图算法和风控

1. 什么是图算法——图论算法

图算法最早来源于图论和组合优化相关算法，在风控里面应用比较多的基本上都是传统的图算法或比较偏数学理论的算法，如最短路径发现，不同的账号和交易之间存在异常的最短路径，某些账号或设备存在异常的关联。另外，还有图的识别，比如洗钱，会涉及到异常的环路。

早期图在风控的应用都是基于明确的数学结构定义，如果大家仔细研究这些算法，会发现有的算法是多项式时间可以解决的，有些是多项式时间无法解决的，比如 NP-hard 问题。在团或圈的发现算法中，其实会用到一些近似算法。而且风控中有意思的一点是数学上定义得越严格，黑产绕过就越容易。比如黑产知道你的目的是发现团，他会故意某几个设备少一两条边，那数学严格的定义就很容易被绕过。

2. 什么是图算法——图机器学习

早期业内是直接应用这套传统图算法到风控中，随着技术的发展，图机器学习也开始应用在风控中。比如早期本人在交易场景中落地了一个标签传播算法，它是一个 Transudative 推演式的算法（非归纳式）。

在现实应用中，很多时候我们没有办法对黑白灰样本去做完全精确的定位。那该如何利用类似社交网络的同质性（好人和好人关系近，坏人和坏人关系近）做团伙识别？在风控场景，很容易通过强规则产出高准确率的样本，但覆盖率很低（低召回），那么如何扩充这些样本呢？

此时标签传播算法和半监督技术就开始在风控中使用。 图神经网络的半监督学习，其学习能力和鲁棒性高于传统图算法。有别于传统的图算法的自定义 Aggregate 和 Message Passing，随着图神经网络的发展，也越来越多的应用到风控场景。

3. 什么是图算法——图挖掘算法

风控场景中使用到很多图挖掘算法，如：

高密度子图，一些异常账号和异常行为对象之间会存在高密度子图。
邻居域异常，异常节点、边、网络存在异常的形状（如星形散射状），即该账户的邻居域异常。
复杂网络，比如异常网络的度分布和正常网络的度分布是不同的。如有时挖掘了一些团伙，可以基于 Degree Sequence 构建特征和模型。不同 Degree Sequence 分布的网络存在不同的特性，这可以指导我们进一步构建拓扑相关特征。

4. 什么是风控

风控是指风险控制，它是一种管理和减少潜在风险的方法。在不同的领域，风控可以涉及多种方面，包括金融、商业、信息技术等。在金融领域，风控通常用于管理投资组合和保护资产免受市场波动的影响。在商业中，风控可能涉及到供应链管理、市场风险和合规性问题。在信息技术领域，风控可以涉及网络安全和数据隐私保护等方面。

风控的目标是识别、评估和降低潜在的风险，以确保组织能够在不确定的环境中稳健运营。这通常包括制定策略、采用工具和技术，以及建立监测和反馈机制，以便及时应对潜在的风险。

5. 互联网风控干什么

众所周知的羊毛党薅羊毛、账户被盗、盗卡、现金贷、“以贷养贷”、猫池、恶意退货、物流空包、各种各样的诈骗、杀猪盘等等，这些场景都属于互联网风控范畴。

6. 图算法和风控的相遇

为什么图算法和风控会相遇？黑产作案存在团伙性，一个人不可能靠一个账户就去作案，更多的时候需要多人多账户的协同。

团伙特性就会使黑产之间产生关联，这就引入了图算法。作案有相似性，但案件和作案人之间可能没有物理和空间关联，但在某些角度他们存在相似性（如行为）。风控也可以通过除了直接的关系外的点和点之间的相似性构造边。因为作案有相似性，这也是网络可以存在的一个条件。

还有一个原因是作案需要大量的账号和设备资源的配合，利益的驱动就会让黑产做更多的事情。作案需要成本，如手机、账号等。物以类聚，人以群分（同质性）。

以上这些就是图算法和风控相遇的原因。

图算法在风控的演化

1. 几个核心趋势

早年间风控尤其是风控策略，更多的是一个 Rule Writer。通过业务理解写规则，慢慢演化成算法模型。还有从经典一阶的 Velocity 变量变成了 Neutral Net Aggregator（后面会细讲）。传统的风控算法或规则只能看到相邻点的特征，现在可以通过神经网络计算 Aggregator。这也是从数学严格定义的网络结构到图神经网络、Strict Definition 到概率化的推断的演进过程。

