（本文數據為虛構，僅供實驗）

一、背景

本文將針對阿里云平臺上圖算法模塊來進行實驗。圖算法一般被用來解決關系網狀的業務場景。與常規的結構化數據不同，圖算法需要把數據整理成首尾相連的關系圖譜。圖算法更多的是考慮邊和點的概念。阿里云機器學習平臺上提供了豐富的圖算法組件，包括K-Core、最大聯通子圖、標簽傳播聚類等。
本文的業務場景如下：
下圖是已知的一份人物通聯關系圖，每兩個人之間的連線表示兩人有一定關系，可以是同事關系或者親人關系等。已知“Enoch”是信用用戶，”Evan”是欺詐用戶，計算出其它人的信用指數。通過圖算法，可以算出圖中每個人是欺詐用戶的概率，這個數據可以方便相關機構做風控。

二、數據集介紹

數據源：本文數據為自己生成，用于實驗。
具體字段如下：

字段名含義類型描述

start_point	邊的起始節點	string	人
end_point	邊結束節點	string	人
count	關系緊密度	double	數值越大，兩人的關系越緊密

數據截圖：

三、數據探索流程

首先，實驗流程圖：

1.最大聯通子圖

最大聯通子圖的功能很好理解，前面已經介紹了，圖算法的輸入數據是關系圖譜結構的。最大聯通子圖可以找到有通聯關系的最大集合，在團伙發現的場景中可以排除掉一些與風控場景無關的人。本次實驗通過“最大聯通子圖”組件將數據中的群體分為兩部分，并賦予group_id。通過“SQL腳本”組件和“JOIN”組件去除下圖中的無關聯人員。

2.單源最短路徑

通過“單源最短路徑”組件探查出每個人的一度人脈、二度人脈關系等。distance講的是“Enoch”通過幾個人可以聯絡到目標人。
如下圖：

3.標簽傳播分類

“標簽傳播分類”算法為半監督的分類算法，原理是用已標記節點的標簽信息去預測未標記節點的標簽信息。在算法執行過程中，每個節點的標簽按相似度傳播給相鄰節點。
調用“標簽傳播分類”組件除了要有所有人員的通聯圖數據以外，還要有人員打標數據。這里通過“已知數據-讀odps”組件導入打標數據(weight表示目標是欺詐用戶的概率)：

通過SQL對結果進行篩選，最終結果展現的是每個人涉嫌欺詐的概率，數值越大表示是欺詐用戶的概率越大。

四、其它

參與討論：云棲社區公眾號

免費體驗：阿里云數加機器學習平臺

總結

以上是生活随笔為你收集整理的【机器学习PAI实践四】如何实现金融风控的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。