一、信贷图风控业务背景及案例
首先简单介绍我们的业务场景。
1、业务背景
我们做的信贷图风控主要用于反骗贷和反套现的防控：
- 骗贷是指黑产恶意骗取贷款，无还款意愿。这种情况导致了较高的资金风险，业界来看占整体逾期贷款的30%-40%左右。
- 套现是指用户通过虚假的交易场景，将信贷额度套取成现金。这种行为违反了信用卡、花呗等消费贷的使用规范，无法管控资金使用范围，另外也容易造成多头借贷，引起金融风险。
常见的套现骗贷手法包括：
- 扫码模式：线下店铺开通收款码，保存本地或到店进行扫码的方式，让套现人使用花呗支付，进行套现。
- 淘宝模式：中介在网上开店，上架商品，套现人使用花呗支付完成虚拟网购，从而信用额度。
- 预下单模式：使用三方APP，下单后不支付，然后告诉套现人三方账号密码，由套现人登录后使用花呗支付，完成套现。
基于信贷的业务特色，我们设计了事前、事中到事后的全面防控，各环节的主要内容为：
- 事前：提前感知、认知风险。包括对商户进行风险分析、对用户进行风险等级评级，这部分工作会用到近线的图分析功能。
- 事中：当用户申请贷款、或要用贷款去付钱时，基于交易请求实时分析和计算，进行风险策略和模型应用及图谱的交叉验证。
- 事后：对信贷业务进行全面的风险分析，如分析资金使用、套现可能性、挖掘团伙。
2、业务应用全局视角
我们基于事前、事中、事后的业务体系，设计了对应的技术框架。
- 事前：T+1调度进行图跑批计算、由事件驱动的近线计算。
- 事中：基于请求在线实时计算，使用了图数据库的能力，保证查询性能。
- 事后：近线的消息监控、T+1的全量分析，以及交互式图分析。
上述模块会用到的图技术包括：图的多度关系聚合特征（Traversal&Aggregate）、模式匹配（Pattern Matching）、图社区检测算法（Community Detection）、图学习、图推理等。
3、花呗反套现案例
下面我们通过花呗反套现的案例来说明事后和事中的防控。
事后
由于风控场景的Y标稀缺，如果依赖人工专家打标，对于专家未识别到的套现模式会出现无法覆盖的情况。所以我们通过T+1的离线数据和实时数据开发了风险大图，基于“近朱者赤近墨者黑”的思想，将Pattern Matching中识别到的黑、灰种子，进一步在图上扩散传播，从识别更多风险用户，并将风险由单点转换为社团。
事中
传统事中实时风控计算，多使用Flink产出统计型特征，它无法刻画多度关系。另外，如果图Pattern全部依赖专家定义存在效率和覆盖度的问题。所以我们使用了在线子图，包括买家子图、卖家子图、买卖家连通子图，作为神经网络的输入并在线打分，从而进行实时的防控。
二、图风控规模化落地
1、微贷图平台
图风控技术规模化的业务落地，一开始我们只是简单的尝试，效率比较低，因为信贷场景较为严谨，上线需要进行离线测算、旁路验证。这就需要保证离线在线的数据源头一致、计算语义一致，实现图仿真功能。否则只能通过离线表JOIN的方式进行构图，很难支持3-6个月的图回测。
我们通过技术验证后，沉淀了一套能力，包括：
- 图建模：离线、近线、在线的图资产统一。
- 图交互式分析：专家使用图交互式分析进行研判。
- 图仿真回测：基于分析的case进行3-6个月的图仿真回测。
- 图计算服务上线：图特征和图算子的一键发布上线。
统一图资产在分析，仿真和上线的语义一致、三线一体，保证了图风控规模化的效率。
2、规模化效率瓶颈
做完规模化后，我们发现业务流程前面的模块都是离线T+1跑批、或基于事件触发，都是自动的。只有最后这一步需要人的分析，这个环节对人工的依赖，阻碍的图的大规模应用，所以我们下一步的工作是自动挖掘风险。
三、子图挖掘
我们之前的业务分析测算，都基于专家给出了明确的风险模式后进行处置，但其实这样的流程周期很长，效率较低。所以我们目前正在自动挖掘风险模式，然后推荐给专家分析。
