第1章反欺诈图算法概述

一、反欺诈图算法概述：图论基础、反欺诈场景介绍、图算法在风控中的价值

先问大家一个问题：你手机通讯录里的联系人，彼此之间有没有联系？

这个问题看似简单，但背后藏着一个重要的思维转变——从「个体」到「关系」。传统风控模型看的是单个用户的行为特征，比如消费金额、登录频次。但欺诈团伙从来不是单打独斗，他们是一张网。

图论，说白了就是研究「节点」和「边」的学问。节点就是人、设备、手机号；边就是他们之间的关系——转账、同设备登录、共用IP。我刚开始接触图算法时，觉得这玩意儿不就是画个圈圈连根线吗？直到我在一个团伙欺诈项目中，用图算法挖出了300多个关联账户，才真正服气。

  核心概念速览：
  节点（Vertex）：用户、设备、IP、银行卡、手机号
边（Edge）：交易、登录、注册、绑定、通话
属性（Property）：节点或边的特征，如交易金额、时间戳
子图（Subgraph）：从大图中切出的一小块，往往就是团伙

举个例子：用户A和用户B共用过同一台设备，这就是一条边。如果A和B又同时给C转过钱，那这三个人就形成了一个三角形。三角形在反欺诈里是个危险信号——你想想看，正常用户之间哪来这么多巧合？

我做了这么多年反欺诈，发现一个规律：欺诈行为从来不是孤立的。不管是薅羊毛、刷单、洗钱还是盗号，背后都有一张关系网。

常见的反欺诈场景有哪些？我列几个典型的：

嗯，这里要注意：不是所有关系都是欺诈。比如一家人共用WiFi，这很正常。但如果是100个用户共用同一台设备，那就值得怀疑了。我习惯用「度」的概念来判断——一个节点的连接数如果远超正常范围，大概率有问题。

避坑指南：我曾经在一个项目中，把所有共用IP的用户都标记为风险。结果发现公司内部员工都在同一个IP下办公，误杀率极高。后来我加了一个条件：只有「共用IP + 不同地址」才触发告警。记住，图算法要结合业务规则，不能只看结构。

传统风控模型，比如逻辑回归、XGBoost，看的是「这个人像不像坏人」。图算法看的是「这个人周围有没有坏人」。这是两种完全不同的视角。

我举个例子你就明白了：

假设用户A的信用分是700，行为正常。但A的好友B、C、D都是黑名单用户。传统模型会认为A没问题，但图算法会告诉你——A处于一个高风险社区中，他可能正在被团伙拉拢，或者已经被盗号了。

图算法在风控中的价值，我总结为三点：

发现隐藏关联：团伙成员之间可能没有直接交易，但通过两跳、三跳关系就能串起来。图算法可以做到「隔山打牛」。
提升识别精度：结合图特征（如PageRank、Betweenness Centrality），模型AUC能提升5-10个百分点。我在一个信贷项目中，加入图特征后，坏账率下降了18%。
实时性更强：图计算可以增量更新，新用户注册时，几毫秒内就能判断他是否与已知黑产有关联。

注意：图算法不是万能的。数据质量差、关系稀疏的场景下，图算法效果会大打折扣。我建议先做数据探查，如果平均每个节点只有不到2条边，那图算法可能帮不上什么忙。

下面这张图，是我个人习惯用来梳理反欺诈图算法知识体系的框架。你可以把它当作一张「地图」，后续章节都会围绕它展开：

从这张图你可以看到，反欺诈图算法不是孤立的技术，而是一套从数据到应用的完整链路。我个人习惯把「图构建」这一步看得特别重——数据没处理好，后面算法再牛也白搭。

最后说一句：图算法在风控中的价值，不是替代传统模型，而是补齐传统模型看不到的「关系维度」。你想想看，一个用户的行为数据再完美，如果他的朋友圈全是黑产，你敢信他吗？

  一句话总结：图算法让风控从「看人」升级到「看关系网」，这是对抗团伙欺诈的终极武器。