編者按：本文轉(zhuǎn)載自氪信公眾號(hào)（ID：CreditX_CN），雷鋒網(wǎng)已獲授權(quán)。

關(guān)于Expander工作原理部分節(jié)選自Google Research，作者為Sujith Ravi。

近來(lái)，Google Research的Expander團(tuán)隊(duì)發(fā)布了大規(guī)模、基于圖的機(jī)器學(xué)習(xí)平臺(tái)，而這項(xiàng)技術(shù)正是我們?nèi)粘Ｉ钪惺褂玫氖占涮嵝?、Allo智能信息回復(fù)、Google Photos圖像識(shí)別等功能背后的強(qiáng)大支撐之一。

事實(shí)上，基于圖的機(jī)器學(xué)習(xí)技術(shù)不僅被廣泛應(yīng)用于圖像、自然語(yǔ)言處理、知識(shí)圖譜、網(wǎng)絡(luò)安全等領(lǐng)域，在金融反欺詐環(huán)節(jié)中它也被證明極為有效可靠。尤其在當(dāng)前普惠金融的市場(chǎng)環(huán)境下，線上欺詐風(fēng)險(xiǎn)變化非常頻繁，以往單一的個(gè)體欺詐已迅速演變成有組織、有規(guī)模的團(tuán)體欺詐和相應(yīng)的關(guān)聯(lián)風(fēng)險(xiǎn)。而傳統(tǒng)的反欺詐手段包括身份驗(yàn)證、客戶(hù)信息邏輯校驗(yàn)、外部信息的對(duì)比校驗(yàn)、黑名單過(guò)濾等方式主要還是在識(shí)別個(gè)人風(fēng)險(xiǎn)，無(wú)法根據(jù)千絲萬(wàn)縷的關(guān)系挖掘潛在的群體欺詐，這就需要基于網(wǎng)絡(luò)的全局風(fēng)險(xiǎn)識(shí)別能力來(lái)覆蓋風(fēng)險(xiǎn)漏洞。除了利用復(fù)雜網(wǎng)絡(luò)來(lái)識(shí)別群體欺詐風(fēng)險(xiǎn)外，基于圖的半監(jiān)督算法也可應(yīng)用于預(yù)測(cè)“好”、“壞”人的分類(lèi)模型，即在有少量標(biāo)簽節(jié)點(diǎn)的圖結(jié)構(gòu)中，根據(jù)傳播算法，預(yù)測(cè)無(wú)標(biāo)記節(jié)點(diǎn)的標(biāo)簽類(lèi)別。

那么基于圖的半監(jiān)督算法到底是什么呢？它具體是如何工作的？又與我們金融反欺詐識(shí)別有什么聯(lián)系和作用？下面小氪就為大家科普一下：

Graph Learning是什么？

目前機(jī)器學(xué)習(xí)、深度學(xué)習(xí)領(lǐng)域的許多成就都應(yīng)歸功于具有極高預(yù)測(cè)能力的“監(jiān)督學(xué)習(xí)”模型，這是一種需要在大規(guī)模有標(biāo)簽的樣本上進(jìn)行訓(xùn)練（也就是監(jiān)督）的模型。然而，任務(wù)越困難，高質(zhì)量的標(biāo)簽數(shù)據(jù)也就越不充分，收集標(biāo)簽數(shù)據(jù)所花費(fèi)的精力和時(shí)間往往讓人望而卻步。

Expander團(tuán)隊(duì)受人類(lèi)如何在已有知識(shí)（有標(biāo)簽數(shù)據(jù)）和全新未知結(jié)果（無(wú)標(biāo)簽數(shù)據(jù)）之間搭建學(xué)習(xí)橋梁的啟發(fā)，使用被稱(chēng)為“半監(jiān)督”學(xué)習(xí)的方法，能使系統(tǒng)在稀疏數(shù)據(jù)集上訓(xùn)練。而基于圖的半監(jiān)督學(xué)習(xí)方法則不僅能夠同時(shí)吸收有標(biāo)簽和無(wú)標(biāo)簽數(shù)據(jù)，還能很簡(jiǎn)單的將它們?nèi)诤铣蓡我坏膱D，系統(tǒng)可以一次性學(xué)習(xí)。這與神經(jīng)網(wǎng)絡(luò)先在有標(biāo)簽數(shù)據(jù)上訓(xùn)練，再應(yīng)用于無(wú)標(biāo)簽數(shù)據(jù)是截然不同的，具體可以結(jié)合下面工作的原理進(jìn)行理解。

在Expander中如何來(lái)構(gòu)建一個(gè)圖呢？

基于圖的半監(jiān)督算法最核心的就是構(gòu)建圖本身。那么如何構(gòu)建一個(gè)圖呢？需要定義節(jié)點(diǎn)、邊、以及邊的權(quán)重（邊的權(quán)重即為節(jié)點(diǎn)的相似度）。比如在自然語(yǔ)言處理中，以情感分析為例，每個(gè)節(jié)點(diǎn)代表一段文本信息，而那些邊就是文本情感的相似度。

具體技術(shù)就是，首先利用深度學(xué)習(xí)在大規(guī)模語(yǔ)料庫(kù)上使用無(wú)監(jiān)督算法學(xué)習(xí)單詞及詞匯的情感向量表征模型，計(jì)算每個(gè)節(jié)點(diǎn)的向量表征；然后，計(jì)算節(jié)點(diǎn)與節(jié)點(diǎn)之間向量的相似度（譬如，向量的余弦距離），如果向量相似度超過(guò)一定值，那么認(rèn)為這兩個(gè)節(jié)點(diǎn)所代表的文本情感相近，就在這兩個(gè)節(jié)點(diǎn)之間加上一條邊，邊的權(quán)重即為兩個(gè)節(jié)點(diǎn)情感向量的相似度。在構(gòu)建的圖中，部分結(jié)點(diǎn)是有情感標(biāo)簽的，稱(chēng)之為“種子”結(jié)點(diǎn)。那么如何通過(guò)“傳播算法”把“種子”結(jié)點(diǎn)的標(biāo)簽傳播給無(wú)標(biāo)簽的結(jié)點(diǎn)呢？