1、总体技术方案
整体技术方案分为以下几步：
- 基于离线T+1及实时数据构建底图。
- 计算图中每个节点的表征向量，然后计算p-value值及各种业务指标
- 筛选节点，并基于种子节点进行扩散，获得重要风险子图
- 在子图中进行风险模式的挖掘，获得风险模式（Pattern）的候选集，并进行回测
- 回测结果符合预期指标的风险模式，交由业务方进行交互分析，并决定是否采用上线
- 通过这一套流程，我们把挖掘风险模式，结合算法和算力做到了自动化。
在这套流程中，有两个比较大的挑战：
- 信息混杂问题：底图数据庞大，噪声较多。
- 算力复杂问题：子图同构算法复杂度为指数级。
2、信息混杂问题
对于信息混杂问题，当我们基于原始大图进行挖掘时，首先图的规模比较大，难以进行挖掘。另外，图中有许多噪音，比如我们每天购买咖啡、早餐，当我们基于频繁度进行挖掘时，这种模式很容易被挖掘出来，但没有提供风险信息，应该被剔除。
我们的做法是基于完整的底图，计算节点表征向量。然后根据节点p-value和业务指标，计算节点的重要度，最后裁剪低于一点重要度的节点，我们目前通常挖掘的图在10亿规模左右。这样做可以剔除噪声，并且提升挖掘的效率。
3、算力复杂问题
算力复杂度主要来源于组合爆炸，比如某种边的类型只有10万条，但它对应的pattern可能有11 亿个，而我们的挖掘，每增加一度都需要反复验证对应的业务指标，所以计算量非常大。
对于这个问题，我们有两个解决办法。第一是基于业务语义，对不合理的pattern进行剪枝。这种从业务应用的角度对图进行剪枝，得到了比较好的效果。第二，从技术的角度，引入图的外部存储，缓解了大规模图挖掘的内存压力。
4、子图自同构问题
子图自同构，原本需要遍历所有子图进行对比，是一个np问题，比较难找到最优解。我们与高校合作，使用了数学的思路，将子图映射成一个数学函数，然后通过数学函数可以比较快速的对比。这个方法不能解决所有问题，但是能解决大部分问题。我们基于这个思路进行了分布式的实现，从而更好地做图挖掘，以及图模式的匹配。
四、回顾总结
我们的信贷图风控建设从2018年开始，基于专家总结的风险模式，转换成图模式匹配进行风险挖掘，它的特点是准确率高，但风险覆盖度比较低。所以在2019年我们做了团伙算法，用于解决聚集性风险。2020年，我们从图的静态切面，分析图的当前信息，推进到分析图的时序演进状态，进一步捕捉团伙的发展以及变化的信息。21年，我们做了图平台规模化的落地，实现三线一体。22、23年，我们的主要工作是做图的自动挖掘和分析。
五、问答环节
Q1. 刚刚提到事中阶段会在线进行拦截，时延是120毫秒，线上用了什么样算法，还是用专家系统进行模式匹配？怎么做到120毫秒？
A：模式匹配和团伙发现是事后做的，社团的计算需要几十秒。事中主要是在图数据库中查了买家子图、卖家子图、买家卖家连通子图，主要做Traversal&Aggregate，进行表征向量抽取，然后进行深度学习模型的打分，这个过程大概消耗20毫秒左右。当然我们也在风控链路上做了许多优化，整套流程大概在70-80毫秒。
Q2. 20毫秒的查询会涉及到几度邻居查询？
A：买家和卖家子图往外扩两度，买家卖家连通子图则是各扩两度，并且各扩充两度后可以连通。
Q3. 事中查询时，图的切片如何选取？
A：图是有多个线程持续更新写入数据的，当有访问请求时，实时对被访问节点进行Traversal&Aggregate。
Q4. 图中节点表征的更新频率是什么？
A：图节点的表征是实时抽取计算的。
Q5. 子图挖掘整体方案中，蓝色模块的评估任务，是自动化评估还是有业务专家介入评估？
A：这部分的评估是自动化评估，我们会基于风险的候选集，在3-6个月的图上进行回测，然后根据历史数据上匹配到的pattern，计算用户、商户的各种风险及业务指标，然后根据业务给出的口径进行自动化的评估。
