图神经网络风控：交易网络GNN异常检测与账户关联图谱

可视化演示

可视化交易网络GNN消息传递、账户图嵌入映射与R-GCN多关系图卷积，滑块调节检测阈值观察风险分数变化。

交易网络建模：给社区画一张关系网

新片警小李调到幸福小区，师父教他的第一件事：不要急着记每个人的脸，先画一张“社区关系网”。谁住对门、谁常去谁家串门、谁和谁每月互转生活费，全画在一张大纸上。单看每户都正常，但关系一画出来，哪几家联系异常密集，一眼就能看出门道。

金融风控也一样。银行每天产生海量交易，传统做法是“盯单个人”——这个账户有没有突然大额转账、是不是半夜频繁操作。可骗子早就学会装成普通人，真正的破绽往往不在单个人身上，而在人和人之间的“关系”里。于是我们把数据画成一张图（Graph）：每个账户是一个“节点”（Node），每笔交易是一条“边”（Edge），账户的行为统计（交易频次、开户时长、平均金额、夜间占比等）则成为节点的“特征”（Feature），记作向量 $x_v$。整个交易网络可以用邻接矩阵 $A$ 来表示。

有了这张关系网，小李终于能看见“谁和谁走得近”了。但一张图只是原材料——怎么从图里读出“这是团伙”，还需要会读图的方法，这就是下一节的主角 GNN。

GNN消息传递：片警挨家挨户问邻居

小李面对一墙关系网犯了难：我认识每户的门牌号，却不认识他们的人。师父教他一招：“挨家挨户问邻居。”想了解 A 户，就去问 A 的邻居们：他家几点亮灯？最近有没有陌生人出入？把邻居们的回答汇总起来，A 户的画像就立体了。问完一轮再问第二轮——这回，邻居们的回答里已经包含了“邻居的邻居”的信息。

这就是图神经网络（GNN）最核心的机制：消息传递（Message Passing）。每一层网络做三件事：每个节点把自己的特征“发消息”给邻居；每个节点接收邻居发来的消息并“聚合”（取平均、求和或加权）；再把聚合结果与自己上一层的特征合并，经过非线性变换，得到这一层的新特征。堆叠 K 层后，每个节点实际上“看到”了 K 跳以内的所有邻居的信息，这就是感受野（Receptive Field）。第 k+1 层的更新公式如下：

三轮走访之后，小李手里的“居民档案”已经变成包含社交关系的活画像。但档案越来越多，如何快速找出“谁是同伙”？需要把档案压缩成更短的“数字名片”。

图谱Embedding：给每户办一张数字名片

档案堆积如山，小李发现纸质档案没法排序比较。他把每户的关键信息浓缩成一张“数字名片”：一串几十个数字，行为习惯、作息规律、社交圈子全在里面。名片上数字相近的住户，行为模式就相近；把名片之间的距离一算，哪几家“长得像”，一眼便知。

这就是账户关联图谱 Embedding（嵌入）。GNN 最后一层输出的节点特征 $h_v^{(K)}$，就是账户 v 的嵌入向量 $z_v$。它是图结构信息“压缩”成的低维稠密向量：欺诈团伙成员由于彼此频繁交易、共用设备，它们的嵌入向量会被“拉”得很近；正常用户则各自散开。有了嵌入，就能用余弦相似度（Cosine Similarity）量化两个账户的“像不像”，再对所有嵌入做聚类，自动浮现出一个个“疑似团伙”的簇。

现在小李手里有了一抽屉“数字名片”，他终于能回答“谁和谁是一伙的”。但名片是用同一套问法做出来的——现实里，“生意伙伴”和“亲戚”能用一个模板吗？这就引出了 R-GCN。

R-GCN关系图卷积：专案组的分工问话

走访中小李发现：问“生意伙伴”和问“亲戚”不能用一个套路。对生意伙伴，要问货款往来；对亲戚，要问家常走动。一个片警用一套问法跑遍全社区，会漏掉关键情报。师父于是成立专案组：一组专盯资金往来，一组专盯设备共用，最后一组负责总结陈词。

