基于图算法实现金融风控

本文为您介绍如何基于图算法，实现金融风控。

背景信息

图算法通常适用于关系网状的业务场景。与常规结构化数据不同，图算法将数据整理为首尾相连的关系图谱，需要考虑边和点。PAI提供了丰富的图算法组件，包括K-Core、最大联通子图及标签传播聚类等。

本实验以人物通联关系图（如下图所示）为例，基于图算法实现金融风控。两人之间的连线表示两人具有一定关系，可以是同事或亲人等。已知Enoch为信用用户，Evan为欺诈用户，通过图算法可以计算其它人的信用指数，获得每个人为欺诈用户的概率，从而指导相关机构进行金融风控。任务关系图

本工作流数据集的具体字段如下。

数据的示例如下。示例数据

进入Designer页面。
1. 登录PAI控制台。
2. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应的工作空间。
3. 在工作空间页面的左侧导航栏选择模型开发与训练 > 可视化建模（Designer），进入Designer页面。

构建工作流。

在Designer页面，单击预置模板页签。
在模板列表，单击图算法-金融风控实验下的创建。
在新建工作流对话框，配置参数（可以全部使用默认参数）。
其中：工作流数据存储配置为OSS Bucket路径，用于存储工作流运行中产出的临时数据和模型。
单击确定。
您需要等待大约十秒钟，工作流可以创建成功。
在工作流列表，双击图算法-金融风控实验，进入工作流。

系统根据预置的模板，自动构建工作流，如下图所示。

区域	描述
①	首先通过最大联通子图组件将数据中的群体分为两部分，并赋予group_id。然后通过SQL脚本组件和JOIN组件去除图中的无关联人员。最大联通子图组件可以查找具有通联关系的最大集合，从而排除团队中与风控无关的人，如下图所示。
②	探查每个人的一度人脉及二度人脉等关系。单源最短路径组件的输出结果中，distance表示Enoch通过几个人可以联络到目标人，如下图所示。
③	首先通过读数据表组件导入标签数据（weight表示目标属于欺诈用户的概率，如下图所示）。然后通过标签传播分类组件预测未标记节点的标签信息。最后通过SQL脚本筛选结果，从而展示每个人的涉嫌欺诈概率。标签传播分类算法为半监督的分类算法，其输入包括人物通联图和标签数据，通过已标记节点的标签信息预测未标记节点的标签信息。算法执行过程中，每个节点的标签根据相似度传播给相邻节点。

运行工作流并查看输出结果。
1. 单击画布上方的。
2. 工作流运行结束后，右键单击区域③中的SQL脚本，在快捷菜单，单击查看数据，即可查看每个人的欺诈概率。