知识图谱驱动下的金融风控实战

📚 共计 30 章节

课程导论：知识图谱与金融风控的融合

为什么是知识图谱？它能解决传统风控的哪些痛点？课程整体架构与学习路径。

金融风控基础

传统风控模型（评分卡、规则引擎）的局限性。黑产与欺诈团伙的运作模式。

知识图谱基础

什么是知识图谱？三元组（实体、关系、属性）的概念。图数据库（Neo4j）简介。

知识图谱构建流程

数据采集、实体抽取、关系抽取、属性对齐、图存储。一个完整的Pipeline。

实体识别技术

基于规则（正则、词典）的实体抽取。基于深度学习（BiLSTM-CRF）的实体抽取。实战：从交易日志中提取账户、设备、IP。

关系抽取技术

基于模板的关系抽取。基于远程监督的关系抽取。实战：抽取“转账”、“登录”、“同设备”等金融关系。

关系抽取远程监督

属性对齐与实体消歧

解决“同名不同人”和“同人不同名”的问题。基于图结构的实体对齐算法。

图数据库Neo4j实战

Cypher查询语言入门。数据的导入（CSV、JSON）。创建节点与关系。

图数据建模

金融风控场景下的图模型设计。账户、设备、手机号、IP地址的关联建模。

图查询与特征工程

基于Cypher的深度查询（2度、3度关联）。提取图特征（度数、PageRank、社区发现）。

特征工程PageRank

团伙欺诈识别

什么是团伙欺诈？基于社区发现算法（Louvain、标签传播）的团伙挖掘。

知识推理与规则引擎

基于路径的推理（如：A转账给B，B转账给C，则A与C存在风险传导）。将推理结果转化为风控规则。

图神经网络（GNN）入门

为什么传统机器学习无法处理图结构？GCN、GraphSAGE的基本原理。

GNN在反欺诈中的应用

节点分类（判断账户是否欺诈）。链接预测（预测两个实体之间是否存在异常关系）。

反欺诈链接预测

案例实战：信用卡申请反欺诈

利用知识图谱识别“包装团”和“中介代办”。

信用卡包装团

案例实战：交易反欺诈

实时检测“盗刷”和“洗钱”路径。

案例实战：信贷风控

基于关联图谱的“多头借贷”与“共债风险”识别。

信贷多头借贷

知识图谱的存储与计算

大规模图数据的分布式存储（JanusGraph、Nebula Graph）。图计算框架（Spark GraphX）。

分布式GraphX

实时知识图谱

流式数据处理（Kafka + Flink）与动态图谱更新。实时特征计算。

知识图谱的可视化

使用D3.js或Gephi展示风险网络。交互式图谱分析。

模型评估与A/B测试

如何评估知识图谱风控模型的效果？离线指标（Precision、Recall、F1）与在线指标（坏账率、通过率）。

评估A/B测试

知识图谱与隐私计算

联邦学习在跨机构图谱构建中的应用。数据不出库的实体对齐技术。

隐私计算联邦学习

行业前沿：大语言模型（LLM）与知识图谱的结合

用LLM自动抽取实体和关系。

行业前沿：因果推断与知识图谱

从“相关性”到“因果性”的风控决策。

因果推断决策

项目实战：搭建简易金融风控知识图谱系统（上）

需求分析、技术选型、数据准备。

项目实战：搭建简易金融风控知识图谱系统（中）

实体抽取、关系抽取、图数据库入库。

项目实战：搭建简易金融风控知识图谱系统（下）

特征提取、模型训练、规则部署。

项目答辩与复盘

常见踩坑点总结。如何向业务方解释图谱的价值？

职业发展：知识图谱工程师的技能树

金融风控领域的职业路径。

职业技能树

回顾30节核心知识点。未来趋势展望与学习资源推荐。