📚 课程目录第1章课程导论

1. 课程导论：知识图谱回放对比的定义、在风控中的核心价值、课程整体框架与学习目标

1.1 什么是知识图谱回放对比？

知识图谱回放对比（Knowledge Graph Replay & Comparison, KGRC）是一种结合时序状态快照与图结构差异分析的风险识别技术。其核心思想是：将业务实体（用户、设备、账户、交易）及其关联关系按时间轴切分为多个“快照”，通过对比不同时间点知识图谱的结构变化，自动发现异常演化模式。

  定义公式：

  KGRC = 知识图谱（实体 + 关系 + 属性） × 时间维度（快照序列） × 差异度量（结构/属性变化）

与传统静态图谱不同，回放对比关注的是“图如何变化”，而非“图是什么”。它能够捕捉到团伙关系重构、资金链路突变、设备指纹漂移等动态风险信号。

1.2 在风控中的核心价值

知识图谱回放对比在风控领域具有不可替代的四大核心价值：

价值维度	传统风控痛点	KGRC 解决方案	典型场景
时序穿透	仅看单点快照，无法识别关系演变	多时间点图结构对比，发现关系突变	团伙成员更替、担保链重构
隐蔽关联	直接关联稀疏，难以发现间接团伙	通过图回放发现“断连-重连”模式	洗钱资金归集、多头借贷
对抗鲁棒	黑产可轻易绕过静态规则	动态图模式难以伪造和规避	设备农场识别、虚假交易
可解释性	深度学习模型黑盒，难以审计	图结构差异可视化，风险路径可追溯	监管报送、反欺诈调查

关键洞察： 在金融风控中，90%以上的欺诈行为会留下“图结构痕迹”。KGRC 通过对比时间窗口内的图变化，将静态风险识别升级为动态行为分析，显著提升对复杂团伙欺诈的检出率。

1.3 课程整体框架

本课程共分为 6 大模块，30 个章节，从基础理论到工业落地，层层递进：

基础篇（第 1-5 章）： 知识图谱基础、图数据库选型、时序图建模、快照生成策略、差异度量指标。
核心算法篇（第 6-12 章）： 图回放引擎设计、图对比算法（GED、WL Subtree Kernel、GraphSAGE 变体）、大规模图差分计算。
风控场景篇（第 13-20 章）： 团伙欺诈检测、洗钱链路追踪、设备指纹漂移、信贷申请反欺诈、交易异常检测、黑产图谱演化分析。
工程实践篇（第 21-25 章）： 实时回放架构（Flink + Neo4j）、离线批处理（Spark GraphX）、存储优化、性能调优、监控告警。
案例实战篇（第 26-28 章）： 某头部消金公司团伙欺诈识别、某支付平台洗钱链路挖掘、某银行信贷申请反欺诈。
前沿与展望（第 29-30 章）： 图神经网络 + 时序对比、联邦图回放、行业趋势。

1.4 学习目标

完成本课程后，学员应具备以下能力：

理解层： 掌握知识图谱回放对比的核心概念、技术原理与适用边界。
应用层： 能够针对 5 种以上典型风控场景（团伙欺诈、洗钱、设备漂移、多头借贷、交易异常）设计回放对比方案。
工程层： 具备使用 Neo4j、Flink、Spark GraphX 等工具搭建实时/离线回放对比系统的能力。
创新层： 能够结合图神经网络（GNN）与时序对比技术，探索下一代动态风控模型。

前置要求： 建议学员具备基础的图论知识（节点、边、路径）、Python 编程能力，以及至少一种图数据库（Neo4j 或 JanusGraph）的使用经验。如不具备，建议先学习本课程配套的《知识图谱基础》速成章节。

1.5 课程特色与教学方式

特色	说明
理论 + 代码	每章均提供可运行的 Python/Java 代码示例，覆盖图构建、回放、对比全流程
真实案例复盘	基于某头部消金、支付平台、银行的脱敏数据，还原完整风控链路
工业级架构	涵盖实时流处理（Flink）与离线批处理（Spark）两种生产级方案
可解释性优先	所有模型输出均附带图结构可视化与风险路径溯源，满足监管审计要求