普通图卷积（GCN）假设所有边是“同一种关系”，但在交易网络中，转账、共用设备、同 IP 登录、同手机号注册，是完全不同的风险信号。R-GCN（Relational Graph Convolutional Network，关系图卷积网络）正是为此设计：对每一种关系类型 r，使用一套独立的权重矩阵 $W_r$ 来聚合邻居，最后把所有关系的聚合结果加在一起，再叠加上自己的特征（自连接）。公式中 $\mathcal{N}_r(v)$ 表示与 v 具有 r 类关系的邻居集合，$c_{v,r}$ 是归一化常数（通常取该关系下的节点度），$W_0$ 是自连接权重，保证节点自身特征不被淹没。

专案组的分工问话，让“伙伴关系里的异常”和“亲戚关系里的正常”被区分开来。情报精细了，最终目的是行动：识别谁是贼、哪个团伙该端。

欺诈识别应用：从抓个人到端团伙

档案和情报都齐了，小李开始干正事：给每户打一个“风险分”。分数高的户拉出来重点观察；分数高且彼此紧密相连的一整片，直接列入“重点团伙”预案。行动前还要写清楚“为什么怀疑他”——是深夜高频转账，还是与已确认的骗子共用设备。

在风控模型里，最后一层通常是一个分类器：把嵌入向量 $z_v$ 经过线性层和 Softmax，得到“正常/欺诈”两个类别的概率，其中欺诈概率就是风险分。与“只看单笔金额”的规则相比，GNN 的风险分融合了邻居信息：即便某个账户自己的行为一切正常，只要它的“朋友圈”大面积涉诈，风险分也会被抬高。团伙的拓扑模式往往是稠密子图（成员两两转账）、星型（一个收款号收拢大量散户资金）或链式（多层嵌套转移），R-GCN 无需显式指定这些模式，就能通过消息传递天然捕捉——因为稠密子图成员会彼此聚合，特征高度趋同。

端掉第一个团伙只是开始。真正的挑战在日常运转：全城几百万户，警力就这么多，模型怎么跑得过来？这就是工程权衡的问题。

工程权衡优化：派出所的有限警力调度

幸福小区有十万户，派出所只有五十个片警。挨家挨户问邻居在理论上可行，现实里会把人累死。师父的应对是：抽样巡逻——每个片警只走访其中 K 户有代表性的邻居；老师傅带新人——把老模型的知识浓缩成小模型给新片警；错峰出警——白天处理白天的案子，深夜专盯夜猫子。

这对应图神经网络工程化的三大核心权衡。第一是模型规模：上亿节点的全图无法一次性放进显存或内存，需要邻居采样（Neighbor Sampling）把计算限制在固定大小。第二是推理延迟：在线风控要求在几十毫秒内返回风险分，全图逐层传播不可能实时，必须用“预计算嵌入 + 快速查询”或图蒸馏（把大 GNN 蒸馏成小的多层感知机）。第三是资源消耗：训练图数据动辄 TB 级，需要图划分、分布式训练、增量更新。邻居采样最经典的形式是 GraphSAGE 式的固定采样：为每个节点随机采样最多 K 个邻居，把邻居数量从“可变且巨大”压缩到“常数”。

通过把“警力”最优化调度，模型终于能跑起来。但跑起来不等于跑得准——新片警刚上岗、考核指标设错，都可能闹出大动静。如何科学评估与持续更新，是最后一关。

落地与评估：年终考核与持续进化

半年后派出所例行考核：命中率如何？漏报多少？误伤多少良民？小李一开始只盯着“抓的人数”，被师父骂了一顿——抓错十个良民和错过一个真贼，代价完全不同。金融场景里，欺诈样本永远稀少，准确率毫无意义，必须综合看精确率（Precision）和召回率（Recall），以及它们的调和平均 F1。

评估之外，还有冷启动：新账户没有交易历史，节点特征近乎为零。常见方案是用注册信息、设备指纹、IP 画像初始化特征，并把“共用设备/同 IP”作为关系边加入图，让新账户一进来就处于网络之中。模型的持续更新同样关键：欺诈分子会“进化”，上一代模型抓的团伙换一套拓扑就卷土重来。因此风控 GNN 通常采用“在线增量 + 周期性全量重训”的双轨机制，并用 PSI（群体稳定性指数）监控特征分布漂移，触发重新训练。

年终总结会上，小李的辖区欺诈率下降四成，误伤投诉却少了一半。从画关系网、学走访，到分工问话、打分行动，再到警力调度和考核复盘——一套完整的图神经网络风控体系就此运转起来。而支撑这一切的，正是交易网络 GNN、账户关联图谱 Embedding 与 R-GCN 这三根支柱。

AI 应用场景

Python 演示

import numpy as np  class TransactionGraph:    """轻量交易网络：账户为节点，边按关系类型分桶存储"""     def __init__(self, num_nodes, num_relations=2):        self.num_nodes = num_nodes        self.num_relations = num_relations        self.adj = [[] for _ in range(num_relations)]        self.features = np.zeros((num_nodes, 4))        self.labels = np.zeros(num_nodes, dtype=int)     def add_edge(self, relation, u, v):        self.adj[relation][u].append(v)        self.adj[relation][v].append(u)  def r_gcn_layer(graph, features):    """R-GCN 单层消息传递：每种关系独立聚合邻居，再叠加自连接"""    out = features.copy()    for r in range(graph.num_relations):        agg = np.zeros_like(features)        for u in range(graph.num_nodes):            nbrs = graph.adj[r][u]            if nbrs:                agg[u] = np.mean(features[nbrs], axis=0)        out = out + agg    return np.tanh(out)  def build_toy_graph():    g = TransactionGraph(12)    ring = list(range(5))    normal = list(range(5, 12))    for i in range(len(ring)):        for j in range(i + 1, len(ring)):            g.add_edge(0, ring[i], ring[j])    for i in range(len(normal) - 1):        g.add_edge(0, normal[i], normal[i + 1])    g.add_edge(1, 0, 1)    g.add_edge(1, 2, 3)    g.features[ring] = [0.95, 0.10, 0.80, 0.70]    g.features[normal] = [0.20, 0.80, 0.30, 0.10]    g.labels[ring] = 1    return g  def main():    g = build_toy_graph()    x = g.features.copy()    for _ in range(2):        x = r_gcn_layer(g, x)    risk = x[:, 0]    pred = (risk > 0.8).astype(int)    tp = np.sum((pred == 1) & (g.labels == 1))    fp = np.sum((pred == 1) & (g.labels == 0))    fn = np.sum((pred == 0) & (g.labels == 1))    precision = tp / max(tp + fp, 1)    recall = tp / max(tp + fn, 1)    f1 = 2 * precision * recall / max(precision + recall, 1e-9)    print("两层 R-GCN 消息传递后的识别结果：")    print("  命中成员:", [i for i in range(12) if pred[i] == 1])    print("  精确率=%.2f 召回率=%.2f F1=%.2f" % (precision, recall, f1))  if __name__ == "__main__":    main()

1. self.adj = [[] for _ in range(num_relations)]每种关系类型一个邻居表，对应 R-GCN 的“专案组分桶”。
2. agg[u] = np.mean(features[nbrs], axis=0)对邻居特征求平均，这是最朴素的聚合（AGG）。
3. out = out + agg把每种关系类型的聚合结果累加，再叠加自连接特征。
4. return np.tanh(out)非线性变换，让特征值稳定在合理区间。
5. for _ in range(2): x = r_gcn_layer(g, x)两层消息传递，让信息沿图传播 2 跳。
6. risk = x[:, 0]取消息传递后第一个特征维度作为风险分。
7. pred = (risk > 0.8).astype(int)阈值 0.8 划分欺诈/正常，团伙成员特征已显著高于正常用户。

常见误区

面试题