业或个人之间隐蔽的利益输送关系，常用于反洗钱（AML）与内幕交易稽查。核心是环路检测与社区发现。

• 推理模式：先通过社区发现算法将全图划分为若干交易群体，再在每个群体内进行环路检测，最后用图嵌入模型识别异常交易对。
• 关键挑战：环路检测在稠密子图中计算复杂度高，需要剪枝策略；图嵌入模型需要定期重训以捕捉新的交易模式。
• Model Serving 策略：采用“离线训练 + 在线查询”混合架构。离线阶段使用 Spark 进行社区发现与图嵌入训练；在线阶段使用向量数据库（如 Milvus）进行相似度检索。

4.5 实时推荐场景

金融图谱的实时推荐场景，典型应用包括理财产品推荐、信贷产品匹配、客户流失挽留。推理核心是利用图结构中的“邻居相似性”与“路径语义”。

• 推理模式：基于图嵌入（GraphSAGE、GCN）生成用户与产品的向量表示，在向量空间中计算用户向量与候选产品向量的余弦相似度，返回 Top-K 推荐结果。
• 关键挑战：用户行为图实时更新，需要支持增量推理（新用户或新行为无需全图重算）。
• Model Serving 策略：使用图神经网络推理引擎（如 DGL + Triton Inference Server），将图结构分片加载到 GPU 显存，实现毫秒级推理。

4.6 场景驱动的架构选择矩阵

综合以上四个场景，Model Serving 架构的选择需要根据推理模式与延迟要求进行匹配。下表给出推荐架构组合：