一、金融图神经网络导论：课程背景、金融领域图数据特点、GNN在风控/反欺诈中的应用概览、课程大纲与学习路径
1.1 这门课为什么而生？
说实话，我入行金融风控那会儿，大家还在用逻辑回归和XGBoost。特征工程全靠手工挖，一个「团伙欺诈」的识别，得写好几十条规则去拼凑。后来我转到图神经网络方向，才真正体会到什么叫「降维打击」。
金融数据天生就是图结构。你想想看：用户转账、设备登录、商户交易、社交关系……这些实体之间密密麻麻的关联，不就是一张巨大的异构图吗？传统模型把每个样本当独立个体，等于把这张网撕碎了看，能不丢信息吗？
我个人习惯把金融图神经网络的价值总结成一句话：「从看单个样本，到看整个网络」。这门课就是带你把这个转变落地。
核心认知：金融风控正在从「特征工程驱动」转向「关系推理驱动」。GNN不是锦上添花，而是解决团伙欺诈、洗钱、多头借贷等难题的必选项。
1.2 金融领域的图数据长什么样？
金融图数据有几个特点，我踩过的坑不少，先给你提个醒。
1.2.1 异质性
节点类型五花八门：用户、手机号、设备、银行卡、商户、IP地址……边类型也复杂：转账、登录、绑定、交易、社交。这不是简单的同构图，得用异构图神经网络来处理。
1.2.2 动态性
金融关系随时间剧烈变化。今天A给B转账，明天B就注销账户了。静态图快照根本抓不住这种时序模式。我在做反欺诈项目时，发现很多团伙就是利用时间差来规避检测的。
1.2.3 稀疏性与不平衡
正常用户之间关联稀疏，但欺诈团伙内部连接紧密。正负样本比例可能1:1000甚至更低。GNN的邻居采样策略在这里特别容易翻车——我曾经因为采样参数没调好，模型直接学成了「全判正常」。
1.2.4 大规模
头部金融机构的图数据动辄上亿节点、数十亿边。全图训练？不现实。你得学会mini-batch训练、邻居采样、分布式存储这些工程技巧。
| 特性 | 描述 | 对GNN的影响 |
|---|---|---|
| 异质性 | 多类型节点和边 | 需使用异构图模型（如HAN、HGT） |
| 动态性 | 关系随时间演化 | 需引入时序建模（如TGAT、TGN） |
| 稀疏性 | 正常节点关联少 | 邻居采样策略要谨慎 |
| 大规模 | 节点/边数量巨大 | 必须用分布式或采样训练 |
1.3 GNN在风控和反欺诈里到底怎么用？
我直接给你说几个真实场景，你就明白了。
1.3.1 团伙欺诈识别
这是GNN最擅长的领域。传统规则只能抓「单个异常」，但团伙欺诈往往每个成员看起来都正常。GNN通过消息传递，能发现「这个节点周围全是高风险节点」的隐藏模式。我在某支付公司做过一个项目，用GNN把团伙欺诈的召回率从35%提到了78%。
1.3.2 异常交易检测
洗钱、套现这些行为，本质上是在图结构上留下特殊轨迹。比如「资金从多个账户汇入一个账户，再分散转出」——这种「漏斗型」子图结构，GNN一学就会。
1.3.3 设备指纹关联
用户换设备登录、设备换SIM卡……这些行为在设备-用户二部图里一目了然。GNN能自动学习设备之间的「共现关系」，比手工做设备指纹聚类准得多。
避坑指南：我曾经在反欺诈项目里直接拿原始图数据喂GNN，结果模型学了一堆「噪声关联」。后来我养成了一个习惯：先做图统计（度分布、连通分量、三角计数），再决定哪些边该保留、哪些该剪掉。这一步能省你后面80%的调参时间。
1.4 课程知识体系总览
下面这张图是我亲手画的，把整个课程的知识脉络串起来了。你跟着这个路径走，不会迷路。
1.5 学习路径建议
这门课一共30章，我建议你按这个节奏来：
- 基础篇（第1-8章）：别跳。图论基础不牢，后面GNN原理你肯定晕。我见过太多人直接上手GNN代码，结果连「消息传递」的维度变化都搞不清。
- 进阶篇（第9-18章）：重点攻克异构图和时序图。金融场景90%的问题都落在这两个点上。
- 实战篇（第19-26章）：跟着代码走一遍。每个项目我都提供了可复现的数据集和基线模型。你跑通了，才算真正入门。
- 前沿篇（第27-30章）：选读。如果你在工业界做落地，第27章图大模型值得细看；如果你做研究，第30章的论文精读是宝藏。
重要提醒：金融图数据涉及大量用户隐私。课程中所有案例均使用脱敏后的公开数据集或合成数据。你在实际项目中，务必做好数据脱敏和合规审查。我曾经因为疏忽，差点把内部图数据结构暴露在日志里——那之后我养成了「数据出镜必脱敏」的习惯。
1.6 你需要准备什么？
技术栈方面，我默认你：
- 熟悉Python（numpy、pandas、sklearn）
- 了解深度学习基础（CNN、RNN、Embedding）
- 有基本的金融风控概念（评分卡、规则引擎、反欺诈策略）
如果你还不会PyTorch，也没关系。第3章我会带你快速上手。说白了，GNN的编程门槛并不高，真正难的是「怎么把业务问题建模成图问题」——而这正是这门课要教你的核心能力。
好了，第一章就到这里。记住一句话：图神经网络不是魔法，它只是让模型「看见」了原本就存在的关联。接下来的29章，我会手把手带你把这个「看见」的过程，变成可落地的代码和系统。
公众号:蓝海资料掘金营，微信deep3321