基于關聯(lián)圖譜的銀行大數(shù)據(jù)風控體系構(gòu)建研究

張素子

（興業(yè)消費金融股份公司，上海 200120）

大數(shù)據(jù)風控模型近幾年在信貸業(yè)務中被廣泛應用。傳統(tǒng)的風控模型基本是對借款人個人情況的評估，而較少去評價不同申請人之間的關聯(lián)關系。而信貸業(yè)務中的欺詐團伙經(jīng)常體現(xiàn)出較強的關聯(lián)關系，并伴隨著較強的偽裝手段，使得無法通過簡單的一度關系識別不同客戶是否來自同一群體。關聯(lián)圖譜是一種非常適合信貸業(yè)務反欺詐領域的方法，其識別欺詐客戶的效果較優(yōu)，同時又具有技術上的可行性。

1 研究內(nèi)容

本文基于關聯(lián)圖譜的理論和技術，根據(jù)信貸業(yè)務的數(shù)據(jù)特征和業(yè)務要求，研究其在信貸業(yè)務大數(shù)據(jù)風控領域中的實際落地應用方案，包括關聯(lián)圖譜的實體與關系抽取、圖譜構(gòu)建、數(shù)據(jù)存儲等技術，以及基于關聯(lián)圖譜構(gòu)建大數(shù)據(jù)風控提示的具體實踐。

2 關聯(lián)圖譜的理論基礎及關鍵技術

2.1 關聯(lián)圖譜理論

關聯(lián)圖譜的本質(zhì)是語義網(wǎng)絡的一種，是一種基于圖的數(shù)據(jù)結(jié)構(gòu)。關聯(lián)圖譜一般由實體- 關系- 實體的三元組構(gòu)成，這種三元組可以將互相獨立的貸款申請之間關聯(lián)起來，形成復雜而連通的網(wǎng)絡。

圖1 即是關聯(lián)圖譜的一個示例，申請人1、申請人2、申請人4 與公司1 是工作關系，申請人1 和申請人3 是配偶關系。雖然申請人2 和申請人3 并無直接的關聯(lián)關系，但是通過關聯(lián)圖譜可以將兩人聯(lián)系起來。后續(xù)可以通過機器學習的算法識別兩人是否屬于同一群體。

圖1 關聯(lián)圖譜示例

2.2 關鍵技術

2.2.1 實體抽取技術

關聯(lián)圖譜中的實體可以被定義為任何事物。在信貸業(yè)務中，一般可以認為實體是人、設備、IP 地址、公司、地址等，而關系包括從屬關系、聯(lián)系人關系。由于信貸業(yè)務中的實體都較為明確，例如身份號、手機號均可以唯一地識別實體，故信貸業(yè)務中實體抽取較為簡單，可以采用常用的結(jié)構(gòu)化數(shù)據(jù)來提取和標識實體。在實際應用中，選擇身份證號、手機號、地址、公司名來構(gòu)建關聯(lián)圖譜。

值得注意的是在實際應用中，諸如地址、公司名這樣的實體存在數(shù)據(jù)標準化的問題。數(shù)據(jù)標準化問題主要來源于客戶填寫時的方式千奇百怪，如新疆省和新疆維吾爾族自治區(qū)實際是同一省份。數(shù)據(jù)標準化的問題主要采用基于N-gram 和基于HMM的分詞方法對原始數(shù)據(jù)進行分詞后與已有的行政地址劃分庫和公司庫進行比對，可將非標準化的地址和公司映射至標準化的地址和公司名。

對于已知的詞匯，假設隨機變量S 是一個文字序列，隨機變量W 是S 可能的切分路徑。分詞實際上就是求解使條件概率P（W|S）最大的切分路徑W*，即

由于對W 來說S 為已知序列，故P(S|W)為1，P(S)為常數(shù)，因此只需要求解P(W)。P(W)使用N-gram 語言模型建模，假設一個詞出現(xiàn)的概率，只與其前n-1 個詞相關。常用的Bi-gram 取n=2，即一個詞出現(xiàn)的概率只與其前一個詞相關：

