关系图谱概要

随着近几年互联网金融的发展，玲琅满目的信贷产品早已被羊毛党盯上，层出不穷的营销活动更是让欺诈分子有了可乘之机，伪造资料、恶意注册大量虚假账号、团伙包装、刷单、抢红包、套返利等等，他们的欺诈技术手段也越来越高明（群控、云控），成本也越来越低。为了限制这些欺诈用户，信贷机构通过建立反欺诈团队和风控防范体系，使用专家规则和预测模型来拦截欺诈份子。但是道高一尺魔高一丈，再严密的规则也难免有漏洞，被钻空子，传统的反欺诈工具就显得势单力薄。因此关系图谱就有了用武之地。

关系图谱本质就是语义网络，是一种基于图的数据结构，由节点(Point)（“实体”）和边(Edge)（“关系”）组成。把所有不同种类的信息连接在一起而得到的一个关系网络，从“关系”的角度去分析问题，解决问题。目前已被广泛应用于智能搜索、智能问答、个性化推荐、精准营销、风控反欺诈、金融风险预测等领域。具体的关系图谱基础概念本文不再详述，本文重点介绍关系图谱在鲲鱼反欺诈场景中的应用及实践。

02

反欺诈场景中的应用

 构建关系图谱的前提就是要把需要的数据从不同的数据源抽取出来存入到图数据库里，所以信息抽取是构建关系图谱的基础。一种是以关系型数据库存储的结构化数据，例如：IP地址、经纬度、设备指纹等，另一种是爬虫采集的非机构化数据，例如行为记录、网上的浏览记录，鲲鱼关系图谱利用机器学习、自然语言处理技术把这些数据变成结构化数据也存入到图谱里。

 实体主要包括：IP地址、经纬度、设备指纹、账户、联系人、逾期黑名单等相关信息，关系包括： 从属关系、紧急联系人、互通电话、同一网络等等；整个实体和关系构建了鲲鱼反欺诈的图谱体系。

用户信息交叉校验

 校验用户信息可以用来判断借款人是否疑似存在欺诈风险，使用关系图谱做交叉校验，虽然不能保证百分之百的准确，但是它在人工审核时是一个有力的参考依据。例如：比如借款人张三和借款人李四填写的是同一个公司电话，但张三填写的公司名和李四填写的公司名完全不一样，这就是一个可疑点，需要审核人员格外的注意。我们将关系图谱数据可视化，可以很直观的发现两者的矛盾，可以判断他们二人至少有一人存在欺诈行为。再结合用户其他行为数据，如果张三的行为是一个正常用户，那么可以判定李四存在欺诈风险。

图1  用户信息交叉检验图