AI風控落地：同盾科技複雜網路4.0重磅發布，多項創新加碼團伙欺詐分析

最新 03-08

團伙欺詐的泛濫，給傳統風控方式帶來挑戰。同盾科技複雜網路4.0提供實時可視化關聯分析，通過更深層信息挖掘和推理，提供動態分析和監測。在反欺詐領域，如實時團伙檢測、催收號碼識別等，以及客戶價值挖掘等均有廣泛應用。其中，百億級金融圖資料庫（幾百萬團伙及其成員）、風險傳播演算法及知識表示學習系首次發布。

一、欺詐趨勢：團伙欺詐成頑疾

「窮則變、變則通、通則久」

1.欺詐產業化成新趨勢

近年來，傳統金融機構業務逐漸互聯網化，新金融模式也層出不窮，但金融的本質未變，風控依然是核心。傳統金融風險在互聯網金融領域依然存在。同時，追求速度的互聯網金融也打開了「潘多拉」盒子，「快」意味著效率，也意味著缺陷和額外的風險，事實證明，隨著互聯網金融的普及，金融欺詐也隨之普及，並大有西風壓倒東風之勢，讓從業者聞「欺詐」色變。

「苟富貴，勿相忘」和「逐利性」，讓一部分先「富」起來的人，帶動其他人共同「致富」，並逐漸形成了有組織、有紀律和分工明確的欺詐上下游產業鏈，如專業的技術開發產業、身份信用包裝和虛假身份提供產業、業務漏洞發現和欺詐方法傳授產業。據不完全統計，僅2017年，中國的網路欺詐導致的損失近5000億元。「誰割肉，誰痛苦，誰改變」，因此，金融機構團伙反欺詐的需求強烈而迫切，自是不言而喻的。

2.團伙欺詐案例

如下選取三個真實的團伙欺詐案例，相關企業及人名已作模糊化處理。

*案例一：銀行信用卡養卡套現

「某團伙在某村莊以招工的名義大量收取村民的身份證，並申請信用卡，然後刷卡透支，讓村民背負銀行債務。此時，銀行按照過往經驗便會判定該村地址為欺詐地址，使該村村民抹上信用污點。」風控難點：銀行卡套現風險。

*案例二：汽車金融「零首付」中間團伙騙貸

「某團伙打出『零首付購車』廣告，墊付首付款和代辦貸款，購車人不花錢即可拿到車。於是，購車人購買價值25萬的本田，團伙墊付10萬的首付款後，要求先將車開走用於抵押辦理高額度信用卡，再從信用卡中取走墊付的首付款。當把車開走後便杳無音信，購車人不僅未拿到車，每月得還6000多元的銀行貸款。」風控難點：中間人團伙騙貸已成為汽車金融風險最高的風險類型。

*案例三：娛樂直播羊毛黨薅羊毛

「某團伙利用某直播平台業務拓展需要，利用大量的新用戶身份信息註冊、登錄平台領取紅包，成功薅羊毛數百萬」。風控難點：快速識別註冊、登錄或營銷場景下，註冊手機號或設備風險。

其他如信貸行業、第三方支付、電商、保險等領域的團伙欺詐也猶如雨後春筍般層出疊見，本文不再一一詳述。

3.團伙欺詐識別的難點&挑戰點

商場如戰場，金融領域競爭激烈，若比競爭對手審核快1s或風控正確率多1%，則市場份額會發生根本改變。「知彼知己」是制勝良策，同盾科技作為智能風控服務商，在分析大量真實團伙欺詐案例基礎上，化繁為簡、歸納總結出團伙欺詐的特點、共性和作案手段，如技術更新快、組織基本穩定、關聯關係強，以及為節省成本，通常會重複利用信息、設備和賬號等（如圖1所示），最終「撥開雲霧見月明」，揪出「狐狸尾巴」。

