原文作者：白白的一團團

原文鏈接 ：https://blog.csdn.net/baidu_39413110/article/details/123142066

目  錄

一、如何構(gòu)建知識圖譜

    1、搭建知識圖譜需要哪些數(shù)據(jù)

    2、如何設(shè)計知識圖譜結(jié)構(gòu)

        2.1 隱性申請節(jié)點結(jié)構(gòu)

        2.2 顯性申請節(jié)點結(jié)構(gòu)

        2.3 兩種知識圖譜結(jié)構(gòu)的特點對比

二、知識圖譜的優(yōu)勢

    1、提高聚集變量計算效率

    2、實現(xiàn)異常團簇的敏捷識別

    3、為關(guān)聯(lián)關(guān)系的深度挖掘提供平臺

三、知識圖譜如何應(yīng)用及常見問題

    1、圖譜應(yīng)用方式

    2、知識圖譜回溯問題

    3、知識圖譜防范團伙欺詐的及時性問題

脫胎于搜索引擎優(yōu)化的知識圖譜技術(shù)，本質(zhì)上是一種揭示實體關(guān)系的信息網(wǎng)絡(luò)，如今已廣泛應(yīng)用于各個領(lǐng)域。在信貸領(lǐng)域，知識圖譜也經(jīng)常被各家機構(gòu)標榜為一種先進的大數(shù)據(jù)應(yīng)用技術(shù)。在流量紅利時代成為過去式后，信貸領(lǐng)域會越來越強調(diào)對客戶的精細化運營，即對客戶要做到千人千面的定制化服務(wù)和策略，這就要求信貸機構(gòu)對客戶要有360度全景式的把握，不僅要掌握客戶的基本信息、行為偏好、金融特征，更要掌握客戶間的關(guān)聯(lián)關(guān)系和信貸申請行為的聚集性特征，而知識圖譜在識別客戶關(guān)系和聚集性特征方面就有著不可替代的優(yōu)勢。

所以今天我們就簡單聊一聊關(guān)于知識圖譜的幾個問題，一，如何構(gòu)建一個契合信貸業(yè)務(wù)的知識圖譜；二，知識圖譜在信貸業(yè)務(wù)中的應(yīng)用優(yōu)勢有哪些；三，如何應(yīng)用這項技術(shù)去賦能信貸業(yè)務(wù)；以及四，知識圖譜應(yīng)用中需要注意的一些問題。如果想深入的挖掘，可以參考下我的課程：萬物皆網(wǎng)絡(luò)-風(fēng)控中的網(wǎng)絡(luò)挖掘方法

一、如何構(gòu)建知識圖譜？

1、搭建知識圖譜需要哪些數(shù)據(jù)

搭建知識圖譜的目的之一在于完全挖掘出客戶間各種錯綜復(fù)雜的關(guān)聯(lián)關(guān)系，所以原則上就需要把各種有關(guān)聯(lián)可能的數(shù)據(jù)都納入進來。另一方面，我們同樣需要把客戶的身份標識數(shù)據(jù)、重要屬性特征也納入進來，便于后續(xù)我們對客戶關(guān)系的分析、回溯及關(guān)聯(lián)變量的加工。所以我們從關(guān)聯(lián)數(shù)據(jù)、重要屬性兩個維度展開來講。

關(guān)聯(lián)數(shù)據(jù)主要包括這幾個維度：

手機號碼：包括客戶的注冊手機號、用款手機號、緊急聯(lián)系人手機號、配偶手機號、親屬手機號、公司電話、家庭電話、人行報告中近期曾使用電話，以及現(xiàn)在變得異常敏感的通訊錄手機號、通話記錄手機號等等。這些號碼類數(shù)據(jù)放入知識圖譜中便能將客戶之間的親屬關(guān)系、同單位情況、平時聯(lián)系緊密度情況反映出來。這些數(shù)據(jù)放入知識圖譜前就要注意號碼格式的對齊和臟數(shù)據(jù)的清洗。

