AI 助理
备案控制台
文档
输入文档关键字查找
首页 图数据库 实践教程 银行、金融

银行、金融

更新时间：
产品详情
我的收藏

在现代欺诈和各类金融犯罪中，欺诈者通过改变自身身份等达到逃避风控规则的欺诈目的。您可以通过图数据库GDB建立跟踪用户行为的图结构，实时分析欺诈行为的离散数据，识别欺诈环，帮助您快速防范和解决欺诈行为。

1、数据模型

以金融交易领域公开数据集IEEE-CIS Fraud Detection数据集为例。更多信息，请参见数据模型参考下载。

数据是由电商平台Vesta提供的交易记录，包括了交易相关的设备、地址、邮箱等信息，可以将数据模型抽象为下图：

说明

在本文示例中，需要对交易涉及到属性信息进行较多的过滤、统计等操作，所以这里将交易记录及其属性信息建模成边；如果在实际的业务中更关注交易记录本身，可以考虑将交易记录的属性信息直接建模成点的属性。

5.6

示例数据如下：

  • 点文件：

    //Transaction交易信息。
~id,~label,is_fraud:int
2987000,"transaction",0
2987001,"transaction",0
2987002,"transaction",0
2987003,"transaction",0
2987004,"transaction",0

//DeviceType设备类型信息。
~id,~label
"mobile","devicetype"
"desktop","devicetype"

  • 边文件：

    ~id,~from,~to,~label
1,2987000,"","t_e_p"
2,2987000,"","t_e_r"
3,2987000,"315.0","t_a1"
4,2987000,"87.0","t_a2"

2、创建实例

创建图数据库实例。具体操作，请参见创建主实例。

说明

  • 实例购买成功后，您可以在实例列表页面查看实例相关信息。通常，实例创建成功需要3~5分钟。

  • 创建GDB实例后，您需要创建账号和密码、设置安全组，保证您具有GDB实例的访问权限。具体操作，请参见创建账号和设置白名单。

3、数据导入

图数据库GDB支持从多种数据源将数据导入至图数据库GDB，您可以使用以下两种方式进行数据导入：

4、连接实例

图数据库GDB支持多种方法连接实例，您可以通过以下五种方式连接实例：

  • 通过GDB控制台直接登录数据管理服务DMS，更加方便快捷地远程访问、在线管理您的GDB数据库。具体操作，请参见通过DMS登录GDB数据库。

  • 通过开源组件GDB Console可视化控制台登录图数据库，可视化界面，操作简单，并可根据业务需求对可视化界面进行二次开发。具体操作，请参见通过开源组件GDB Console登录图数据库。

  • 通过Gremlin Console连接实例，命令行模式，适合Gremlin内核版本，适合用于查询语句性能优化。具体操作，请参见通过Gremlin Console连接实例。

  • 通过Cypher Shell连接实例，命令行模式，适合Cypher内核版本。具体操作，请参见通过Cypher Shell连接实例 。

  • 通过SDK连接，支持Java、Python、.Net、Go、Node.js五种SDK。具体操作，请参见SDK参考。

5、使用范例

  • 简单查询

    • 数据统计：

      //统计点的数目。
gremlin> g.V().count()
==>592789

//统计边的数目。
gremlin> g.E().count()
==>2533038

    • 过滤查询、排序查询：

      //查询ID为2987000的交易信息。
gremlin> g.V('2987000').valueMap(true)
==>[id:2987000,label:transaction,is_fraud:[0]]

//查询ID为2987000的交易信息。
gremlin> g.V('2987000').outE()
==>e[3][2987000-t_a1->315.0]
==>e[4][2987000-t_a2->87.0]
==>e[5][2987000-t_p->W]
      5.7

  • 通用场景

    • K阶邻居：

      //查询和交易记录2987000有相同地址的其他交易记录。
gremlin> g.V('2987000').repeat(bothE('t_a1').otherV().simplePath()).times(2).path() //bothE() 部分控制查询边类型，times()部分控制查询深度。
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[86][2987015-t_a1->315.0],v[2987015]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[171][2987031-t_a1->315.0],v[2987031]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[196][2987036-t_a1->315.0],v[2987036]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[305][2987056-t_a1->315.0],v[2987056]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[356][2987066-t_a1->315.0],v[2987066]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[399][2987073-t_a1->315.0],v[2987073]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[411][2987075-t_a1->315.0],v[2987075]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[451][2987083-t_a1->315.0],v[2987083]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[510][2987094-t_a1->315.0],v[2987094]]
......
      5.8

    • 最短路径：

      //查询交易记录2987000和交易记录2987172的最短路径，最大深度为2。
gremlin> g.V('2987000').repeat(bothE().otherV().simplePath())
            .until(hasId('2987172').or().loops().is(gt(2L)))  //hasId()部分控制结束ID，gt()部分查询深度。
                .hasId('2987172').path().dedup()
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[938][2987172-t_a1->315.0],v[2987172]]
==>[v[2987000],e[4][2987000-t_a2->87.0],v[87.0],e[939][2987172-t_a2->87.0],v[2987172]]
==>[v[2987000],e[5][2987000-t_p->W],v[W],e[940][2987172-t_p->W],v[2987172]]
      5.9

    • 共同邻居：

      //查询交易记录2987000和交易记录2987172的共同邻居，从而找到具备相同属性（地址、设备）的交易记录。
gremlin> g.V('2987000').repeat(bothE().otherV().simplePath()).times(2).hasId('2987172').path().dedup() //hasId()部分控制结束ID。
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[938][2987172-t_a1->315.0],v[2987172]]
==>[v[2987000],e[4][2987000-t_a2->87.0],v[87.0],e[939][2987172-t_a2->87.0],v[2987172]]
==>[v[2987000],e[5][2987000-t_p->W],v[W],e[940][2987172-t_p->W],v[2987172]]
      6.0

    • Jaccard相似度：

      //查询和交易记录2987000相似的交易记录，根据相似度分数取前10。
gremlin> g.V('2987000')
            .sideEffect(out().store('v1n'))
            .as('v1')
            .select('v1n').unfold().in().limit(100).simplePath().dedup().as('v2')
            .project('i', 'u')
                .by(select('v2').out().where(within('v1n')).count())
                .by(union(select('v2').out().fold(),select('v1n')).unfold().dedup().count())
            .project('Transaction', '相似度')
                .by(select('v2').id())
                .by(math('i/u'))
            .order().by(select('相似度'), desc).limit(10)
==>[Transaction:2987015,相似度:1.0]
==>[Transaction:2987056,相似度:1.0]
==>[Transaction:2987216,相似度:1.0]
==>[Transaction:2987251,相似度:1.0]
==>[Transaction:2987371,相似度:1.0]
==>[Transaction:2987474,相似度:1.0]
==>[Transaction:2987699,相似度:1.0]
==>[Transaction:2987707,相似度:1.0]
==>[Transaction:2987735,相似度:1.0]
==>[Transaction:2987770,相似度:1.0]

6、客户效果

某头部商业银行信用卡中心，自动构建890个特征，发现涉嫌欺诈商户12个、预测逾期用户1.86万人、套现卡片2.2万张、识别欺诈团伙102个，模型召回命中率92.4%（客户模型为60%）。

上一篇：实践教程下一篇：社交网络
文档推荐