它具體是如何工作的？

在其核心，Expander平臺(tái)首先結(jié)合半監(jiān)督學(xué)習(xí)和大規(guī)?；趫D的學(xué)習(xí)構(gòu)建了一個(gè)多圖數(shù)據(jù)表征。舉例如圖中所示，有兩種類(lèi)型的節(jié)點(diǎn)：灰色代表無(wú)標(biāo)簽數(shù)據(jù)，彩色代表有標(biāo)簽數(shù)據(jù)。節(jié)點(diǎn)之間的關(guān)系通過(guò)邊表示，而連接的強(qiáng)弱則由邊的粗細(xì)表示?，F(xiàn)在我們明確半監(jiān)督學(xué)習(xí)的目標(biāo)：預(yù)測(cè)圖中每一個(gè)節(jié)點(diǎn)的顏色。

其次Expander圖學(xué)習(xí)框架把這一任務(wù)當(dāng)成優(yōu)化問(wèn)題來(lái)解決。在最簡(jiǎn)單的層面，它先學(xué)習(xí)圖中每一個(gè)節(jié)點(diǎn)的顏色標(biāo)簽，再根據(jù)連接的強(qiáng)弱分配給相鄰節(jié)點(diǎn)相似的顏色。一個(gè)幼稚的方式是嘗試一次性學(xué)完所有節(jié)點(diǎn)的顏色標(biāo)簽分配，但這不能擴(kuò)展到大型的圖上。因此，更好的解決方式是：把有標(biāo)簽節(jié)點(diǎn)的顏色傳播給相鄰節(jié)點(diǎn)，再重復(fù)這個(gè)過(guò)程。如圖中所示，在每一步，通過(guò)觀察相鄰節(jié)點(diǎn)的顏色分配，一個(gè)無(wú)標(biāo)簽節(jié)點(diǎn)可以被分配一個(gè)標(biāo)簽。通過(guò)這種方式我們可以升級(jí)每一個(gè)節(jié)點(diǎn)的標(biāo)簽，重復(fù)操作，直到整個(gè)圖都是彩色的，而這一過(guò)程在優(yōu)化相似的難題上被證明也是極其有效的。

如何把基于圖的半監(jiān)督學(xué)習(xí)應(yīng)用在金融場(chǎng)景中呢？

氪信網(wǎng)絡(luò)反欺詐服務(wù)界面示例

類(lèi)比上文中的Graph Learning，在金融場(chǎng)景中，其實(shí)每一個(gè)申請(qǐng)人、手機(jī)號(hào)、設(shè)備、IP地址都是圖中的結(jié)點(diǎn)，而諸如申請(qǐng)人擁有設(shè)備、手機(jī)號(hào)呼叫手機(jī)號(hào)等有向聯(lián)系就是圖中的邊，邊的權(quán)重為關(guān)聯(lián)的緊密程度。在我們構(gòu)建的圖中，那些有違約與否標(biāo)記的申請(qǐng)人是原始種子結(jié)點(diǎn)，通過(guò)使用基于圖的半監(jiān)督算法，把是否違約的標(biāo)記傳播給無(wú)標(biāo)簽的申請(qǐng)人，這樣我們就可以在少量有標(biāo)簽的樣本上構(gòu)建出極為龐大的風(fēng)險(xiǎn)網(wǎng)絡(luò)，最終打造形成我們有效可靠的違約預(yù)測(cè)模型。

氪信已經(jīng)和多家大型金融機(jī)構(gòu)合作深入探索基于圖的半監(jiān)督算法在金融風(fēng)控領(lǐng)域的成熟應(yīng)用，如上圖所示，第一張為簡(jiǎn)化的風(fēng)險(xiǎn)關(guān)系網(wǎng)絡(luò)， 淺綠、黃色、紅色節(jié)點(diǎn)分別代表1（低分險(xiǎn)）、2（中風(fēng)險(xiǎn)）、3（高風(fēng)險(xiǎn)）；第二張為全局的風(fēng)險(xiǎn)關(guān)系網(wǎng)絡(luò)，擴(kuò)展的灰色節(jié)點(diǎn)代表0（無(wú)風(fēng)險(xiǎn)）。對(duì)于每一個(gè)申請(qǐng)人、手機(jī)號(hào)等，都可以基于圖數(shù)據(jù)庫(kù)的網(wǎng)絡(luò)反欺詐服務(wù)，給出相應(yīng)的群體風(fēng)險(xiǎn)欺詐等級(jí)及詳細(xì)的風(fēng)險(xiǎn)描述。

目前氪信正通過(guò)先進(jìn)的ID Mapping和模糊匹配等技術(shù)，幫助金融客戶(hù)構(gòu)建個(gè)人或企業(yè)復(fù)雜關(guān)系網(wǎng)絡(luò)，XCloud風(fēng)險(xiǎn)云也推出基于SNA社交網(wǎng)絡(luò)分析的團(tuán)體欺詐和關(guān)聯(lián)風(fēng)險(xiǎn)強(qiáng)甄別服務(wù)，為客戶(hù)完成從個(gè)體風(fēng)險(xiǎn)到網(wǎng)絡(luò)全局風(fēng)險(xiǎn)的識(shí)別能力升級(jí)。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。