銀行卡數(shù)據(jù)：現(xiàn)在信貸業(yè)務(wù)都會進行n要素驗證，一般銀行卡都是本人使用，不會出現(xiàn)多人共用一張銀行卡的情況，那為什么還要放銀行卡數(shù)據(jù)呢？這要看怎么放，我們在以往的業(yè)務(wù)中發(fā)現(xiàn)了以這樣一個團伙欺詐案例，團伙中的幾人同時在同一銀行各自新辦了銀行卡用于貸款發(fā)放，這就導(dǎo)致這幾人申請時的銀行卡號是連號的。如果我們將銀行卡末幾位去掉之后再放到知識圖譜里，這種異常銀行卡聚集特征就能顯現(xiàn)在圖譜中了。

設(shè)備數(shù)據(jù)：主要包括注冊申請設(shè)備和用款設(shè)備兩類，當然也可以進一步細化到申請每個環(huán)節(jié)，包括注冊首頁設(shè)備、人臉識別設(shè)備、提交申請頁設(shè)備等等。申請人共用設(shè)備是團伙欺詐的一種典型特征，所以是防范欺詐要關(guān)注的十分重要的一個維度。

單位數(shù)據(jù)：包括申請時填寫單位、配偶單位、公積金繳納單位、人行報告中近期曾任職的單位等等，單位類數(shù)據(jù)雖然包含重要的關(guān)聯(lián)信息，但綜合考量也可以不放，主要是這樣兩個原因，一是內(nèi)容多為手寫，格式混亂，對齊難度很大；二是申請客戶在單位上聚集很多不是異常，比如客戶經(jīng)理到一個大企業(yè)展業(yè)，一段時間搞定十幾、幾十個客戶也很正常。

位置數(shù)據(jù)：包括申請時的GPS打點位置、用款時的打點位置、單位地址位置、家庭地址位置等等。一般我們會將各種位置轉(zhuǎn)化為同一坐標系下的經(jīng)緯度，并使用geohash算法將經(jīng)緯度轉(zhuǎn)化為地理網(wǎng)格后在放入圖譜，一般的網(wǎng)格大小為百米乘以百米量級，當然也要根據(jù)數(shù)據(jù)精度和業(yè)務(wù)需要來確定。

WIFI數(shù)據(jù)：包括申請、用款或各個環(huán)節(jié)埋點取到的WIFI信息，可以將WIFI的bssid做主鍵放入圖譜。

IP類數(shù)據(jù)：IP數(shù)據(jù)是否可用仍需調(diào)研，一是地址可以自由配置，二是用流量和用WIFI會發(fā)生IP變動也不能說明什么，三是之前調(diào)研過一些共IP的客戶案例，發(fā)現(xiàn)并沒有實際關(guān)聯(lián)。所以IP可用與否有待考量。

其它數(shù)據(jù)：包括郵箱地址數(shù)據(jù)等。

重要屬性數(shù)據(jù)主要包括：

身份信息及主鍵：包括身份證號、姓名、客戶申請?zhí)?、用款號等等。用于我們定位、查詢每個客戶。

時間信息：非常重要?。≈饕ㄉ暾垥r間、用款時間。后期需要對圖譜及關(guān)聯(lián)變量進行回溯就是要依賴這些時間信息。

特征偏好信息：比如年齡、性別、職業(yè)、收入、愛好等各種畫像標簽等等?？捎糜诳坍嬚麄€團簇的屬性特征，比如一個團簇聚集的幾個人都有午夜活躍、網(wǎng)絡(luò)游戲的特征，那是不是值得我們特別關(guān)注一下呢。

逾期類信息：包括逾期天數(shù)、逾期筆數(shù)、當前是否逾期等等。是我們定性聚集團簇性質(zhì)的重要維度。

申請狀態(tài)及原因：包括通過、放棄、拒絕等狀態(tài)以及拒絕原因，比如欺詐拒絕、多頭拒絕、信用評分拒絕等等，也是刻畫團簇性質(zhì)的重要維度。

黑、灰名單信息：包括信用黑名單、營銷黑名單、欺詐黑名單等等，維度包括手機號、身份證、設(shè)備，甚至WIFI、位置都可以。后期也可以根據(jù)知識圖譜發(fā)現(xiàn)異常團簇去更新黑名單信息。

2、如何設(shè)計知識圖譜結(jié)構(gòu)

