本次介紹的文章是來自于氪信科技的《Behavior Language Processing with Graph based Feature Generation for Fraud Detection in Online Lending》。氪信科技利用行為語言處理技術（BehaviorLanguageProcessing，BLP）對欺詐性質的網絡借貸行為進行識別。

一、基于用戶行為的反欺詐框架（BLP）

• 數據獲取模塊 ：通過schema映射到網貸專家知識圖譜上
• 知識圖譜模塊
• 特征自動抽取模塊
• 集成學習模塊：樹模型+LR集成

在BLP中有很多類型的特征，如文本特征、時序特征、位置軌跡特征、圖特征以及人工特征，這篇論文講的是基于關聯數據的圖特征生成。關于時序特征的生成，可以參考：

金柔：CraiditX基于行為序列的欺詐檢測建模?zhuanlan.zhihu.com

二、網絡構建

圖關系選擇

通過APP中的數據采集模塊，可以獲取許多不同類型的信息實體，如份證號、郵箱、電話、地址、設備 GPS。那么這就出現了一個問題，我們應該選擇哪些實體作為網絡的關系進行節點的連接。

選擇的方法是這樣的，針對每一類型的實體都可以構成一個單部圖，圖上的節點是申請件，若兩個申請件關聯到該類型實體下(至少）同一個實體，那么則形成邊。通過計算單部圖的連通性和同質性指標，確定連接的實體。

1.1 同質性指標

欺詐與非欺詐結點關聯稀疏，而欺詐結點間關聯緊密的網絡，更具有挖掘價值。

• 同質性檢驗（Homophilic Test）：反映網絡中欺詐與非欺詐申請結點的關聯緊密程度，衡量指標是CrossEdgeFraction=由欺詐和非欺詐節點形成的邊/總邊數；
• Dyadicity：反映欺詐結點之間的關聯緊密程度，Dyadicity=欺詐結點之間的邊數觀察值/欺詐結點之間的邊數期望值，Dyadicity>1表示與隨機網絡相比，欺詐結點之間的關聯緊密；
• Heterophilicity：反映欺詐與非欺詐結點之間的緊密程度，Heterophilicity=欺詐和非欺詐節點形成的邊的觀察值/欺詐和非欺詐節點形成的邊期望值，Heterophilicity<1表示與隨機網絡相比，欺詐與非欺詐結點的關聯稀疏。

1.2 連通性指標

• Connectedness: 用于刻畫網絡的稠密程度，該值越接近于1表征網絡越稠密，稠密的網絡更有利于欺詐標簽的傳播。

1.3 篩選結果

有121164申請件 , 其中6%被標記為詐騙，計算指標對關系進行篩選：

根據上述討論，挑選低CrossEdgeFraction、高Dyadicity、低Heterophilicity、高Connectedness的Relation，從上表的計算結果中identity number、mobile number這些就比較好而像ip address則不能挑選。

2. 雙模網絡構建

根據篩選出的節點、邊、節點的屬性以及邊的屬性構建出雙模網絡

3. 計算邊權重

邊權重表示連接的強度，使用公式a*exp(-b)進行計算，其中a是同質性指標，b是時間衰減系數。

4. 移除hubs

對圖數據中各節點，按關系類型分別計算各點的中心度，通過Head-tail-break算法剔除中心度極大的結點，篩選出構建雙模網絡模型所需的結點。

三、網絡風險特征提取

采用一下三種方法提取基于網絡的特征：

• 局部網絡風險特征：用于描述申請件鄰居結點的統計類特性，包括鄰結點風險特征、四角形風險特征和局部聚合系數風險特征等，如當前申請件關聯的欺詐申請件個數、當前申請件關聯申請件中欺詐申請的比例等；
• 全局網絡風險特征：用于描述當前申請的風險情況，在通過圖挖掘算法(如pagerank)得到各結點的欺詐概率之后，可計算當前申請的欺詐概率，鄰居結點（一度關聯的信息結點）欺詐概率的最大值、平均值等；
• 專家風險特征：常根據業務經驗進行定義，如不同渠道個人信息重合度比對、個人信息與網絡一致性檢驗等。

通過上述方法可以抽取數百維特征，使用IV評估特征有效性。結合專家經驗，挑選最合適的網絡特征，與個體特征分別建立反欺詐模型，并在此基礎上進行樹模型集成，從而獲得信貸申請人欺詐概率預測。

這篇論文在如何挑選關聯關系構建圖上有值得借鑒的地方，如何構造網絡特征在需要解釋的評分卡應用中也值得取學習。下面拋出幾個問題供大家討論：

除了論文介紹的方法，還有哪些可以評估圖構建的合理性；

使用network embedding提取網絡特征與論文采用的方法相比，在有監督的欺詐檢測任務中有什么利弊。

總結

以上是生活随笔為你收集整理的blp模型 上读下写_CreditX在线借贷欺诈检测框架BLP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。