实战分享 | 图模型在金融风控中的应用案例

作者:融慧金科发布时间:2021-05-21

近日,由DataFun主办的DataFunSummit“智能风控技术峰会”成功举办。峰会受到了国内外产学研领域的广泛关注,来自京东、腾讯、阿里、美团、PayPal、TigerGraph、平安科技、光大科技等知名企业的40余位专家受邀发表演讲,从风控系统的架构到智能风控的核心算法,再到内容、金融、交易、反作弊等实践场景,同数万名线上观众进行了深入交流与探讨。


在图分析与关系网络论坛上,融慧金科AI Lab负责人张凯博士以“图模型在金融风控的应用”为题,分享了金融科技和图网络的发展趋势,以及融慧金科在图模型领域最新的研究理论和应用实践。

640

金融科技3.0时代,国内金融监管政策日益趋严,朝着自主风控和自营业务方向发展成为持牌金融机构在新的发展趋势下的必由之路。张凯博士指出,在激烈的市场竞争下,线上获客成本不断增加,使得金融机构对于精准获客的需求越来越迫切;同时监管部门曾多次强调要求金融机构加强自主风险管控能力,避免信贷风险带来损失。由此可见,金融科技能力的建设不可或缺。


近年来,知识图谱与神经网络模型在金融科技领域得到广泛应用,为智慧金融信贷业务的科学决策提供了更精准、更可靠的依据。基于多年对图网络的深入研究和应用实践,张凯博士在峰会上特别分享了图网络在金融风控场景中的一些应用案例,包括团伙欺诈、应用程序分类等。

640-1

团伙欺诈识别-中介地点转移


以团伙欺诈为例,我们的策略人员通过关联网络捕捉到一个线下非法贷款中介团伙,并录黑了相关地理位置和WIFI,随后我们进一步分析发现,该团伙进行了地点转移,但因对方使用了同样的WIFI,所以后续多次的授信申请仍被拒绝,有效避免了欺诈损失。


640-2

使用图网络进行应用程序分类


这是社区发现的一个应用案例,我们希望对借贷类应用程序进行社群分析,从而提高应用程序的分类精准度。现在大家的手机中都有很多应用程序,如果要对这些应用程序进行分类,显然人工操作不太可能,因为它们不仅数量多而且每天都会有很多新的应用程序出现,而使用图网络可以对这些应用程序进行自动化检测和分类。


例如在模型设计上,可以通过应用程序共同安装的设备来建立应用程序之间的联系,但需做好数据清洗,比如去除低频风险、抑制Killer APP风险的影响等。在最终的效果验证中,利用图模型自动识别、更新未被人工标记的应用标签后,对比传统的人工标注精准度,准确率从32%提升至89%,效果十分显著。


在张凯博士看来,图神经网络未来在金融科技领域会有良好的发展趋势和应用价值。在大数据和AI技术深度融合的大背景下,如何从千万级别甚至是万亿级别的数据源中挖掘出内在的复杂关系与潜在价值,从而让我们更好地了解客户以及作出更精准的决策,进而助力金融机构提升风险管理能力和客户服务体验,一直是我们着重发力的方向之一。


在我们的关联网络架构中,使用图计算引擎可以帮助我们快速实现海量图数据的存储和计算。“达到一定规模的金融科技服务商,图数据库就是呈现和查询这些关系数据的最好方式,而理解和分析这些图的能力将成为我们最核心的竞争力。”



分享: