一、社群发现基础：图论基础概念、社群定义、团伙欺诈场景概述、课程整体框架

1.1 图论基础概念——从一张关系网说起

做反欺诈这些年，我越来越觉得，单看单个用户的行为，就像盲人摸象。你只能摸到一条腿，却看不到整头大象。而图，恰恰是帮我们看清全貌的工具。

图是什么？说白了，就是一堆节点和一堆边的集合。节点可以是一个人、一个设备、一张银行卡。边就是他们之间的关系——转账、同设备登录、共用手机号等等。

我习惯把图分成两种：

• 无向图：边没有方向。比如A和B共用一台设备，这个关系是双向的。
• 有向图：边有方向。比如A给B转账，方向就很明确。

在实际的团伙欺诈场景里，我们更多用的是有向图。为什么？因为资金流向本身就是有方向的，你想想看，骗子把钱从A转到B，再转到C，这个链条一旦断了，你就很难追踪。

我记得刚入行那会儿，遇到一个薅羊毛团伙。单看每个账号，行为都挺正常的——有登录、有浏览、有下单。但一画图就露馅了：200多个账号，全挂在同一台设备上。这就是典型的「高密度子图」，也是我们后面要重点讲的内容。

1.2 社群定义——团伙在图中长什么样

社群，学术上叫community。定义其实挺直观的：内部连接紧密，外部连接稀疏的一组节点。

你想想看，一个正常的社交网络里，你的朋友之间互相认识的概率很高。但一个欺诈团伙呢？他们之间频繁转账、共用设备，内部关系密不透风，对外却几乎不联系。这就是社群。

常见的社群定义方式有三种：

1. 基于模块度：衡量社群划分质量的一个指标。值越大，说明内部越紧密。我个人习惯用模块度来快速验证一个团伙是不是真的「抱团」。
2. 基于连通性：只要节点之间能通过边互相到达，就算一个社群。简单粗暴，但容易把不相关的节点也包进来。
3. 基于密度：设定一个阈值，比如内部边密度大于0.5才算社群。这种方式更精细，适合做精准打击。

1.3 团伙欺诈场景概述——我们到底在打什么

团伙欺诈，说白了就是一群人合起伙来薅平台羊毛、骗补贴、洗钱。跟单人欺诈最大的区别在于：单人欺诈靠规则就能防住，团伙欺诈必须靠图。

我遇到过最常见的几种场景：

• 薅羊毛：注册大量小号，用同一批设备、同一批IP，集中抢优惠券。这种团伙的图结构通常是「星型」——一个设备连几百个账号。
• 刷单炒信：商家和刷手之间互相下单、互相好评。图里会出现大量的「三角结构」——A给B下单，B给C下单，C又给A下单。
• 洗钱：资金从A到B到C再到D，中间可能经过几十层。这种图的特点是「链状」——路径长、节点多、单笔金额小。

1.4 课程整体框架——我们怎么学

这门课，我把它分成四个模块。每个模块解决一个核心问题：

模块	核心问题	你会学到什么
基础篇	图是什么？社群是什么？	图论基础、社群定义、团伙欺诈场景
算法篇	怎么找到社群？	Louvain、Label Propagation、GN算法
实战篇	怎么落地到业务？	特征提取、模型融合、线上部署
进阶篇	怎么应对对抗？	动态图、时序图、对抗样本防御

我个人建议，如果你刚接触图算法，先把基础篇吃透。别急着调包跑模型，先把图建好、把特征想清楚。我见过太多人，Louvain跑得飞起，但连模块度是什么意思都说不清楚。嗯，这样不行。

下面这张图，是我自己整理的课程知识体系。你可以把它当成一张地图，随时回来看看自己走到哪了。

这张图里，每个模块之间是递进关系。基础篇打底，算法篇给工具，实战篇教你怎么用，进阶篇帮你应对对抗。我建议你学完一个模块，就回去看看这张图，确认自己没走偏。