金融机构每年都会因欺诈活动遭受大量的资金损失，传统的方式包括伪造身份骗贷、车险骗保等。随着互联网金融的发展，层出不穷的营销活动和品类繁多的网贷产品让欺诈分子有了更多可乘之机，他们的欺诈成本随之也更低了。为了限制欺诈活动，金融机构和互联网公司都会构建自己的反欺诈团队和防范系统，通过种种规则和预测模型将欺诈分子拒之门外。
然而，再严密的规则也难免会有漏洞，加之欺诈手段日新月异和团体欺诈盛行，采用传统的反欺诈工具总是略显被动。因此，关系图谱就有了用武之地。
关系图谱是什么？
关系图谱是描述个体及个体之间关系的图，图中给出了一个移动支付场景的关系图谱示例，个体类型可以包括IP地址、设备、支付账户、账户联系人等，个体之间也可以存在不同的关系，比如：IP登录行为、设备登录行为、联系人登记行为等。
如何实现“升维打击”?
主要有4种手段：
1、全维度的事中侦测
在欺诈检测系统中，诸如登录时间和位置，如IP地址之类的行为线索很容易被欺诈分子改变或伪造，但是欺诈分子很难全面地了解他们所在的整个关系网络(例如转账、购物、登录、浏览、还款)。因此，即便欺诈分子尽可能地掩盖了痕迹，也难免会在关系网络上露出马脚。比如上图中的共用设备、共用联系人信息、共用IP等就可以作为可疑特征用于识别欺诈事件。
2、全局的可视化事后分析
一方面，反欺诈部门分析人员可以根据已定性案件在关系图谱上呈现出来的全局特征，优化风控规则和模型。另一方面，也可以挖掘看似独立却存在间接联系的案件之间的关系，识别核心作案人员和其他疑似欺诈分子。
3、全渠道的标签传播
关系图谱也可以基于现有黑名单，为可疑个体打上相应标签，用于反欺诈规则和风险提示。假设已确认一个黄牛常用手机号，可在关系图谱中把这个手机号直接和间接关联的账户、手机号、地址、银行卡等个体打上“疑似黄牛”的标签。下图这种路线便是标签传播。
4、高效的信息检索
传统的数据存储通常基于关系型数据库，比如转账、登录等各种关系分别存储在不同的表中，想要抽取多级关系信息则需要连接多个表才能实现。而关系图谱一般存储于图数据库中，常用的图数据库如neo4j、orientDB等。当关系深度较小时，比如深度为2(类似查询朋友的朋友这种关系)，关系型数据库和图数据库的性能相当;当关系深度超过2时，关系型数据库所需的查询时间达到图数据库所需时间的上百倍甚至上千倍，这时图数据库的性能优势就非常明显了。返回搜狐，查看更多
责任编辑：