一、信貸圖風(fēng)控業(yè)務(wù)背景及案例

首先簡單介紹我們的業(yè)務(wù)場景。

1、業(yè)務(wù)背景

我們做的信貸圖風(fēng)控主要用于反騙貸和反套現(xiàn)的防控：

• 騙貸是指黑產(chǎn)惡意騙取貸款，無還款意愿。這種情況導(dǎo)致了較高的資金風(fēng)險，業(yè)界來看占整體逾期貸款的30%-40%左右。
• 套現(xiàn)是指用戶通過虛假的交易場景，將信貸額度套取成現(xiàn)金。這種行為違反了信用卡、花唄等消費貸的使用規(guī)范，無法管控資金使用范圍，另外也容易造成多頭借貸，引起金融風(fēng)險。

常見的套現(xiàn)騙貸手法包括：

• 掃碼模式：線下店鋪開通收款碼，保存本地或到店進行掃碼的方式，讓套現(xiàn)人使用花唄支付，進行套現(xiàn)。
• 淘寶模式：中介在網(wǎng)上開店，上架商品，套現(xiàn)人使用花唄支付完成虛擬網(wǎng)購，從而信用額度。
• 預(yù)下單模式：使用三方APP，下單后不支付，然后告訴套現(xiàn)人三方賬號密碼，由套現(xiàn)人登錄后使用花唄支付，完成套現(xiàn)。

基于信貸的業(yè)務(wù)特色，我們設(shè)計了事前、事中到事后的全面防控，各環(huán)節(jié)的主要內(nèi)容為：

• 事前：提前感知、認知風(fēng)險。包括對商戶進行風(fēng)險分析、對用戶進行風(fēng)險等級評級，這部分工作會用到近線的圖分析功能。
• 事中：當(dāng)用戶申請貸款、或要用貸款去付錢時，基于交易請求實時分析和計算，進行風(fēng)險策略和模型應(yīng)用及圖譜的交叉驗證。
• 事后：對信貸業(yè)務(wù)進行全面的風(fēng)險分析，如分析資金使用、套現(xiàn)可能性、挖掘團伙。

2、業(yè)務(wù)應(yīng)用全局視角

我們基于事前、事中、事后的業(yè)務(wù)體系，設(shè)計了對應(yīng)的技術(shù)框架。

• 事前：T+1調(diào)度進行圖跑批計算、由事件驅(qū)動的近線計算。
• 事中：基于請求在線實時計算，使用了圖數(shù)據(jù)庫的能力，保證查詢性能。
• 事后：近線的消息監(jiān)控、T+1的全量分析，以及交互式圖分析。

上述模塊會用到的圖技術(shù)包括：圖的多度關(guān)系聚合特征（Traversal&Aggregate）、模式匹配（Pattern Matching）、圖社區(qū)檢測算法（Community Detection）、圖學(xué)習(xí)、圖推理等。

3、花唄反套現(xiàn)案例

下面我們通過花唄反套現(xiàn)的案例來說明事后和事中的防控。

事后

由于風(fēng)控場景的Y標(biāo)稀缺，如果依賴人工專家打標(biāo)，對于專家未識別到的套現(xiàn)模式會出現(xiàn)無法覆蓋的情況。所以我們通過T+1的離線數(shù)據(jù)和實時數(shù)據(jù)開發(fā)了風(fēng)險大圖，基于“近朱者赤近墨者黑”的思想，將Pattern Matching中識別到的黑、灰種子，進一步在圖上擴散傳播，從識別更多風(fēng)險用戶，并將風(fēng)險由單點轉(zhuǎn)換為社團。

事中

傳統(tǒng)事中實時風(fēng)控計算，多使用Flink產(chǎn)出統(tǒng)計型特征，它無法刻畫多度關(guān)系。另外，如果圖Pattern全部依賴專家定義存在效率和覆蓋度的問題。所以我們使用了在線子圖，包括買家子圖、賣家子圖、買賣家連通子圖，作為神經(jīng)網(wǎng)絡(luò)的輸入并在線打分，從而進行實時的防控。

