关联网络应用观察：团伙欺诈的防控技术及思路

近年来屡屡发生的团伙欺诈事件，给金融机构、互联网企业带来诸多新挑战。由于欺诈团伙有明确的分工和计划，熟悉目标平台的各项业务流程，能够娴熟运云计算、人工智能等新技术，而且欺诈手法复杂多变，导致传统的反欺诈手段无法做到科学精准的发现与防控。

关联网络的出现为团伙欺诈防控提供良好的思路。本期“关联网络应用观察”，小智将介绍防控团伙欺诈的新技术和应用场景。

关联网络的技术原理

关联网络是融合大数据、图挖掘和神经网络技术的创新方案，基于图对数据的表示，利用图算法、图数据挖掘、图神经网络等解决具体的问题。

关联网络能够基于业务数据提取出个体和群体的特征，构建起多维度关联结构，清晰的刻画出个体的特征、个体间之间关系、群体的画像，进而对个体或群体进行深度挖掘、特征衍生及应用机器学习。

通俗来讲，每个人都是社会共同场景中共同生活的人群，个体的生产、生活、消费、交际、出行、沟通等活动都是相互依赖、相互作用而产生，这就导致个体与个体的之间有很多关联或共性。比如，小王与小李都在A公司，可以说两者相互关联；小李与小张在一个小区居住，可以说两者相互关联；而小张与小马一起打羽毛球，两者也有关联.....这种关联是一种结构型的信息。

关联网络在金融反欺诈上应用

日常生活中，最常见的关联网络应用是透过层层嵌套的复杂资本运作，挖掘出公司实际控制人。在金融反欺诈的应用上，关联网络的优势更加明显。

金融机构拥有庞大的数据信息，数亿计的企业、个人、账户信息中，隐藏许许多多不同类型的关系，以及数十亿的结点和边。有些是相对静态的关系，如企业之间的股权关系、个人客户之间的亲属关系；有些则是不断地在动态变化的关系，如转账关系、贸易关系等等。无论静态或者动态的关系背后，隐藏着大量未知的关联关系。

在金融反欺诈中，关联网络的应用场景包含以下几类：

发现并定位团伙欺诈

基于关联网络完整刻画企业客户之间、企业与自然人之间的社会关系、经济往来关系，构建全方位的风险图谱，帮助金融机精准有效的发现个体之间隐藏的共同特征，从而定位识别到有团伙性质的欺诈成员。

对未知风险的防范

反欺诈比较依赖历史样本标注，而新风险却极少有样本供标注。关联网络可以利用少量欺诈标注样本产生出更多的标注，让欺诈标注会沿着网络里的边从一个节点传播到另一个节点，将有效欺诈样本扩大化，有效防范新的欺诈风险。

数据的深度挖掘

小王和小张是两个正常借款，各项信息非常完美。通过关联网络发现交叉验证发现，两人填写了同一个办公电话，但两人填写的公司却完全不同。再借助其他分析和验证，可以判断他们二人至少有一人的信息是虚假或存在欺诈行为。

借助关联网络，金融机构能快速发现欺诈团伙，有效挖掘新型欺诈手段，增强未知风险的防范能力，进一步提高金融机构的风险管理的可靠性和准确率。