发帖
雷达卡
2020年至今在我们接触的所有的项目中，知识图谱也是让我们团队耗时时间最多的一个项目，一直想要抽空总结下知识图谱的相关内容，特别是在金融领域的应用现状，今天就给大家介绍这个内容！
大家都知道，目前图谱不同的叫法也有不同，是不同机构对这项技术的称呼五花八门——关联网络、关系图谱、复杂网络、知识图谱。严格来讲它们彼此之间紧密相连又有所区别，今天我们不打算去区别以上这些名词不同。这里我们统一用图谱，这个名称来泛指这项技术——节点-关系网络，如边分类而言，相关的数据信息可以分为以下类型：知识图谱在金融领域的应用现状，又可以概括为以下内容：
金融风控技术演进路线是规则-模型-图谱，对应的技术分别是数据分析、机器学习、知识图谱，所需要和处理的数据维度可以抽象成从点到线再到面。
从理论角度而言，图谱识别欺诈团伙优势万千，比如数据间的天然关联、图谱强大的路径分析功能、各式社区发现算法、风险传播算法等等。知识图谱在风控领域的最典型应用场景是利用图谱识别欺诈团伙。本文我们将从一个实操案例开始为大家剖析这个内容。
关系网络—实操案例
我们从历史库的信息中获取到用户进件时候的设备指纹数据，根据数据清洗得到用户的在不同时间区隔中的地理位置信息。以下分不同的步骤来具体展开讲解：
第一步：根据地理位置，确认异常用户：
如上图中，第4、第5列是经纬度信息，第8列是设备指纹ID，第9列是最重要的一列数据，字面解析是：1分钟内100米内的申请用户数量。
如果做过欺诈的同学就非常清楚，我们做这个变量的目的就是想要获取单位网格内，不同用户的申请数，这是判断团伙欺诈的一个重要指标。
第二步：根据设备、applist、短信等内容，确认异常详情：
根据上述的设备指纹gadi，我们进一步获取属于这一设备指纹的用户情况，将所有以上情况的设备数据的用户统一染色，进一步我们又得到以下的数据特征：
第三步：根据设备，定位等信息，确认关联用户，查看逾期，确认规则
根据上一步的获取的目标的设备id，这一步我们做最重要的分析，将数据与逾期指标做分析得到以下的分析情况：
在做数据分析中，我们可以看到，与团伙集中度过多的设备数据中，其相关的逾期的数据(最后一列)，其数值也非常高。证明多用户共用同设备具有较高逾期表现，我们可以大胆对这一风险行为判断定位为高风险。
第四步：关系网络分析，染色——对黑商户持续染色
这一步，也是最重要的步骤，对这一确定为高风险用户持续染色：
关于关系网络染色的过程，我们在这一次的关系网络实操专题课中更会重点介绍。本次专题内容，不仅仅是关系网络理论知识的讲解，我们还将从理论+实操案例的角度，为各位童鞋深度剖析关系网络实操落地。
为此我们用到OrientDB为大家进行实操演示，并且此次通过云端数据库即可实操这一内容，省去了本地安装部署的繁琐步骤：
详细内容敬请关注：
另外：本文所提及的相关数据案例，各位童鞋也可到番茄风控大数据下载相关excel学习跟了解：
~原创文章
...
end
京公网安备 11010802022788号