可以用全切分有向無環(huán)圖（DAG）來畫出簡單句子的所有區(qū)分，并尋找出一條概率最大的路徑。

對于未知的詞匯，使用HMM (隱馬爾克夫模型) 模型，用Viterbi 算法找出最可能出現(xiàn)的隱狀態(tài)序列。

2.2.2 關系抽取技術

信貸業(yè)務中實體之間的關系也較為明確，如聯(lián)系人之間的關系可以是配偶、朋友、親戚等，對于此類關系，可以直接進行提取。

實際應用中，對于地址、公司的關系提取存在一定的集中性問題。如較多客戶填寫同一個工作單位，就不能簡單地把其處理為同事關系，一是因為客戶之間的關系較弱，他們本身認識或者成為同一群體的概率較小；二是圖譜中如有少數(shù)實體有較多關系相連，則群體發(fā)現(xiàn)算法會在這樣的大實體上集中，而忽視小實體之間關聯(lián)關系。信貸反欺詐中實際更關注小實體之間的關聯(lián)關系。故抽取關系的時候必須對集中性關系進行處理。

針對集中性問題，可以結(jié)合實際情況采用刪除和降低權(quán)重處理。

2.2.3 圖譜構(gòu)建技術

在抽取完實體與關系后，可以將所有信息放入連通圖。此時需要使用機器學習模型去將實體切割成不同的子群體，觀察群體內(nèi)部有無明顯的欺詐行為。切分群體的方法主要包括標簽傳播算法、Louvain 算法。

標簽傳播算法為基于圖的半監(jiān)督學習算法，基本思路是從已標記的節(jié)點的標簽信息來預測未標記節(jié)點標簽的信息，經(jīng)過多次迭代使整張圖達到穩(wěn)定，建立完全圖模型。

Louvain 算法是基于模塊度來衡量一個社群的劃分是不是相對比較好的結(jié)果，最終以最大化模塊度為目標，得出最優(yōu)的群體劃分方法。

2.2.4 數(shù)據(jù)存儲技術

關聯(lián)圖譜可以使用傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)庫來存儲數(shù)據(jù)，也可以選擇圖數(shù)據(jù)庫。傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)可以采用實體- 關系- 實體的結(jié)構(gòu)來存儲數(shù)據(jù)，可以將其拼接后進行指標計算，最后對每一個實體進行標注。結(jié)構(gòu)化數(shù)據(jù)的優(yōu)勢是邏輯清晰，編碼簡單，劣勢是計算速度較慢。

為了實現(xiàn)社群發(fā)現(xiàn)算法，解決計算量大、計算復雜的問題，采用了Spark 技術。Spark 技術是基于內(nèi)存計算的大數(shù)據(jù)并行計算框架，其速度顯著快于需要大量I/O 和CPU 計算的Hadoop的Mapreduce。本項目采用了Spark 的GraphX 組件進行圖數(shù)據(jù)處理和圖運算；采用了Spark Mlib 庫可以加速機器學習模型的運算速度。

同時，為了在建立網(wǎng)絡后分析所發(fā)現(xiàn)群體關聯(lián)情況和欺詐情況，采用了Neo4j 圖數(shù)據(jù)庫做可視化，使用聲明式圖形查詢語言Cypher，它允許用戶不必編寫圖形結(jié)構(gòu)的遍歷代碼，就可以對圖形數(shù)據(jù)進行高效的查詢。

3 基于關聯(lián)圖譜構(gòu)建大數(shù)據(jù)風控體系

3.1 大數(shù)據(jù)風控應用體系搭建

3.1.1 風控平臺搭建

大數(shù)據(jù)風控平臺是一個應用數(shù)據(jù)挖掘、機器學習等算法實現(xiàn)信貸審批、風險管控的集成式系統(tǒng)工具，它由多系統(tǒng)模塊聯(lián)合交互構(gòu)成，核心組成包括信貸審批系統(tǒng)、決策引擎、模型平臺、實驗平臺以及監(jiān)控平臺。

信貸審批系統(tǒng):主要實現(xiàn)三大功能，業(yè)務調(diào)度、流程引擎及審批工作臺。業(yè)務調(diào)度功能實現(xiàn)前端業(yè)務的接入，執(zhí)行不同業(yè)務對應的風控流程，并且對執(zhí)行過程匯總的異常進行監(jiān)控和處理；流程引擎則可實現(xiàn)具體信貸流程的配置管理，例如全自動審批還是人工審批與機器審批相結(jié)合；審批工作臺則是提供給信貸審批人員的操作界面，提供信息展示與審批結(jié)果記錄的功能。

