返回 Papers
AI 底层逻辑 / 经典论文

Graph Neural Networks：图学习、欺诈与风险架构

一句话:

330 行ai-foundations/papers/34-graph-neural-networks-gnn-fraud-risk-architecture.md

Graph Neural Networks / GNN 解读

面向对象: AI PM / AI Architect / Fraud / AML Product / Risk Analytics / Data Product。 核心问题: 当风险、欺诈、AML、推荐和实体关系天然是图结构时，为什么普通表格特征不够？GNN 如何把节点、边和邻居信息用于预测和表示学习？ 学习目标: 理解 GCN、GraphSAGE、GAT 的核心直觉，并把 GNN 映射到金融零售风控、AML、推荐和知识图谱架构。

Source Anchors

SourceLink用途
GCNhttps://arxiv.org/abs/1609.02907理解图卷积和半监督节点分类
GraphSAGEhttps://arxiv.org/abs/1706.02216理解归纳式邻居采样和大图表示学习
GAThttps://arxiv.org/abs/1710.10903理解 graph attention 如何给邻居加权
PyTorch Geometrichttps://pytorch-geometric.readthedocs.io/理解工程生态和 GNN 数据结构
DGLhttps://www.dgl.ai/理解图学习工程框架
GraphRAGhttps://arxiv.org/abs/2404.16130对比知识图谱检索与 GNN 表示学习

一句话:

GNN 让模型在图结构上做表示学习，把一个节点的特征与其邻居、边和局部结构结合起来，用于分类、链接预测、异常检测和推荐。

1. 为什么图结构重要

金融零售里很多风险不是单点属性，而是关系模式:

  • 多个账户共用设备、地址、电话。
  • 商户、卡号、设备、IP 形成异常交易网络。
  • AML 中客户、受益人、公司、账户、交易、地区形成多跳路径。
  • 欺诈团伙会拆分身份和交易以规避单点规则。
  • 商品、用户、浏览、购买、退货构成推荐和异常网络。

表格模型常把关系压缩成人工特征:

shared_device_count_30d
same_ip_accounts_count
merchant_chargeback_neighbor_rate

GNN 的目标是让模型直接从图结构和邻居信息中学习表示。

2. GCN 的直觉

GCN 可以理解为:

一个节点的新表示 = 自己的特征 + 邻居特征的聚合。

customer node
  receives information from account, device, address, transaction neighbors
  updates representation

多层 GCN:

  • 1 层看到一跳邻居。
  • 2 层看到两跳邻居。
  • 更多层看到更远关系，但也可能过平滑。

产品意义:

  • 风险信号可以从邻居传播。
  • 团伙风险、网络模式、关联账户能被捕捉。
  • 但也需要解释和防止错误传播。

3. GraphSAGE: 大图和新节点

GCN 在全图训练上可能很重。GraphSAGE 的思路:

采样邻居，并学习一个聚合函数，使模型能推广到训练时没见过的新节点。

这对金融很关键:

  • 新客户。
  • 新商户。
  • 新设备。
  • 新账户。
  • 新交易事件。

GraphSAGE 架构更适合动态图和大规模生产系统，因为它不要求每次都在完整固定图上重新训练。

4. GAT: 邻居不是同等重要

Graph Attention Network 引入 attention:

模型学习不同邻居对当前节点的重要性。

例子:

  • 同一个设备关联 2 个账户可能正常，关联 200 个账户可能高风险。
  • 某个高风险商户邻居比普通地址邻居更重要。
  • 最近交易边可能比很久前的边更重要。

GAT 的产品启发:

  • 风险解释可以部分参考重要邻居。
  • 但 attention 不等于完整解释。
  • 高风险决策仍需要规则、证据和人工复核。

5. GNN 与 Knowledge Graph / GraphRAG 的区别

维度GNNKnowledge Graph / GraphRAG
核心目标学习节点/边表示和预测表达知识、关系、证据路径和检索
输出embedding、score、classification、link predictionpaths、subgraphs、community summaries、grounded answers
适合风险预测、推荐、异常检测多跳问答、证据解释、知识治理
解释性需要额外 explainability路径和来源更自然可解释
数据结构化图和特征文档、实体、关系、claim、source

实际架构可以组合:

Knowledge Graph / Entity Graph
  -> GNN risk score
  -> GraphRAG evidence explanation
  -> human review

6. 金融零售案例

6.1 Fraud Ring Detection

图结构:

  • customer。
  • account。
  • card。
  • device。
  • IP。
  • merchant。
  • transaction。

任务:

  • 节点分类: 账户是否高风险。
  • 边预测: 新交易是否可疑。
  • 子图异常: 是否存在团伙模式。

控制:

  • GNN score 作为风险信号，不直接冻结客户。
  • 需要 reason codes 和 evidence path。
  • 模型漂移和攻击适应性要监控。

6.2 AML Network Risk

图结构:

  • customer。
  • beneficial owner。
  • legal entity。
  • account。
  • counterparty。
  • transaction。
  • jurisdiction。
  • adverse media entity。

任务:

  • 找高风险实体邻域。
  • 发现隐藏关联。
  • 辅助 typology detection。

控制:

  • 区分事实关系和推断关系。
  • 高风险输出必须 analyst review。
  • GraphRAG 提供路径解释，GNN 提供候选风险评分。

6.3 Retail Recommendation and Abuse

图结构:

  • user。
  • product。
  • category。
  • session。
  • purchase。
  • return。
  • review。

任务:

  • 推荐。
  • 退货滥用识别。
  • 虚假评论网络。

控制:

  • 推荐要有业务约束。
  • 风险信号不能造成不公平对待。
  • 需要 slice eval 和反馈治理。

7. GNN Product Architecture

Source Systems
  -> Entity Resolution
  -> Graph Construction
  -> Feature Store
  -> GNN Training
  -> Score / Embedding Service
  -> Risk Workflow / Recommendation
  -> Explanation Layer
  -> Monitoring / Drift / Feedback

关键组件

Component责任
entity resolution合并客户、商户、设备、地址、公司
graph schema节点类型、边类型、方向、时间、权重
feature store节点、边、子图特征
sampler邻居采样和训练效率
model serviceembedding、score、classification
explanation layer重要邻居、路径、规则、case evidence
monitoring图结构漂移、label delay、score drift
human feedbackanalyst disposition、fraud confirmed、appeal outcome

8. 数据与标签风险

风险说明控制
label delay欺诈/AML 真值很晚才确认delayed outcome handling
biased labels历史调查偏向某些群体fairness and slice review
entity resolution error错误合并或拆分实体ER QA + confidence
graph leakage使用未来边预测过去temporal split
degree bias高连接节点被过度判高风险degree-aware eval
adversarial adaptation欺诈者改变网络结构drift + red-team
explainability gapscore 高但业务无法解释evidence path + human review

9. Eval 设计

Eval type问题
temporal validation是否按时间切分，避免未来泄露
node/edge task metricsAUC、precision@k、recall@k、PR-AUC
business lifttop-k review 中命中率提升
fairness slices地区、渠道、客户类型、产品线
graph robustnessentity resolution error、missing edge、adversarial pattern
explanation qualityanalyst 是否能理解和复核
workflow value是否降低调查时间或损失

高风险金融场景中，模型指标必须连接到:

  • analyst workload。
  • false positive。
  • confirmed loss prevented。
  • customer friction。
  • appeal / complaint。
  • regulatory defensibility。

10. GNN vs Rules vs Traditional ML

方案适合不适合
Rules明确政策、强合规、可解释动作新型团伙和复杂关系模式
Traditional ML表格特征强、稳定预测关系结构是核心信号
GNN关系、网络、邻居传播、团伙识别数据图质量差、解释要求极高且无路径证据
KG + GraphRAG证据解释、多跳问答纯预测和大规模实时评分
Hybrid大多数金融风险系统需要更强架构和治理能力

推荐:

金融风控通常用 hybrid：规则控制红线，传统 ML/GNN 提供风险信号，GraphRAG/知识图谱提供证据解释，人工做高风险决策。

11. 作品集输出

Artifact内容
Graph Schema ADR节点、边、时间、权重、权限、用途
GNN Fit Assessment为什么 GNN 优于表格特征，哪些场景不适合
Temporal Eval Plan时间切分、label delay、future leakage 控制
Risk Workflow Mapscore 如何进入 analyst workflow，不自动伤害客户
Explanation Designpath evidence、neighbor importance、reason codes
AML/Fraud Case Study团伙识别或 AML 网络风险的端到端架构

12. 面试表达

30 秒版本

GNN 用图结构学习节点和边的表示，把一个节点的邻居和关系模式纳入预测。它适合欺诈团伙、AML 网络、推荐和关联风险，但在金融场景中通常只能作为风险信号，必须结合规则、证据路径、人工复核和模型风险治理。

2 分钟版本

GCN 的直觉是聚合邻居特征更新节点表示，GraphSAGE 通过邻居采样支持大图和新节点，GAT 用 attention 学习不同邻居的重要性。金融零售中，客户、账户、设备、商户、交易和公司天然构成图，很多风险来自关系而不是单点属性。架构上我会先做 entity resolution 和 graph schema，再设计 temporal split、feature、GNN score、explanation layer、monitoring 和 analyst workflow。GNN score 不直接触发冻结或拒绝，而是进入 human review 和 evidence path。

CTO 深挖

我会重点控制 temporal leakage、entity resolution error、label delay、degree bias 和 explainability。上线门禁不只看 AUC，还看 top-k lift、false positive、slice fairness、analyst acceptance、customer friction 和 appeal outcome。对于 AML，我会组合 GNN 风险评分与 GraphRAG 证据路径。

13. 复习问题

  1. GCN 如何利用邻居信息？
  2. GraphSAGE 为什么适合大规模动态图？
  3. GAT 的 attention 对解释有什么帮助和局限？
  4. GNN 和知识图谱/GraphRAG 的区别是什么？
  5. 金融欺诈图中最重要的节点和边有哪些？
  6. 为什么 GNN eval 必须按时间切分？
  7. GNN score 为什么不能直接作为高风险业务动作依据？