2.1 隱性申請節(jié)點結(jié)構(gòu)

圖譜三要素包括：節(jié)點、邊和屬性，所以設(shè)計知識圖譜結(jié)構(gòu)就是確定三個問題：哪些數(shù)據(jù)做節(jié)點、設(shè)計哪些關(guān)聯(lián)邊、哪些數(shù)據(jù)做屬性放到哪些位置上。基本可以遵循這樣一個原則：會產(chǎn)生關(guān)聯(lián)關(guān)系的基本實體做節(jié)點，發(fā)生的動作作為關(guān)聯(lián)邊，補充信息做屬性。

比如張三用133445的手機號在3月12日提交了一筆申請，李四用188888的手機在3月15日進行了申請，填寫的親屬手機號為133445。問題一，節(jié)點設(shè)置：這里張三、李四、申請手機號、親屬手機號都是基本實體，可以設(shè)計為節(jié)點；問題二，邊設(shè)置：使用某某手機號申請，填寫親屬手機號為某某是兩個動作，可以設(shè)計為邊，問題三，屬性設(shè)置：申請時間是補充信息，可以作為屬性，屬性放到哪里呢，這里建議放到申請手機號的邊上面，因為如果放到客戶節(jié)點上，假如這個客戶多次用不同手機號申請就容易產(chǎn)生混淆，由此我們就可以得到下圖左邊這樣一個簡單的圖譜結(jié)構(gòu)。依照這樣的邏輯，代入所有數(shù)據(jù)，我們就能得到基本結(jié)構(gòu)如下圖右邊所示的知識圖譜。

這種結(jié)構(gòu)的圖譜更強調(diào)的是客戶——關(guān)聯(lián)節(jié)點——客戶這種關(guān)聯(lián)關(guān)系的簡潔呈現(xiàn)。對于客戶的各種申請動作都通過增加邊關(guān)系來表達，如果客戶多次申請，就會如圖中所示，使得每個節(jié)點對之間的關(guān)聯(lián)邊變得紛繁復(fù)雜，而且條關(guān)聯(lián)邊上面都應(yīng)該帶著時間屬性，以對多次申請進行區(qū)分。

2.2 顯性申請節(jié)點結(jié)構(gòu)

想要不把節(jié)點對之間的關(guān)聯(lián)邊搞得這么復(fù)雜，而且期望將客戶的申請動作表現(xiàn)得更清楚，我們還有第二種結(jié)構(gòu)設(shè)計方案，即把客戶的每次申請都用一個顯性的節(jié)點表示出來，這種結(jié)構(gòu)可以稱為顯性申請節(jié)點結(jié)構(gòu)。按照這種結(jié)構(gòu)將上面的知識圖譜重構(gòu)就得到了如下圖所示的結(jié)構(gòu)。這種結(jié)構(gòu)下，節(jié)點對的邊關(guān)系就簡化了很多，像是申請時間、逾期狀況等屬性我們就都可以附加在申請節(jié)點上面，能更清晰地看到客戶兩次申請之間的差異。

2.3 兩種知識圖譜結(jié)構(gòu)的特點對比

兩種圖譜結(jié)構(gòu)各有優(yōu)勢，我們通過以下兩個方面對比一下他們各自的特性：

一是契合不同的業(yè)務(wù)場景。有些信貸業(yè)務(wù)模式較為簡單，沒有循環(huán)額度，單次授信，單次用款，授信申請、用款申請不做明顯區(qū)分。這樣的業(yè)務(wù)場景就更適合于隱性申請結(jié)構(gòu)的構(gòu)建；而有些業(yè)務(wù)模式稍微復(fù)雜一些，設(shè)置循環(huán)額度，一次授信，后續(xù)可多次申請用款，這就導(dǎo)致客戶的申請較為復(fù)雜，要區(qū)分授信申請和用款申請，如果再加之多渠道，多產(chǎn)品申請，客戶的申請行為的復(fù)雜度就更甚，這個時候，用顯性申請節(jié)點結(jié)構(gòu)來構(gòu)建知識圖譜就能較為清楚地表現(xiàn)出客戶的多次申請行為；其次，有了申請節(jié)點，就可以將很多屬性只歸納到申請節(jié)點上，比如申請時間，從而將邊上屬性大大簡化，最后，申請節(jié)點可以更具體地呈現(xiàn)每一次申請的不同屬性狀態(tài)，比如每次申請的逾期狀態(tài)、用款筆數(shù)等等。