圖1：團伙欺詐的特點

團伙欺詐導致風控難度急劇上升，基於線性模型的傳統風控，未評估關聯關係對風險的影響。「窮則思變」，單純依靠「增加產品審核流程、全方位的人工調查比對」導致成本居高不下且往往事倍功半，行業迫切需要更多數據源、自動化團伙分析和決策模型。但數據和技術的高門檻讓人望而卻步，非一朝一夕所能解決。

正所謂「當此困頓之局，唯破局者可立」，同盾科技基於」智能誠信網路」理念、技術的持續創新以及新場景的戰略部署，在數據、技術、場景和計算能力方面積累了豐富的實戰經驗，早在2015年即部署複雜網路技術應對團伙欺詐挑戰，經過3年調優，已迭代至複雜網路4.0。

二、破局：同盾科技複雜網路的創新性應用

「工欲善其事，必先利其器」

【知識儲備：人類最擅長的思維方式是將點和線關聯，並由點及面、抽絲剝繭，逐步理清邏其中的輯推理關係。世間萬物是錯綜複雜的關係網，但無論形式多麼複雜，其本質都是簡單的三元組，即：實體-關係-實體。】

1.複雜網路產品

（1）複雜網路定義

從概念評述：複雜網路能針對複雜對象的關聯關係進行非線性建模，由節點（實體）和節點之間錯綜複雜的關係（實體之間關係）構成拓撲網路，當異常關係聚集出現時，即可識別欺詐行為。拓展了風險識別的邊界和維度，解決了金融場景數據量大、數據複雜和數據不完整的基本問題，幫助金融機構減少風險，降低風控成本，提高決策效率。

從產品評述：複雜網路是同盾科技核心產品和技術之一，融合同盾大數據和外部數據，提供實時可視化關聯分析，將規則、關係及變數通過關係網路表現，通過更深層信息挖掘和推理，提供動態分析和監測。在反欺詐領域，如實時團伙檢測、催收號碼識別等，以及客戶價值挖掘等均有廣泛應用

（2）複雜網路技術原理

「打鐵還需自身硬」，數據和技術是關鍵。同盾科技打通跨行業數據及外部數據，結合文本、圖片等非結構化數據抽取技術，完成結構化與非結構化信息融合，將時空大數據編織成「實體-關係-實體」的拓撲關係網，當輸入「種子數據/線索」，則由點及面、抽絲剝繭，最終順藤摸瓜找到與之有關聯的所有信息，並通過圖計算、知識表示和機器學習等技術進行黑中介團伙等的智能化挖掘分析。

圖2：同盾科技複雜網技術原理

「知易行難」，同盾科技在複雜網路和知識圖譜領域做了深入探索，在關係網路分析中融合組合、數值和統計思維，積累了一些經驗和技巧。在可擴展性演算法方面：如局部網路推理、高斯-馬爾可夫隨機場中取樣、稀疏化、圖分割、拉普拉斯範式等。數據可視化方面：使用模擬力學模型替代傳統的拓撲圖關係可視化演算法。通過持續的實踐-反饋-實踐，不斷提升複雜網路的精準度。

圖3：複雜網路圖分割探索優化

（3）複雜網路功能

複雜網路在應用上，既可作為產品輸出，也可作為技術能力輸出。

實時風險群體分析、可視化工作台及風險群體報告是複雜網路作為產品輸出的呈現，分別在事前、事中和事後支持欺詐團伙的智能化分析。實時風險群體分析支持靈活的策略配置，可毫秒級返回分析結果（見下圖），如：關聯風險分、豐富的量化指標、關係圖和建議，直觀呈現欺詐團伙的組織形式、核心成員、地址及時間特性。可視化工作台可進行數據動態關聯分析，如分析人員聚類、時間聚類、地址聚類等。風險群體報告則可針對批量數據進行團伙風險分析。