決策引擎:自動化審批測略的部署平臺，承載的是風控業(yè)務的專家知識，基于客戶特征和模型的輸出，對客戶進行分層、風險判斷以及風險定價等操作。

模型平臺:模型實時部署運行平臺，關聯(lián)圖譜的應用均在模型平臺中完成，它可以在實時審批中整合信貸申請信息，提取關鍵特征，完成關聯(lián)圖譜與機器學習模型的結(jié)果預測，是整個在線風控平臺的一大核心。

實驗平臺:可實現(xiàn)離線策略仿真測算、模型搭建的功能。基于Hbase 數(shù)據(jù)庫的大量離線數(shù)據(jù)及算法服務器，進行風控模型挖掘、驗證、策略測算。

監(jiān)控平臺:分為實時運營監(jiān)控及離線定時監(jiān)控兩部分。實時運營監(jiān)控可計算當日實時業(yè)務審批情況，包括進件量、審批結(jié)果、異常申請件情況等，可進行實時的異常情況預警；離線監(jiān)控可按設計，定時生成按日、按周、按月的監(jiān)控報表，監(jiān)控報表基于Tableau 的報表平臺服務框架，底層數(shù)據(jù)管理采用Hive 數(shù)據(jù)倉庫工具。

3.1.2 關聯(lián)圖譜模型挖掘

構(gòu)建關聯(lián)圖譜時，首先需要確定關系有哪些，關系的選取主要根據(jù)專家經(jīng)驗，確定哪些關系可以表現(xiàn)出申請人在行為上的趨同性，同時這些行為上的趨同性對于信貸風險有一定影響，選擇的關系主要包括公司、地址、聯(lián)系人、手機號歸屬地等。確定關系后，將申請人與申請人之間通過不同的關系相連接形成網(wǎng)絡，若采用相同特征構(gòu)建關聯(lián)網(wǎng)絡則稱為同構(gòu)網(wǎng)絡，若采用不同的關聯(lián)特征構(gòu)建網(wǎng)絡則稱為異構(gòu)網(wǎng)絡。

構(gòu)建完網(wǎng)絡后，選擇可以將其中的節(jié)點劃分為社群的算法，社群發(fā)現(xiàn)的相關算法各有優(yōu)劣，需根據(jù)建模需求、樣本情況、開發(fā)時限等因素綜合判斷后選擇。

通過社群發(fā)現(xiàn)算法可將具有關聯(lián)關系的不同申請人標記為同一個群體，隨后需從百萬級的群體中挖掘出欺詐群體。欺詐是一個較為主觀的定義，業(yè)務較為廣泛的定義包括首逾客戶、從未還款客戶、通過人工欺詐調(diào)查得出的欺詐客戶等，定義完欺詐客戶后，需借由欺詐客戶挖掘出欺詐群體，欺詐群體的定義也沒有唯一標準，一般會要求群體中欺詐客戶的樣本點不低于N 人（N＞=2）且群體的欺詐率為整體均值的M 倍以上（M＞=2）。至此，就完成了基于關聯(lián)圖譜的欺詐團伙發(fā)現(xiàn)模型，后續(xù)可進一步應用圖數(shù)據(jù)庫，可視化欺詐團伙，進一步進行分析及模型優(yōu)化。

3.1.3 關聯(lián)圖譜應用場景實踐

根據(jù)3.1.2 的關聯(lián)圖譜模型的挖掘方法，項目組采用異構(gòu)網(wǎng)絡構(gòu)建關聯(lián)圖譜，應用標簽傳播的社群發(fā)現(xiàn)算法進行群體識別，成功發(fā)現(xiàn)1,179 個3 人及以上的高風險欺詐團伙，欺詐率為均值的4-5 倍。

3.2 落地實施方案

3.2.1 系統(tǒng)架構(gòu)