二是計算關(guān)聯(lián)度數(shù)復(fù)雜程度不同。對于隱性申請節(jié)點結(jié)構(gòu)，從一個客戶關(guān)聯(lián)到另一個客戶最短只需要兩度，即客戶——關(guān)聯(lián)節(jié)點——客戶；而對于顯性申請節(jié)點結(jié)構(gòu)，從一個客戶關(guān)聯(lián)到另一個客戶最少需要四度，即客戶——申請——關(guān)聯(lián)節(jié)點——申請——客戶，這就導(dǎo)致在做圖計算的時候兩種結(jié)構(gòu)有所差異。比如計算一個客戶直接關(guān)聯(lián)客戶數(shù)、間接關(guān)聯(lián)客戶數(shù)，在隱性申請節(jié)點結(jié)構(gòu)中只需要執(zhí)行3度和5度的計算；而在顯性申請節(jié)點結(jié)構(gòu)中，則增加到4度和8度的計算，這也會直接導(dǎo)致計算資源和計算時間的差異。

最后，我們以顯性申請節(jié)點結(jié)構(gòu)為例，把一個較為完整的圖譜架構(gòu)總結(jié)如下：

最后，圖譜放哪些數(shù)據(jù)，如何架構(gòu)也要從更高的層面考慮。放眼整個數(shù)據(jù)產(chǎn)品體系，圖譜也僅僅是其中的一環(huán)，所以很多業(yè)務(wù)信息有沒有必要都放到圖譜中值得商榷，圖譜設(shè)計得大而全，就會一定程度上拖累其運算和使用速度。圖譜的特點和優(yōu)勢在于聚集關(guān)系的發(fā)現(xiàn)和欺詐風(fēng)險的防控，其它業(yè)務(wù)問題完全可以放到其它產(chǎn)品體系中去解決。最終的目的也是想要讓圖譜和整個數(shù)據(jù)體系中的其它產(chǎn)品形成良性互補，而非相互冗余。

二、知識圖譜的優(yōu)勢

知識圖譜可以被看做是一種數(shù)據(jù)存儲方式，如果僅從數(shù)據(jù)存儲的角度來看待它，那相較于傳統(tǒng)的數(shù)據(jù)庫，它并沒有帶來任何新的信息，只是將原有的信息換了一種更側(cè)重關(guān)系的方式進行存儲。正是基于這樣的原因，我們在啟動知識圖譜項目的時候，往往會被質(zhì)問，搭建知識圖譜的必要性在哪里，業(yè)務(wù)中究竟遇到了什么樣的困境，是傳統(tǒng)數(shù)據(jù)庫無法解決而一定要用到知識圖譜的呢？我們就以一個實際的業(yè)務(wù)案例，對這個問題進行一個簡單闡述。

上圖展示的是我們在真實信貸業(yè)務(wù)中遇到的一個可疑團伙案例。18個客戶之間通過用款設(shè)備、注冊電話、公司電話、親屬電話、配偶電話等關(guān)系有著錯綜復(fù)雜的連接，形成一個關(guān)系緊密的小團體。18個客戶之中有13個客戶借款后發(fā)生了逾期，整個小團體的客戶逾期率達到了72.2%。業(yè)務(wù)中，及時、全面地發(fā)現(xiàn)這樣性質(zhì)異常的團簇對于降低整個信貸業(yè)務(wù)欺詐率、保障資產(chǎn)質(zhì)量都有著重要的意義。那僅使用傳統(tǒng)數(shù)據(jù)庫，能不能及時、有效地發(fā)現(xiàn)并阻攔這樣的團簇呢？