圖4：實時風險群體分析結果

圖5：實時風險群體分析分布圖（中介團伙分布圖，相關詳情已脫敏隱去）

圖6：可視化工作台界面

複雜網路作為技術能力輸出，在催收號碼識別、客戶價值挖掘等產品有應用。

（4）複雜網路應用場景

複雜網路支持全場景的實時數據可視化分析，如：銀行養卡套現、申請欺詐檢測、賬戶保護、羊毛黨識別、惡意刷單作弊等。

2.複雜網路4.0的創新性

「以終為始」，反欺詐效果是關鍵，創新性體現在三個層面：

其一，數據層面：多源數據融合+NLP，重構金融圖資料庫。

「數據比技術更重要」是行業共識，有高質量數據，即使簡單演算法，也能取得好效果。複雜網路4.0融合多來源數據，重構數據清洗、信息抽取和融合方案，使用全新圖資料庫框架，重構金融圖資料庫，新圖資料庫具有分散式、高可擴展性和可維護性，可支持千億級數據毫秒級實時查詢響應。同時，使用NLP技術，將非結構化與結構化數據融合，形成包含100億節點（實體）、300億邊（關係）的金融圖譜。

其二，技術層面：結合風險傳播演算法、知識表示和機器學習，進行深度挖掘分析，開啟AI風控。

風控作為金融平台競爭力的核心，最早依賴於規則架構，後來演化為規則加模型架構，現在趨向於 AI。AI風控體現在兩方面：風險傳播演算法、知識表示和機器學習。

1.風險傳播演算法

風險傳播演算法依據「近朱者赤，近墨者黑「的原理，從已知風險節點角度評估整個網路節點的風險程度。利用網路結構進行風險傳播，進而提高風險節點的覆蓋度。

2.知識表示和機器學習

構建數據關係網路是「智能分析」的第一步，利用合適方法將數據價值充分發揮，進而挖掘未知的關聯才是目的。使用network embedding方法將高維信息映射到低維空間，解決數據稀疏問題，使知識融合和推理的性能顯著提升，結合機器學習，利用無監督演算法進行風險群體的識別。實際應用中，通過機器學習對圖分割演算法不斷調優，劃分不同的團伙和團伙特徵，對判斷團伙性質有重要決策作用，如"30％的節點為風險名單"、"40%的節點命中疑似垃圾註冊風險類型"。

其三，應用層面：行業化+本地化並駕齊驅，複雜網路全方位技術輸出。

數據壁壘導致通用關係網無法適應行業特性，在抽取行業特徵基礎上、消除雜訊、構建行業化關係網路勢在必行，如：信貸關係網路、汽車金融關係網路、保險關係網路、羊毛黨關係網路等，提高反欺詐效果。

針對銀行、汽車金融及保險公司，在風控雲方案之外，本地化部署也是著力點之一，可解決強監管，數據無法上「雲」的問題。由於本地化數據業務閉環屬性更強，數據更全面，在標籤數據基礎上，可深度優化有監督學習模型，取得更精準的效果。但無論本地化數據量級多大，相對於跨行業大數據而言，都是「小數據「。融合本地化數據與同盾大數據，結合監督演算法和無監督演算法，進一步反哺原有本地化風控規則，完善本地化方案的不足，進而提高反欺詐效果。

複雜網路作為技術能力全方位向同盾各產品線輸出，如評估系統性風險的小微企業的擔保關係圈、催收號碼識別及基於關係網路的客戶價值挖掘等。

三、實踐：典型案例及應用示例分析

「實踐是檢驗真理的唯一標準」

1.銀行信用卡養卡套現

【行業風險點】信用卡非法套現。

【案例分析】案例一，銀行可以利用複雜網路，抽取現數據關聯性，從關聯中分辨出是否使用類似的電話號碼、地址以及區域，將關聯屬性與其他金融數據輸入深度學習網路做有監督的訓練，在數十萬欺詐案例數據上得到一個動態識別模型。

【複雜網路分析】兩個人共用一套信息（手機號和身份證），進而逐步關聯，形成鏈條型關係網路。