4-4 图算法在风控以及平台能力建设

图算法在风控以及平台能力建设

图算法和风控简介

• 图算法定义：图论算法（最短路径发现、团的识别）、图机器学习（标签传播、图神经网络）、图挖掘（高密度子图发现、邻居域异常度、分布模式）。
• 风控定义：互联网风控主要针对团伙作案、行为相似性、资源配合、成本因素等进行风险识别。
• 图算法与风控结合：利用“物以类聚，人以群分”原理，通过图算法识别团伙行为和异常模式。

图算法在风控的演化

• 从规则到算法：风控从规则编写（rule writer）向算法模型（algorithmic model）演进。
• 技术演进：从经典一阶Velocity变量（如交易笔数、金额）到图神经网络（one order velocity à neutral net aggregator），从严格网络结构定义到概率推理（strict definition à probabilistic inference）。
• 核心趋势：神经网络的聚合、Aggregator算子的突破（如Deepmind的聚合函数研究）。

相应平台的演化

• 业界常用框架：Push&Pull、Sparse & Dense、特殊边概率权重下的拒绝采样。
• 腾讯Angel图计算：简介、代码样例、GraphSage实现。
• 开源图数据库生态：DGL+SageMaker+Nebula，快速搭建实时模型查询推理系统。
  • DGL特点：message passing角度编程、GPU优化、Adapter突破内存限制。
  • DGL接口：GetBatch、Batch采样、Load Partition子图采样。
• 数据流程：离线数据（社区互动、数据交易）与流数据（社区互动、流数据交易）结合，模型文件生成与查询，子图风控引擎与因子生成。

展望未来

• 图算法与图神经网络融合：进一步提升模型学习能力。
• 图神经网络突破：攻克学习能力、鲁棒性、可解释性。
• 平台优化：提升易用性和整合性，实现算法与系统上下融会贯通。