二、圖風(fēng)控規(guī)模化落地

1、微貸圖平臺

圖風(fēng)控技術(shù)規(guī)?；臉I(yè)務(wù)落地，一開始我們只是簡單的嘗試，效率比較低，因為信貸場景較為嚴謹，上線需要進行離線測算、旁路驗證。這就需要保證離線在線的數(shù)據(jù)源頭一致、計算語義一致，實現(xiàn)圖仿真功能。否則只能通過離線表JOIN的方式進行構(gòu)圖，很難支持3-6個月的圖回測。

我們通過技術(shù)驗證后，沉淀了一套能力，包括：

• 圖建模：離線、近線、在線的圖資產(chǎn)統(tǒng)一。
• 圖交互式分析：專家使用圖交互式分析進行研判。
• 圖仿真回測：基于分析的case進行3-6個月的圖仿真回測。
• 圖計算服務(wù)上線：圖特征和圖算子的一鍵發(fā)布上線。

統(tǒng)一圖資產(chǎn)在分析，仿真和上線的語義一致、三線一體，保證了圖風(fēng)控規(guī)?；男省?/span>

2、規(guī)模化效率瓶頸

做完規(guī)?；螅覀儼l(fā)現(xiàn)業(yè)務(wù)流程前面的模塊都是離線T+1跑批、或基于事件觸發(fā)，都是自動的。只有最后這一步需要人的分析，這個環(huán)節(jié)對人工的依賴，阻礙的圖的大規(guī)模應(yīng)用，所以我們下一步的工作是自動挖掘風(fēng)險。

三、子圖挖掘

我們之前的業(yè)務(wù)分析測算，都基于專家給出了明確的風(fēng)險模式后進行處置，但其實這樣的流程周期很長，效率較低。所以我們目前正在自動挖掘風(fēng)險模式，然后推薦給專家分析。

1、總體技術(shù)方案

整體技術(shù)方案分為以下幾步：

• 基于離線T+1及實時數(shù)據(jù)構(gòu)建底圖。
• 計算圖中每個節(jié)點的表征向量，然后計算p-value值及各種業(yè)務(wù)指標(biāo)
• 篩選節(jié)點，并基于種子節(jié)點進行擴散，獲得重要風(fēng)險子圖
• 在子圖中進行風(fēng)險模式的挖掘，獲得風(fēng)險模式（Pattern）的候選集，并進行回測
• 回測結(jié)果符合預(yù)期指標(biāo)的風(fēng)險模式，交由業(yè)務(wù)方進行交互分析，并決定是否采用上線
• 通過這一套流程，我們把挖掘風(fēng)險模式，結(jié)合算法和算力做到了自動化。

在這套流程中，有兩個比較大的挑戰(zhàn)：

• 信息混雜問題：底圖數(shù)據(jù)龐大，噪聲較多。
• 算力復(fù)雜問題：子圖同構(gòu)算法復(fù)雜度為指數(shù)級。

2、信息混雜問題

對于信息混雜問題，當(dāng)我們基于原始大圖進行挖掘時，首先圖的規(guī)模比較大，難以進行挖掘。另外，圖中有許多噪音，比如我們每天購買咖啡、早餐，當(dāng)我們基于頻繁度進行挖掘時，這種模式很容易被挖掘出來，但沒有提供風(fēng)險信息，應(yīng)該被剔除。

我們的做法是基于完整的底圖，計算節(jié)點表征向量。然后根據(jù)節(jié)點p-value和業(yè)務(wù)指標(biāo)，計算節(jié)點的重要度，最后裁剪低于一點重要度的節(jié)點，我們目前通常挖掘的圖在10億規(guī)模左右。這樣做可以剔除噪聲，并且提升挖掘的效率。