图灵奖得主 John Hopcroft 在图的匹配还有自动机方面做了很多工作。传统的图算法的研究对现在的人工智能有没有什么帮助？首先他觉得是没有的（可能是谦虚），他谈到一个非常大的趋势，过去大部分都是严格数学的定义，以后会更偏向概率推断。这个趋势也很契合风控，数学上定义得越严格，越容易被黑产攻克。使用机器学习、图神经网络去进行学习，最终就是变成了一个概率的推断。

2. 经典一阶的 Velocity 变量

传统的一阶 Velocity 能看到一个 IP 周围有很多的 Device 。要评估该IP 的风险，可以观察其相邻的 Device 的风险特征，如最近几天的交易登陆统计，最近 7 天的交易笔数，一小时内同 IP 的交易用户数等，这些都属于一阶 Velocity。

以前风控从业者相当于人工构建了图神经网络的 Aggregate 函数（Min、Max、Mean）。

Min 函数，比如该 IP 周围 Device 注册的最小时间，如设备注册最小时间都是最近的，即新设备，那么该 IP 存在很大的风险。

Max 函数，如设备上的最大的账户数，多人共用单个设备也是异常。

Mean 函数，如周围的设备平均的交易数。之前风控从业者通过手工去设计这个一阶的 Aggregate，通过图算法能从一阶到两阶。

3. 神经网络的聚合

引入了神经网络以后，把一阶或者二阶的 Velocity 通过神经网络学习。让算法去学坏人的 Pattern 而不是手工地去归纳，增加了绕过成本和模型的鲁棒性。单纯的一阶的阈值很容易被黑产试出来，通过鲁棒性的 MLP 去预测，有明显的效果提升。

4. Aggregator 算子的突破

Aggregator 算子最核心的算法上的突破就是 Deepmind 实现的。它用了代数拓扑的概念，如一个节点的邻居有 N 个点，每个都只有一个特征，即 Size 是 N 的 Multi-Size，这时至少要 N 个 Aggregate 才能够避免入射的产生。从算法上来讲，GNN 如 Graphsage，Gat 等价于一阶的 WL-test，本质上转换成了同构图的问题。同构就是让不同的子图确实能够通过 Aggregate 函数不发生入射。

为解决这个问题，Deepmind 设计了一种新型的 Aggregator 算子， N 个 Moments 对应着 N 个 Aggregator 算子。后面加了一个 Scalers, 下面的 Sigma 相当于是整合度的总和。d 就是这个点的度，Alpha 是一个系数，Alpha 有 1 又有 -1。

在社交电商领域，基于人和人的推荐，有些商品实际上是适合刘耕宏这种度很大的人来推荐的，这时 Alpha=1。有些私密的商品适合你的闺蜜来向你推荐，此时 Alpha=-1。你们两个度都很小，但你们两个是有联系的，这样推荐商品转化率是很高的。

这些在社交电商的场景下去解释是很合理的。最终通过从一阶 Velocity 的规则到不同 Aggregate 聚合函数，再有 MLP，Scalers 对不同度的归一化，再去使用 MLP，形成了整体框架。

展望未来

长期的趋势是要从算法层面、平台层面、系统层面去改进。

图算法和图神经网络算法的融合

现在很多团队在谈GNN，但有时并不能说清GNN到底学到了什么东西，解释能力有多强。图的传统算法也不能放，因为不同的互联网公司、社区等等，都有不同的网络结构。我们要基于这些网络结构有一些洞察。比如是否需要和图神经网络，和 Data Mining 结合。在风控的特定场景下，还要对图的特定 Pattern 去进行挖掘。比如Angle支持在 Parameter Server 框架的基础上加 Spark，DGL 又开了一个 Message Parsing 的口子，只要是能够变成 Message Parsing 框架的图算法，就都是可以实现的。首先算法同学在一线要知道如何融合，才能跟中台团队框架团队去合作。

图神经网络算法学习能力的攻克

学习能力的攻克，包括基本算子的不断突破非常重要，否则光是四则混合运算，再怎么组合其本身学习能力就不够。

图神经网络算法鲁棒性

风控很多时候是对抗，并不知道会有什么样的攻击方式，因此要提高算法鲁棒性。

图神经网络算法可解释性

无论是推荐还是风控，现实中制约落地的很多时候是一个可解释性的问题。

平台易用性和整合性

平台易用，用起来流程快，才能更快地实现各种算法的迭代。

应用算法和系统算法上下融合贯通和统筹

在建设图计算平台的时候，要真的懂业务和应用算法，实际用户也要懂系统算法层面，整体上需要上下打通和统筹。