1、提高聚集變量計算效率

首先，僅使用傳統(tǒng)數(shù)據(jù)庫，我們可以用一種更簡化的方式來發(fā)現(xiàn)客戶異常聚集行為，即開發(fā)聚集性變量，比如同設(shè)備不同申請客戶數(shù)，同手機號不同申請客戶數(shù)等等。對于這樣關(guān)系確定且關(guān)聯(lián)深度僅為一度的聚集性變量，使用傳統(tǒng)數(shù)據(jù)庫開發(fā)難度不大，很容易實現(xiàn)。但如果我們想要獲得更深度的關(guān)聯(lián)關(guān)系，那傳統(tǒng)數(shù)據(jù)庫實現(xiàn)起來就有些麻煩了，比如我們以上圖中的O客戶為例，想要獲取從O的注冊手機號出發(fā)，二度關(guān)聯(lián)的逾期客戶數(shù)，那使用傳統(tǒng)數(shù)據(jù)庫來計算，過程就如下圖所示：

首先，從客戶O出發(fā)，我們需要和全量申請信息表進行六次關(guān)聯(lián)匹配運算，每次分別使用申請表中的注冊手機號、親屬手機號、配偶手機號、緊急聯(lián)系人手機號、公司電話、直系親屬電話和客戶O的注冊手機號進行匹配。在完成6次全量掃描匹配后，我們才能窮盡客戶O申請手機號的共用關(guān)系，才能發(fā)掘出所有在手機號關(guān)系上和O有關(guān)聯(lián)的客戶（在此案例中即客戶G），至此，我們完成了從客戶O出發(fā)的一度關(guān)聯(lián)關(guān)系的挖掘，第二步，二度關(guān)系挖掘，我們需要從客戶G出發(fā)，遍歷所有關(guān)聯(lián)關(guān)系，找到與客戶G一度關(guān)聯(lián)的客戶，為此，我們需要用客戶G的注冊電話和申請表的注冊、親屬、配偶、緊急聯(lián)系人…電話進行關(guān)聯(lián)匹配，再用G的親屬手機號和申請表的注冊、親屬、配偶、緊急聯(lián)系人…電話進行關(guān)聯(lián)匹配，以此類推，再用客戶G的配偶手機號、緊急聯(lián)系人手機號、公司…電話分別進行遍歷，在完成36次遍歷匹配后，客戶G手機關(guān)系則就窮盡完了。但還沒有結(jié)束，接下來，我們還需要對客戶G的注冊單位、公積金單位、配偶單位、各種地址、郵箱等關(guān)系進行遍歷關(guān)聯(lián)匹配，然后到埋點信息表中，對客戶G的注冊、登錄、用款等設(shè)備，WIFI、IP、GPS等關(guān)系進行遍歷匹配，當這些關(guān)系都遍歷完成后，我們才完全窮盡了從客戶G出發(fā)的一度關(guān)聯(lián)關(guān)系，也就完成了從客戶O注冊手機號出發(fā)的二度關(guān)聯(lián)關(guān)系，至此，我們也就找到了客戶A、B、C、D、E、F，然后判斷這些客戶中有多少是逾期客戶，也就實現(xiàn)了“通過注冊手機號二度關(guān)聯(lián)的逾期客戶數(shù)”這樣一個變量的運算。

由此，我們也就可見一斑，在進行這樣二度關(guān)聯(lián)關(guān)系變量運算時，使用傳統(tǒng)數(shù)據(jù)庫是多么的冗長和繁復(fù)，對計算資源和時間是多么大的浪費。如果我們搭建了知識圖譜這樣一種基于關(guān)系的數(shù)據(jù)存儲庫，計算這樣的二度關(guān)聯(lián)變量就會非常簡單省力，簡單來說，計算時如圖中所示，客戶O伸展出來多少關(guān)聯(lián)邊，在運算中就只需要進行多少次基礎(chǔ)運算，相對傳統(tǒng)數(shù)據(jù)庫來講，效率可謂是革命性的提升。

2、實現(xiàn)異常團簇的敏捷識別

誠如刑偵破案一樣，當我們鎖定一個嫌疑人之后，我們希望通過這個嫌疑人及關(guān)聯(lián)線索，能夠把其背后的整個犯罪團伙全部揪出來。同樣在信貸業(yè)務(wù)中，我們也希望能夠看到每一個異常申請客戶背后緊密關(guān)聯(lián)的群體，及整個群體的特征性質(zhì)。以此案為例，如果我們希望找到和客戶I相關(guān)聯(lián)的整個客戶群，使用傳統(tǒng)數(shù)據(jù)庫要如何實現(xiàn)呢？

