團伙欺詐的泛濫，給傳統風控方式帶來挑戰。同盾科技復雜網絡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，百億級金融圖數據庫（幾百萬團伙及其成員）、風險傳播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，事實証明，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，中國的網絡欺詐導致的損失近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

　　“某團伙在某村庄以招工的名義大量收取村民的身份証，並申請信用卡，然后刷卡透支，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10萬的首付款后，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。當把車開走后便杳無音信，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注冊、登錄平台領取紅包，成功薅羊毛數百萬”。風控難點：快速識別注冊、登錄或營銷場景下，注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后春筍般層出疊見，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、關聯關系強，以及為節省成本，通常會重復利用信息、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，未評估關聯關系對風險的影響。“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”智能誠信網絡”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年即部署復雜網絡技術應對團伙欺詐挑戰，經過3年調優，已迭代至復雜網絡4.0。

　　二、破局：同盾科技復雜網絡的創新性應用

　　“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系。世間萬物是錯綜復雜的關系網，但無論形式多麼復雜，其本質都是簡單的三元組，即：實體-關系-實體。】

　　1.復雜網絡產品

　　（1）復雜網絡定義

　　從概念評述：復雜網絡能針對復雜對象的關聯關系進行非線性建模，由節點（實體）和節點之間錯綜復雜的關系（實體之間關系）構成拓扑網絡，當異常關系聚集出現時，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、數據復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：復雜網絡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、關系及變量通過關系網絡表現，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）復雜網絡技術原理

　　“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-關系-實體”的拓扑關系網，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：同盾科技復雜網技術原理

　　“知易行難”，同盾科技在復雜網絡和知識圖譜領域做了深入探索，在關系網絡分析中融合組合、數值和統計思維，積累了一些經驗和技巧。在可擴展性算法方面：如局部網絡推理、高斯-馬爾可夫隨機場中取樣、稀疏化、圖分割、拉普拉斯范式等。數據可視化方面：使用仿真力學模型替代傳統的拓扑圖關系可視化算法。通過持續的實踐-反饋-實踐，不斷提升復雜網絡的精准度。

　　圖3：復雜網絡圖分割探索優化

　　（3）復雜網絡功能

　　復雜網絡在應用上，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復雜網絡作為產品輸出的呈現，分別在事前、事中和事后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、關系圖和建議，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

　　復雜網絡作為技術能力輸出，在催收號碼識別、客戶價值挖掘等產品有應用。

　　（4）復雜網絡應用場景

　　復雜網絡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.復雜網絡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，重構金融圖數據庫。

　　“數據比技術更重要”是行業共識，有高質量數據，即使簡單算法，也能取得好效果。復雜網絡4.0融合多來源數據，重構數據清洗、信息抽取和融合方案，使用全新圖數據庫框架，重構金融圖數據庫，新圖數據庫具有分布式、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（關系）的金融圖譜。

　　其二，技術層面：結合風險傳播算法、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，后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：風險傳播算法、知識表示和機器學習。

　　1.風險傳播算法

　　風險傳播算法依據“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絡節點的風險程度。利用網絡結構進行風險傳播，進而提高風險節點的覆蓋度。

　　2.知識表示和機器學習

　　構建數據關系網絡是“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算法不斷調優，劃分不同的團伙和團伙特征，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注冊風險類型"。

　　其三，應用層面：行業化+本地化並駕齊驅，復雜網絡全方位技術輸出。

　　數據壁壘導致通用關系網無法適應行業特性，在抽取行業特征基礎上、消除噪聲、構建行業化關系網絡勢在必行，如：信貸關系網絡、汽車金融關系網絡、保險關系網絡、羊毛黨關系網絡等，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，在標簽數據基礎上，可深度優化有監督學習模型，取得更精准的效果。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，結合監督算法和無監督算法，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。

　　復雜網絡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系圈、催收號碼識別及基於關系網絡的客戶價值挖掘等。

　　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准”

　　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，銀行可以利用復雜網絡，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絡做有監督的訓練，在數十萬欺詐案例數據上得到一個動態識別模型。

　　【復雜網絡分析】兩個人共用一套信息（手機號和身份証），進而逐步關聯，形成鏈條型關系網絡。

　　圖7：復雜網絡分布圖（id=身份証，mob=手機號，card=銀行卡）

　　2.汽車金融中介欺詐

　　【行業風險點】汽車金融是特殊的金融產品，風控難點：如身份偽造、中介欺詐、團伙欺詐、騙車二抵等，二手車金融作為最有潛力的產品之一，其團伙欺詐風險尤其泛濫。

　　【案例分析】案例二的汽車金融團伙欺詐，具有典型的地域性和組織性。

　　【復雜網絡分析】

　　圖8：復雜網絡分布圖

　　3.直播娛樂羊毛黨識別

　　【行業風險點】消費金融、娛樂直播等行業推出的優惠活動，吸引羊毛黨們有組織的參加，逐漸形成了羊毛黨“專業化”、“組織化”和“地域化”的發展趨勢。

　　【案例分析】案例三可通過復雜網絡識別注冊、登錄手機號或設備群體風險，找出團伙的核心成員，分析地址聚集性和組織形式等。

　　【復雜網絡分析】箭頭所指手機號未知風險，單純通過專家規則無法識別其風險。但通過復雜網絡分析可知，該手機號所關聯的設備與大量虛假號碼關聯（羊毛黨典型特征），因而可判定箭頭所指手機號為虛假號碼，為羊毛黨所掌控。

　　圖9：復雜網絡分布圖

　　“行百裡者半九十”，同盾科技復雜網絡4.0是又一個新起點。未來，將不斷推陳出新、加快產品技術迭代，如：關系類型深度挖掘推理、資金鏈關系圖等。在應用領域，與銀行、汽車金融和保險領域深度融合，如保險領域的理賠反欺詐場景，如車險，醫療險等場景的團伙欺詐分析，進一步提高團伙欺詐風險識別的精准度和效率。

分享讓更多人看到