審批系統(tǒng)作為線上實時審批的流程管控系統(tǒng)，串聯(lián)起決策引擎、模型平臺及人工審批平臺；離線實驗平臺則是模型挖掘、規(guī)則分析的主要平臺，復雜的算法模型策略在實驗平臺開發(fā)、驗證，隨后部署至模型平臺或決策引擎平臺；監(jiān)控平臺擔實時業(yè)務、報表統(tǒng)計的功能。主體系統(tǒng)架構(gòu)可詳見圖2。

圖2 風控平臺架構(gòu)

3.2.2 系統(tǒng)關鍵技術特點

整體風控平臺有三大關鍵技術特點。

一是能夠應對大量數(shù)據(jù)處理，實驗平臺采用了Spark 技術，Spark 技術是基于內(nèi)存計算的大數(shù)據(jù)并行計算框架，其速度顯著快于需要大量I/O 的CPU 計算的Hadoop 的Mapreduce，同時配置GPU 算法服務器，進一步加快計算效率。關聯(lián)圖譜的運算采用了Spark 的GraphX 組件進行圖數(shù)據(jù)處理和圖運算；采用了Spark Mlib 庫可以加速機器學習模型的計算速度。

二是能夠?qū)δＰ筒呗赃M行靈活高效的迭代，決策引擎平臺及模型平臺可以支持策略規(guī)則的高效更新上線。決策引擎為可視化操作，支持判斷邏輯的多種組合，流程鏈路的個性化配置，可優(yōu)化策略部署速度；模型平臺可支持更復雜的模型計算，彌補決策引擎的短板。

三是離線及在線系統(tǒng)的交互，可以支持風控策略的對抗升級。信貸申請的攻擊者會不停地進行內(nèi)部規(guī)則的猜測，原本有效的在線策略會隨著這些攻擊出現(xiàn)有效性下降的問題。在線系統(tǒng)可以及時發(fā)現(xiàn)實時的異常情況，反饋業(yè)務人員排查風險；離線數(shù)據(jù)雖然有滯后性，但可以支持大批量的數(shù)據(jù)運算，挖掘出在線系統(tǒng)無法捕捉的異常攻擊，反哺在線策略。

4 研究成果的創(chuàng)新價值及影響

傳統(tǒng)的機器學習模型更關注申請人自身的信貸風險。但在信貸業(yè)務中，人和人之間并不是獨立的，往往存在一定的集中性風險。欺詐中有較大比例的模式為團伙欺詐，需要能夠?qū)⒉煌悇e的特征整合起來，提取它們之間關聯(lián)特征與團伙特征，以識別不同申請人之間的關聯(lián)風險。關聯(lián)圖譜（復雜網(wǎng)絡）是解決上述問題的一種常用且有效的方法。充分發(fā)揮其直觀化、效率化的圖技術優(yōu)勢，在反欺詐方面成效顯著。

本項目的研究成果一是彌補了個體反欺詐的局限性，解決識別個體正常但屬于欺詐團伙的反欺詐防范痛點；二是可以充分整合個體反欺詐模型較難運用的弱特征變量，如手機號歸屬地、居住地等，將多源異構(gòu)的數(shù)據(jù)整合成機器可以理解的知識，將單點信息轉(zhuǎn)化為平面的相互關聯(lián)的圖譜；三是大幅提升了欺詐調(diào)查的效率，傳統(tǒng)的關系型數(shù)據(jù)庫，需要技術人員執(zhí)行一系列的復雜連接才能將關聯(lián)信息提取出來，圖數(shù)據(jù)庫在這方面具有天然的優(yōu)勢，可將欺詐團伙的網(wǎng)絡直接展現(xiàn)。

5 總結(jié)與展望

關聯(lián)圖譜在風控領域的應用是一個復雜的問題，對數(shù)據(jù)來源、系統(tǒng)性能、應用方案有著較高的要求。本文對關聯(lián)圖譜在銀行大數(shù)據(jù)風控體系內(nèi)的應用進行初探，模型效果經(jīng)測算在歷史樣本上效果較好。基于具有可行性的落地方案，成功上線，搭建起基于關聯(lián)圖譜的大數(shù)據(jù)風控體系，完成初版關聯(lián)圖譜模型上線。并持續(xù)運行穩(wěn)健，識別欺詐團伙逾期率約為正常客戶的5倍。當然，本文在這一領域的研究還有很大的上升空間，未來將持續(xù)對算法效果、運行效率進行研究與改進。