如圖中所示，首先要從客戶I出發(fā)，找到與之一度關(guān)聯(lián)的所有客戶，這就需要如前所述將整個申請表和埋點表用所有相關(guān)關(guān)系進行遍歷，才能窮盡找到（此例中的H、J、K、L、E客戶），然后再對每一個一度關(guān)聯(lián)的客戶，同樣進行所有相關(guān)關(guān)系的遍歷匹配，才能發(fā)現(xiàn)與客戶I二度關(guān)聯(lián)的所有申請客戶（此例中的A、B、C、D、F、G），如此循環(huán)往復(fù)下去，直到所有客戶都被找到。但在傳統(tǒng)數(shù)據(jù)庫中，如何確定這樣的邊界條件呢？即我們怎么知道要進行幾次遍歷匹配才能把和I相關(guān)的客戶都找出來呢？這在傳統(tǒng)數(shù)據(jù)庫中是很難確定或很難實現(xiàn)的。而在知識圖譜數(shù)據(jù)庫中，基于關(guān)系找到緊密連接的團簇是很簡單的事情，不僅運算量小，實現(xiàn)也極為方便，一些開源平臺如neo4j直接提供了完整封裝的圖算法來實現(xiàn)，發(fā)現(xiàn)這樣一個團簇，運算時間只有秒級。

3、為關(guān)聯(lián)關(guān)系的深度挖掘提供平臺

社區(qū)發(fā)現(xiàn)：有時，基于所有關(guān)聯(lián)關(guān)系挖掘出的團簇對我們而言有些冗余，一些我們看來關(guān)系并不緊密的連接也被連帶在里面。那除了業(yè)務(wù)上自定義緊密關(guān)系外，有沒有一種技術(shù)手段，通過科學(xué)計算找到真正緊密連接的團簇呢？這種技術(shù)手段就是社區(qū)發(fā)現(xiàn)算法，比如louvain算法、label propagation算法等等，這些算法考慮邊的權(quán)重，通過循環(huán)迭代能夠找到真正緊密聚集的團簇。

中心度：業(yè)務(wù)中往往有通過中介進行團伙欺詐的案例，在一個維度全面的知識圖譜中，中介在一個欺詐團伙中的核心關(guān)聯(lián)位置就很容易凸顯出現(xiàn)，那有沒有一種算法能幫我們批量地，快速地找到所有管理核心節(jié)點，以便我們發(fā)現(xiàn)團伙中介呢？就可以使用中心度算法來實現(xiàn)，比如pagerank、article rank算法等等。

最短路徑：業(yè)務(wù)中如果我們發(fā)現(xiàn)兩個可疑客戶，想要迅速定位出這兩個可疑客戶間有沒有關(guān)聯(lián)關(guān)系，如果有多種關(guān)聯(lián)方式，那其中最緊密的關(guān)系，即兩個節(jié)點間的最短關(guān)聯(lián)路徑是什么樣的？這樣的需求就可以使用最短路徑算法來實現(xiàn)。

以上種種對客戶關(guān)聯(lián)關(guān)系的深度挖掘算法都需要首先基于知識圖譜這樣一個平臺才能實現(xiàn)。而一旦有了這樣一個知識圖譜平臺，這些算法都可以輕易實現(xiàn)，比如我們常用的開源平臺neo4j就提供了整合這些圖計算的算法包graph-data-science包，以上所有算法都高度封裝，基本一句語句解決問題，這里放上算法包的開源網(wǎng)址供學(xué)習(xí)查閱：https:///docs/graph-data-science/current/

