近日，邦盛科技知识图谱业务专家孔庆鑫在线分析了知识图谱在金融反欺诈领域的应用，并结合案例对反欺诈防控策略进行了分享。
业务背景：传统反欺诈的难点
图谱赋能：智能反欺诈的实现路径
但专家经验很难覆盖所有风险，所以通常会做一个机器学习建模去防控整体风险，然后再用专家规则去补充，即专家规则加上机器学习模型搭配互补。但就目前的经验来看，由专家过渡到机器学习模型，建模这一步会面临很多的问题，第一是样本量不足；第二是样本空间增长有限，因为贷款或信用卡申请大概都会有那么 6~7 种方式，落到最后都是需要人工检验的，所以说增长空间很有限。
因此，需要运用关联图谱去破解信息不对称的问题。因为无论是团伙还是中介欺诈，都会有一个批量进件的行为，图的可视化手段可以去抓取团伙样本，而且很可能一抓就是几十个到上百个进件——这样其实对于样本补充是个非常有效的手段。
另外，图谱还可以进行一致性的检验，比如说多方面的信息来源可以打破信息的不对称性，图做出来后还会从关系图的维度去展示，等于做二次校验。举个实际的例子，比如说多个申请共用相同的信息、相同的手机、相同的 IP，这就属于团伙的情况。
为了解决这种情况，我们引入图谱，并从中抽象出一些关系维度的图规则，对于原有的专家规则体系做补充。另一方面我们也抽取图特征，对既定的机器学习模型做一个补充，提升机器学习模型识别团伙欺诈的能力，同时进一步去丰富黑样本的标签。
所以说专家规则、机器学习模型、图谱这三者具备之后，就能够构造一个有效的生态闭环，可以实现反欺诈效能上的互补。
反欺诈领域应用
申请图谱：比如如何在信贷、信用卡申请中去识别团伙欺诈性进件。组团有一个特点就是信息会被团队成员共享，那在图谱的可视化查询上，就会发现出很多关联关系。较常见的可能就是从身份证、手机号，设备指纹、邮箱地址等这些维度去做一个关联，先去看这些数据有多少个共性，再就是结合一些可视化手段去分析具体的欺诈手法。 交易图谱：涉及到多层次的转账关系，主要是看资金最后的流向、受益人是谁。现在监管比较关注的是涉赌涉诈的问题，也是我们主抓的一个方向。我们在这方面有很多客户案例，通过监管下发的名单或内部的规则模型识别出可疑交易，这个过程中可能还会结合历史流水，把一些归集的账户扩散到 n 层，过程中可能会使用一些图探索手段，也会基于图谱平台，去做一些存量排查，比如说增量防控。 企业图谱/内控图谱：现在企业业务会存在一些交叉，外部风险对企业的影响也越来越大，用图谱可以勾勒出一个企业风险的全貌，结合外部风险点的引入，就能尽早预判外部风险对企业的影响。内控图谱更多是涉及员工的道德或操作风险，比如误操作或没有按照规章制度做某些业务。道德风险更多发生在员工和企业的异常资金往来，比如非法集资或资金挪用。 防控核心是用图谱去查看员工的实际控制账户，因为就像银行员工都很熟知银行的业务，很少有员工拿自己的户头进行一些犯罪。对这些控制账户的识别可以通过图谱的一些探索手段，比如说亲属的账户。我们有个股份制银行的案例，这个案例最后定位到了员工女朋友的账户，因为我们在图探索中发现，很多资金实际都流向了女朋友的账户。如果用传统手段来看的话，是很难去发现的。 洗钱图谱：不同时期会衍生很多手段，现在比较流行的地下钱庄还有跑单平台，它会把用户拉进来，把涉案资金隐藏在跑单用户每天正常的消费交易流水上，但这其实是有一个固定模式的。怎么在图谱上刻画和获取业务经验、制定图规则来进行实时的监控和筛查，也是邦盛作为图技术平台对业务的关键赋能方向。 车险/运维图谱：一般我们分析这些领域时会结合初始化网络，进行点边结构的设计，之后找到一个数量相对合适、联系比较紧密的子图，再结合业务专家经验，进行一些探索性分析性的工作。
典型应用场景
贷后资金流向
第二个大家比较关心的就是涉赌涉诈场景。这个场景下，我们用图谱做了很多资金量的分析，还有甄别资金转移过程中的手法。当然，我们还会结合账户自身的特征，在图谱上观察有没有分散的转出和转入，或者交易对手成批地更换。结合这些特征，就可以分析账户在整张交易网络中的作用。
以上涉赌涉诈和贷后资金流向这两个案例，都存在一种大量的转账关系图谱。其实，图谱可视化最大的价值就在于还原真实的交易场景，这些是以往在核查单观察，或者在系统上一步一步点击流水不容易观察到的。
左边那幅图其实就是涉赌涉诈资金的转移过程，最左边是赌徒的充值，上游这几步可能会重复多个层级，到了中游，各种空壳企业会进行各种各样的资金搬运，夹杂着一些空壳企业的分批启用，或者跨行转账行为，造成资金链路的进一步模糊；之后就是资金洗牌的最后一步，钱会转移到一些个人账户进行分散提现，或者直接就在游戏/直播平台进行一些打赏。总之，下游洗白的方式是多种多样的，但通过图谱再结合一些特征，还是能够进行监控的。
总结：用图谱反欺诈的优势
