图数据库GDB针对高度互联数据的存储和查询场景进行设计,并在内核层面进行了大量优化,非常适合营收增长金融风控、商品推荐、社交推荐、循环担保检测、异常指标监控和违规团伙挖掘等场景。

营收增长

图数据库GDB提供智能搜索推荐一体化服务,能够精准理解用户的想法,并向用户推荐想要的商品,用户也可以根据业务场景定制方案,以提升核心业务指标,实现业务营销收入的增长。例如,某奢侈品电商在核心搜索业务渠道接入阿里云智能搜索推荐服务,助力客户优化搜索推荐结果,打造猜你喜欢个性化推荐方案,新用户平均GMV提升61.88%,平均点击率提升18.44%。智能搜索推荐一体化

金融风控

传统的金融风控模型,能够汇集各个数据源的属性特征信息,但是比较难挖掘数据源之间的深度关联关系。要深度并且快速的挖掘海量数据的关联特征,使用传统的方法则会面临非常大的技术挑战。通过图表示学习技术,提取知识图谱中的拓扑信息特征,作为风控模型的输入条件,参与模型训练,可以帮助金融机构构建更高精度的风控模型。

商品推荐

基于图的推荐算法是当前推荐系统中的一种重要的技术方向,在兼顾了推荐精度的同时,还能让模型具备较好的可解释性。通过图的共性关系发现和分析方法,通过计算共同邻居数进行相似节点推荐。适用于电商、保险的商品推荐场景。

社交推荐

图数据库GDB可以轻松应对海量高度互连社交数据的实时存储和高效查询,帮助您快速构建复杂的社交网络系统。例如,在一个典型的社交网络中,常常会存在“谁认识谁,谁上过什么学校,谁常住什么地方,谁喜欢什么餐馆”等查询,传统关系型数据库对于超过3张表关联的查询往往会很低效甚至无法支持,但图数据库从基因层面提供了解决方案,轻松应对社交网络的各种复杂存储和查询。social network

循环担保检测

金融场景中,债权人所持有的债券是否超过检测抵押物多次担保的价值,对于风险控制尤为重要。图计算中的环检测算法为核心,找到图中闭环连接,帮助金融机构发现抵押物和债权人之间的深层关联关系,从而实现降低风控成本的目的。

异常指标监控

交易如电子支付、移动支付发展的同时,也带来了更为严峻的交易安全问题。为防止违法金融行为带来经济损失,通过使用异常检测算法在网络金融交易领域的应用,准确识别网络金融交易中存在的异常交易情况,及时阻止违法金融行为。通过图数据库,识别支付用户的设备信息、支付环境信息、转账信息、社交信息,检测可能出现的异常风险,提高支付的安全性。

违规团伙挖掘

很多平台上都有团伙作案的场景出现,如团伙性信用卡套现、羊毛党,甚至于团伙性的违法、犯罪性活动。团伙性作案的核心特征是,其成员之间具备某种关联关系,或行为之间具备某些相似特征。通过图结合机器学习的方式,提取团伙关系图谱之中的拓扑关系信息,以已知团伙信息作为样本,训练机器学习模型,针对目标节点进行分类,或其关系进行预测。