三、知識圖譜如何應(yīng)用及常見問題

1、圖譜應(yīng)用方式

知識圖譜在信貸風(fēng)控業(yè)務(wù)中的應(yīng)用大體可以分為兩種方式，如下圖所示：

其中應(yīng)用方式一對圖譜的實時性要求不高，即便圖譜按T+1時效更新，也不影響這種的應(yīng)用方式，只是當天申請的團案客戶沒法防范。

應(yīng)用方式二可以說是知識圖譜的高階用法，防范團案欺詐及時性高，但要求圖譜要能做到實時更新和變量的實時計算和反饋。這就要求知識圖譜、決策引擎、關(guān)系數(shù)據(jù)庫三者之間能夠?qū)崟r互動，快速反饋，這對技術(shù)架構(gòu)的能力要求還是不低的，很多機構(gòu)對知識圖譜的應(yīng)用都難以達到這種程度。

2、知識圖譜回溯問題

想要將圖譜中計算出的團簇變量放入到貸前風(fēng)控模型中進行實時決策，就要先訓(xùn)練一個帶有圖譜變量的風(fēng)控模型，這就要求我們能夠?qū)D譜類變量進行回溯，即每個客戶的圖譜類變量應(yīng)該是根據(jù)其申請時點的圖譜狀態(tài)計算出來的，而不是根據(jù)當前圖譜狀態(tài)去計算，我們舉例來看：

比如3月15日，A客戶和B客戶通過手機號關(guān)聯(lián)起來，形成一個小團簇，而D客戶和E客戶通過設(shè)備關(guān)聯(lián)起來，形成另外一個團簇，兩個團簇之間并沒有任何關(guān)聯(lián)。此時，如果我們要計算客戶A在申請時刻所在團簇的客戶數(shù)，我們只需要以客戶A為起點，執(zhí)行社區(qū)發(fā)現(xiàn)算法，找到所有與A關(guān)聯(lián)的客戶，再剔除這些關(guān)聯(lián)客戶中申請時間在A之后的客戶即可，這時候很容易計算出A在申請時刻所在團簇的客戶數(shù)為1（不含自身）。

但當?shù)搅?月16號，另外一個新申請客戶C的出現(xiàn)將之前兩個不相關(guān)的團簇聯(lián)系起來了，讓A、B、C、D、E客戶聚集成了一個大團簇。此時，我們再想要回溯客戶A在申請時刻所在團簇的客戶數(shù)，那簡單應(yīng)用上述方法就有問題了：首先從A出發(fā)執(zhí)行社區(qū)發(fā)現(xiàn)算法找打所有關(guān)聯(lián)客戶B、C、D、E，再剔除申請時間在A之后的客戶C，得到變量值變?yōu)榱?。明顯這個方法得到的變量值3是錯誤的，因為在A申請時，他和客戶D、E之間還沒有聯(lián)系。所以想要精準回溯客戶A申請時刻的圖譜狀態(tài)及變量值，理論上需要從客戶A出發(fā)，逐層掃描，掃描到申請時間在A之前客戶，才繼續(xù)向下一層掃描，掃描到申請時間在A之后的客戶則需要切斷該客戶往外延伸的所有支路，依此方法窮盡找到所有關(guān)聯(lián)節(jié)點，才能保證回溯的準確性，但這在技術(shù)實現(xiàn)上就要難一些。

另外一個難點是逾期狀態(tài)的回溯，假如我們想要計算客戶C申請時“所在團簇逾期30+人數(shù)占比”這樣的變量，就需要對客戶A、B、D、E在客戶C申請前一天的逾期狀態(tài)進行回滾，然后判斷是否逾期30+。當然，如果我們有每個用款客戶每日的逾期狀態(tài)切片數(shù)據(jù)，那這個問題就可以解決，就是稍微麻煩些。

3、知識圖譜防范團伙欺詐的及時性問題

雖然說知識圖譜是防范團伙欺詐的一個利器，但也做不到將團伙欺詐消滅在搖籃里。比如假設(shè)我們分析找到一個非常有效的規(guī)則策略：團簇在5小時內(nèi)成長到4人以上，則欺詐的概率超過50%，即便我們在風(fēng)控中實時應(yīng)用了這條策略，也不能將欺詐團伙中的前3個來申請的人防控下來，因為前3個客戶來申請時還不足以觸發(fā)這條策略。所以，知識圖譜也具有普遍的局限性，需要和其它數(shù)字化風(fēng)控產(chǎn)品相配合，形成一個完整、良性的風(fēng)控閉環(huán)，才能盡量將風(fēng)控反欺詐做到盡善盡美。