泛钛客科技：汽车金融场景下团伙欺诈的智能识别

近年来，人工智能的研究与应用在各行各业中都备受关注。泛钛客科技旗下的FInSight人工智能实验室将从金融机构的角度出发，通过实际业务场景和人工智能技术的结合，介绍一套在汽车金融场景下的智慧风控团伙欺诈识别AI算法，为金融机构的风险防控提供强有力的支撑。    

本产品为 FInSight人工智能实验室自主研发的知识图谱预警系统Matrix，目前已在多家金融机构的实际业务中落地应用。该系统助力风控线上化及智能化的发展，让团伙欺诈风险变的可视化、动态化，提高风险识别的及时率和准确率，解决了金融机构过度依赖于专家规则进行反欺诈工作的痛点。

一、背景

随着互联网、物联网及大数据的兴起和普及，影响了当下的金融生态和金融格局。在此宏观背景下，金融机构为了提高自身竞争力，降低运营成本，提高客户满意度，逐步向互联网业务转型。再加上新冠肺炎疫情限制了原有的线下业务渠道，这也进一步加快了银行网上业务的转型步伐。

虽然银行互联网业务具有收益高、成本低、体验好、方便快捷等优势，但是该业务“无接触服务”的特点也导致了客户欺诈风险的激增，这无疑是银行互联网业务发展面临的巨大挑战之一。当前汽车金融场景下的反欺诈识别手段中，主要还是依靠人工和专家规则进行识别，这种识别手段存在一定的局限性，无法全面进行分析。人工需要不断积累经验且定期维护，也无法识别个体正常但属于团伙欺诈的情形。而基于人工智能、大数据及云计算的知识图谱技术作为天然的关系网络分析工具，通过图谱分析技术深度挖掘客户潜在风险，可以更高效且精准的识别风险。下面就为大家详细介绍下这种技术及其实际应用。

二、技术应用

1、关联关系与实体的选取

知识图谱是将现实中的事物和关系通过点和线的方式反映到图中。在实际应用中，首先需要定义实体和关联关系，在汽车金融业务场景中实体通常可以是人、地址、业务编号、身份证号等；关系可以是联系人、就职企业、现住房地址、单位地址等。

那么如何在众多关联关系和实体中筛选出对业务最有用的关键信息呢？一般我们可以通过以下四种方法进行关联关系探索：

（1）基于已知的团伙案件进行案例分析，梳理出相似特征，并提炼特征中所包含的关联关系；

（2）结合业务经验提炼强关联维度；

（3）采用数据分析的方法，提取一度二度关联指标IV值较高的关联关系；

（4）采用社团发现算法进行团伙关联关系探索。

2、知识图谱构造基于定义好的关联关系，构建一个直观且多维角度的数据视角，形成一个关联关系网络，如下图所示：

3、异常监测

通过对业务数据中实体和关联关系进行知识图谱构造后，我们就能得到所有有关联的由业务组成的关联关系网络。但是在这些网络中，不同网络结构代表不同的风险等级，需要对风险进行特征提取。

原则上有两种方法，第一是可以通过有监督的机器学习方法，在已知一个关联关系图是“好”和“坏”的情况下，通过大量的历史信息挖掘潜在的风险特征和关联关系模式；第二是使用无监督的方法，即在关联关系图中，找出具有异常性质的实体、关联关系或者社区团体。比如在关联关系图中，大多数团体应该是独立节点或者小规模团体，若是骗贷团伙则可能对某些信息进行共享，比如身份证号等。若在关联关系图中发现共享节点较多，且节点间的关系较为复杂，则存在较高可能性的欺诈风险。

4、社区风险排除

我们将知识图谱中每一个独立的关联关系称为社区，如下图所示（共6社区）: 

根据异常监测信息，以及根据每个社区的大小、社区形状（环形，线性等），及各节点紧密程度，使用图神经网络算法来量化每一个社区的复杂程度和风险程度。在实际应用中可分析出申请人所在社区的风险程度。如在下图中，右侧图的风险值大于左侧图。

三、应用前景

知识图谱的技术应用不仅可以实现金融场景下的团伙欺诈识别，还可以应用在更多领域中：

1、产品推荐

将人与产品、产品与产品、人与人以图的形式连接，深度挖掘产品、人之间的联系。

2、不一致关系验证

新知识与已有知识进行核验，检出冲突知识。

3、次优人群的精准营销

利用关联图谱的特点和优势，可以对符合次优特点的客户群体进行精准识别，其方式是：基于行内的优质种子客群，识别出与优质客群具有强关联关系的次优客群，对这部分次优人群进行进一步营销。

4、发展核心人物自营销

利用知识图谱识别所有关系中最核心的人物，在此基础上向该核心任务推荐社区成员名单，由核心任务在团体中进行自营销，提高营销效率。

知识图谱技术通过数据挖掘、信息处理、知识计算和图形绘制，助力金融机构进行风险评估、预测、反欺诈，以及精准营销等技术支持。泛钛客科技研发的知识图谱预警系统Matrix，深度与汽车金融业务进行结合，是支撑金融机构数字化转型发展的“底层技术”之一。在未来，泛钛客科技将不断优化升级研发的深度及广度，运用自身对金融场景的理解及经验，助力行业发展，让金融更智慧。