近日，知名快遞公司順豐和電商巨頭阿里巴巴爭端甚囂塵上，這次爭端意味著“數(shù)據(jù)”已然成為商業(yè)必爭的“資產(chǎn)”。因此，陪同大數(shù)據(jù)時代來臨，數(shù)據(jù)獲取、存儲、分析等一系列技術(shù)的研發(fā)和應(yīng)用已經(jīng)得到了眾多企業(yè)的關(guān)注。

作為大數(shù)據(jù)開發(fā)利用的重要組成部分，就數(shù)據(jù)存儲而言，圖數(shù)據(jù)庫是利用圖的特性來對數(shù)據(jù)進(jìn)行存儲辦理，并對傳統(tǒng)圖的概念進(jìn)行了擴(kuò)展。越來越成熟的數(shù)據(jù)模型，使得利用事物(即“節(jié)點(diǎn)”或“實體”)及事物之間的聯(lián)系(即“邊”或“關(guān)系”)來對各類業(yè)務(wù)場景進(jìn)行抽象變得更加容易。也正因為圖數(shù)據(jù)庫基于圖論的理論和算法實現(xiàn)，相對于關(guān)系型數(shù)據(jù)庫，它也更擅于處理網(wǎng)狀的復(fù)雜關(guān)系。此外，圖數(shù)據(jù)庫通常都支持對圖數(shù)據(jù)模型的增、刪、改、查(CRUD)方法，并較多地用于事務(wù)(OLTP)系統(tǒng)中，被應(yīng)用系統(tǒng)實時拜候。

圖數(shù)據(jù)庫作為恒昌知識圖譜的底層存儲方案，是多方數(shù)據(jù)的知識融合及提煉后進(jìn)行匯聚的場所，為恒昌豐富的辦事線與數(shù)據(jù)技術(shù)間的承轉(zhuǎn)起著重要作用。由于Neo4j是目前最成熟的圖數(shù)據(jù)庫之一，恒昌廣泛使用 Neo4j作為知識圖譜底層圖數(shù)據(jù)持久方案，基于其優(yōu)異的事務(wù)能力而提供實時的數(shù)據(jù)查詢功能。此外，恒昌還在 Titan、Gaffer等分布式圖數(shù)據(jù)庫或計算引擎上有著深入的研究。

目前，恒昌的圖數(shù)據(jù)庫已經(jīng)融合了多方數(shù)據(jù)，包孕業(yè)務(wù)系統(tǒng)主要辦事線各階段的數(shù)據(jù)、用戶授權(quán)數(shù)據(jù)等。這些數(shù)據(jù)形成的實體規(guī)模已過億、形成的關(guān)系已多達(dá)數(shù)十億。隨著用戶數(shù)量的提升，這個數(shù)據(jù)還在持續(xù)增長。因此，基于圖數(shù)據(jù)庫開發(fā)的知識圖譜正在發(fā)揮著越來越大的作用，目前已經(jīng)上線或待上線的技術(shù)平臺覆蓋了客戶失聯(lián)修復(fù)、反欺詐規(guī)則引擎、欺詐團(tuán)伙調(diào)查等，近期還會覆蓋風(fēng)險預(yù)警等標(biāo)的目的。

1.欺詐團(tuán)伙調(diào)查

圖數(shù)據(jù)庫能通過“實體”和“關(guān)系”這種簡單直不雅觀的描述方法來表述現(xiàn)實世界中錯綜復(fù)雜的關(guān)聯(lián)關(guān)系。它可以提供逐層挖掘的方式，引導(dǎo)逐步深入分析各種關(guān)系;還可以快速呈現(xiàn)實體之間最新的關(guān)系變革，積累更新的知識和經(jīng)驗;也可以清晰地呈現(xiàn)復(fù)雜關(guān)系間的聯(lián)絡(luò)線索，為判斷事件來龍去脈提供有效引導(dǎo)。此處，以恒昌的客戶為例，參考圖 1 中的客戶徐某(因數(shù)據(jù)安適的原因，部分信息作了涂抹，并對原有圖結(jié)構(gòu)進(jìn)行了簡化)，，如果僅考慮該客戶本身填寫的信息，雖然能看到一度關(guān)聯(lián)信息，但完全看不出該結(jié)構(gòu)會有什么問題，也無法進(jìn)行深入調(diào)查。

圖 1 客戶徐某借款時的聯(lián)系人信息簡化圖

當(dāng)關(guān)聯(lián)信息得到增補(bǔ)(相對于原進(jìn)件聯(lián)系人，增補(bǔ)了同事、鄰居、親屬、伴侶等關(guān)系，還基于用戶授權(quán)數(shù)據(jù)進(jìn)行了深度擴(kuò)展)后，暫不考慮物品(如手機(jī)號、銀行賬號、地址等)，僅考慮自然人，獲取徐某二度關(guān)系內(nèi)同時在恒昌網(wǎng)貸平臺有借款行為的用戶，得到圖2(基于同樣原因數(shù)據(jù)有涂抹及簡化)的結(jié)果。該圖每一個圓都代表一位恒昌客戶，圖頂部的狀態(tài)說明了客戶當(dāng)前所處狀態(tài)。不雅觀察左下角以徐某為中心的四個客戶(已用紅框標(biāo)出)，他們剛好是所呈現(xiàn)圖的最大完全子圖，符合圖論中團(tuán)的定義。再看除徐某外的三個客戶：兩個逾期、一個被拒。如果徐某是新入圖數(shù)據(jù)庫的借款人，從數(shù)學(xué)模型的角度看，幾乎可以直接判定拒絕。因為符合這種狀態(tài)的團(tuán)，是欺詐團(tuán)伙或是組團(tuán)代辦的幾率非常大。

圖 2 客戶徐某增補(bǔ)關(guān)系類型后的一度及二度關(guān)聯(lián)信息

到這時工作并未完結(jié)，如果有需要，可以基于圖中的關(guān)系嘗試與幾位客戶聯(lián)系以進(jìn)行深入配景調(diào)查證實，調(diào)查的結(jié)論可以融合到圖數(shù)據(jù)庫中形成數(shù)據(jù)閉環(huán)，直接改善后續(xù)自動化預(yù)警的結(jié)果。

2.風(fēng)險事件預(yù)警

盡管對欺詐團(tuán)伙調(diào)查能取得不錯效果，但因其可能需要調(diào)查員隨時聯(lián)系客戶或聯(lián)系周邊人群以驗證調(diào)查員的推論，因此整體成本還是相當(dāng)高的。為了解決這個問題，基于模型的風(fēng)險事件預(yù)警就應(yīng)運(yùn)而生。如果說欺詐團(tuán)伙調(diào)查是主動出擊，風(fēng)險事件預(yù)警更像是被動防御。

風(fēng)險事件預(yù)警是通過模型生成一組類似上述欺詐團(tuán)伙調(diào)查中出現(xiàn)的場景，給每一個場景一個相對低一些的初始置信度，后期通過不停的反饋迭代來優(yōu)化置信度。當(dāng)一個新客戶到來之后，首先會將其信息整合到知識圖譜中。緊接著，該客戶會被規(guī)則引擎捕捉到，規(guī)則引擎會基于客戶信息從知識圖譜中提取一組特征，由該特征決定了引擎首先會觸發(fā)哪些場景，而這些場景的結(jié)論可能導(dǎo)致規(guī)則引擎又觸發(fā)別的一組場景。在滿足特定條件下，最終結(jié)果輸出，如果有相應(yīng)的風(fēng)險事件被觸發(fā)，則信息會送達(dá)相關(guān)團(tuán)隊。