3、算力復(fù)雜問題

算力復(fù)雜度主要來源于組合爆炸，比如某種邊的類型只有10萬條，但它對應(yīng)的pattern可能有11 億個，而我們的挖掘，每增加一度都需要反復(fù)驗證對應(yīng)的業(yè)務(wù)指標(biāo)，所以計算量非常大。

對于這個問題，我們有兩個解決辦法。第一是基于業(yè)務(wù)語義，對不合理的pattern進行剪枝。這種從業(yè)務(wù)應(yīng)用的角度對圖進行剪枝，得到了比較好的效果。第二，從技術(shù)的角度，引入圖的外部存儲，緩解了大規(guī)模圖挖掘的內(nèi)存壓力。

4、子圖自同構(gòu)問題

子圖自同構(gòu)，原本需要遍歷所有子圖進行對比，是一個np問題，比較難找到最優(yōu)解。我們與高校合作，使用了數(shù)學(xué)的思路，將子圖映射成一個數(shù)學(xué)函數(shù)，然后通過數(shù)學(xué)函數(shù)可以比較快速的對比。這個方法不能解決所有問題，但是能解決大部分問題。我們基于這個思路進行了分布式的實現(xiàn)，從而更好地做圖挖掘，以及圖模式的匹配。

四、回顧總結(jié)

我們的信貸圖風(fēng)控建設(shè)從2018年開始，基于專家總結(jié)的風(fēng)險模式，轉(zhuǎn)換成圖模式匹配進行風(fēng)險挖掘，它的特點是準(zhǔn)確率高，但風(fēng)險覆蓋度比較低。所以在2019年我們做了團伙算法，用于解決聚集性風(fēng)險。2020年，我們從圖的靜態(tài)切面，分析圖的當(dāng)前信息，推進到分析圖的時序演進狀態(tài)，進一步捕捉團伙的發(fā)展以及變化的信息。21年，我們做了圖平臺規(guī)模化的落地，實現(xiàn)三線一體。22、23年，我們的主要工作是做圖的自動挖掘和分析。

五、問答環(huán)節(jié)

Q1. 剛剛提到事中階段會在線進行攔截，時延是120毫秒，線上用了什么樣算法，還是用專家系統(tǒng)進行模式匹配？怎么做到120毫秒？

A：模式匹配和團伙發(fā)現(xiàn)是事后做的，社團的計算需要幾十秒。事中主要是在圖數(shù)據(jù)庫中查了買家子圖、賣家子圖、買家賣家連通子圖，主要做Traversal&Aggregate，進行表征向量抽取，然后進行深度學(xué)習(xí)模型的打分，這個過程大概消耗20毫秒左右。當(dāng)然我們也在風(fēng)控鏈路上做了許多優(yōu)化，整套流程大概在70-80毫秒。

Q2. 20毫秒的查詢會涉及到幾度鄰居查詢？

A：買家和賣家子圖往外擴兩度，買家賣家連通子圖則是各擴兩度，并且各擴充兩度后可以連通。

Q3. 事中查詢時，圖的切片如何選??？

A：圖是有多個線程持續(xù)更新寫入數(shù)據(jù)的，當(dāng)有訪問請求時，實時對被訪問節(jié)點進行Traversal&Aggregate。

Q4. 圖中節(jié)點表征的更新頻率是什么？

A：圖節(jié)點的表征是實時抽取計算的。

Q5. 子圖挖掘整體方案中，藍色模塊的評估任務(wù)，是自動化評估還是有業(yè)務(wù)專家介入評估？

A：這部分的評估是自動化評估，我們會基于風(fēng)險的候選集，在3-6個月的圖上進行回測，然后根據(jù)歷史數(shù)據(jù)上匹配到的pattern，計算用戶、商戶的各種風(fēng)險及業(yè)務(wù)指標(biāo)，然后根據(jù)業(yè)務(wù)給出的口徑進行自動化的評估。