11月 10 日下午15:00 第九期《相关网络技能在事务安全中的使用》正式开讲。顶象数据科学家翼龙翔实的介绍了相关网络在反团伙诈骗中的作用，深度剖析了相关网络的技能结构、相关网络的图谱构建以及相关网络的杂乱算法，为反团伙诈骗供给了重要的参阅。

直播进程中也吸引了不少粉丝前来围观，就相关网络的技能难点提出了自己的疑问。现将部分问题整理出来，供大家参阅。

Q1：相关网络的可解释性怎样样？

翼龙：

可解释性是一个很大的论题。我们说可解释性的时分，往往指的是模型的可解释性。可解释性的含义是模型在给出猜测成果同时给出决策的根据，以及决策的进程是否通明。

在常见的机器学习算法中，决策树、评分卡（线性模型）具有杰出的可解释性；而神经网络则是一个黑盒，可解释性较差。

在一些事务场景，特别是金融、保险相关的，由于合规要求和风控要求，对模型的可解释性要求较高，所以在这类事务场景中倾向于使用决策树、评分卡等可解释性较高的模型。

一般来说，相关网络技能的可解释性较好，体现在：

1.杂乱网络算法通常有清晰的核算进程，例如标签传播算法、PageRank等，有清晰的核算公式，然后不断地迭代；

2.能够经过相关指标（拓扑结构、社区指标等）对危险猜测的成果供给证据支撑；

3.能够经过图谱展现东西进行查询、探索，验证成果。

根据相关网络的处理计划中往往还会将模型和相关网络技能结合（例如信用卡养卡套现的反诈骗计划），为了满意可解释性，往往也会使用树模型等。

Q2：最终是以机器学习渠道来演示相关网络的技能计划的，那么顶象有自己单独的相关网络渠道吗？

翼龙：

曾经有，现在和机器学习渠道兼并了。有两个出发点：

1.相关网络的处理计划中往往会同时使用到图算法和机器学习算法（例如信用卡养卡套现的反诈骗计划），为了便于数据的共享，在一个渠道中实现更为便捷。

2.要实践落地处理事务问题，根据相关网络的处理计划就不只仅是算法问题，而是工程化的问题，需求将杂乱的流程自动化运行。机器学习渠道供给了“调度使命”的功用，能很便捷地处理工程化落地的问题。

其实相关网络也好，模型也好，甚至是核算报表，都能够视为是数据的使用。只要是数据使用，都需求渠道东西供给对数据同步、数据存储、数据管理、数据加工、数据展现、数据输出到下流事务体系等功用的支持。正由于需求许多通用的功用，所以才有必要兼并。顶象的机器学习渠道不只是一个建模渠道，更是一个数据调度中心。

Q3：怎样更好掌握相关网络？有什么好的学习途径吗？

翼龙：

首要，相关网络技能其实覆盖了许多内容，其间首要涉及到图谱的构建和杂乱网络算法的使用，所以能够重点学习一下知识图谱相关和图数据发掘的相关内容。直播中也提到，斯坦福大学的《图机器学习》是很不错的教程，值得深化学习。

其次，相关网络技能是处理详细事务问题的处理计划，因而建议多了解相关的事例，并学会举一反三，针对一个事务问题的处理思路往往能够使用到其他场景中去。本次直播中共享了三个根据相关网络的处理计划，能够说是干货满满，期望大家多总结、多思考。

Q4：相关网络技能有什么局限性？

翼龙：

我认为有两点：

1、功率问题

当网络中节点和边比较多的时分，不管是构建图谱仍是运用图算法，都十分耗时。

2、实时性

也正是由于功率问题，通常以离线T-1的方法构建图谱，意思是线上使用的图谱，是由昨日及昨日之前的数据构建而成的，无法做到实时更新图谱。

弥补方法：风控战略中需求用到的危险相关性指标经过流核算直接得到。

Q5：信用卡养卡套现的事例中，在使用标签传播算法之前，为何采用卡与POS机的二部图，而不进一步笼统为只有卡的同构网络？

翼龙：

在二部图中使用标签传播算法时，能够理解为拆分成了核算卡和核算POS机的危险概率两部分交替进行（即危险只能从卡传播到POS机或从POS机到卡）。

实践情况是卡的数量远远多于POS机的数量，如果使用隐含联络直接从二部图中抽取卡的同构网络，边的数目会远远多于点的数目，会大大提高核算的杂乱度。在直播的事例共享中，我们还介绍了一个变体，便是经过时序联络构建卡的时序相关网络，其本质便是简化了上述卡的同构网络。

Q6：超级节点怎样处理？

翼龙：

首要判断这个超级节点是否是具有特殊事务属性的，评估该节点的危险程度。比方在买卖网络中，或许存在支付宝之类的中间渠道，它们便是超级节点，有十分多的买卖与之相关。在信息有限的情况下，简略的处理方法便是从网络中去掉这个节点。如果有额外的信息，比方知道一笔买卖相关了支付宝上的哪家商户，那么就能够把商户加入到网络中来，取代那个超级节点。

Q7：超级节点跟一般节点之间过度比较平滑，怎样处理那种又像超级节点，又像个中介节点的呢？

翼龙：

详细或许还得结合事务和场景去剖析。以下思路仅供参阅：

1、中心问题是这个节点的边太多了，那就看有没有一些不重要的边能够剔除。

2、在做切割的时分，先把这个节点和边去掉，在切割后的子图中，看这个节点跟哪个子图联络更紧密。如果存在多个联络紧密的子图，就在这些子图中都添加这个节点。

Q8：子图切割有什么好的根据？

翼龙：

这个问题和解释性有关。能够用模块度等的指标来证明切割后的子图的集合性高。子图切割如果是指社区发现的话，其实在运用算法之前会删除一些联络比较弱的边；社区发现之后，也会进一步核算一些社区的拓扑结构和事务相关的指标，来标明社区的危险程度。可解释性不只体现在存在决策的根据，也体现在决策的进程，只要进程是清晰的、通明的，就有一定的可解释性。

最终再给大家简略介绍下顶象事务安全大讲堂。

顶象事务安全大讲堂汇集了业界大咖，共享万亿级事务安全攻防经历，打造时下最专业的事务安全直播课，经过“技能+计划+实践”三大中心专题，带您全面了解金融、互联网、航旅出行、跨境电商以及目前大热的NFT等各类事务危险及防范手段，深化解析背后的产品技能，抽丝剥茧攻防实战，助您打造零危险的数字事务。

下期将由顶象人工智能专家&研制总监无常带来主题为《事务安全渠道中心模块解析——智能模型渠道》，敬请期待！

——————

事务安全产品：免费试用