机器学习PAI实践四:如何实现金融风控

我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

机器学习PAI实践四:如何实现金融风控

作者:李博Garvin

(本文数据为虚构,仅供实验)

一、背景

本文将针对阿里云平台上图算法模块来进行实验。图算法一般被用来解决关系网状的业务场景。与常规的结构化数据不同,图算法需要把数据整理成首尾相连的关系图谱。图算法更多的是考虑边和点的概念

阿里云机器学习平台上提供了丰富的图算法组件,包括K-Core、最大联通子图、标签传播聚类等。 本文的业务场景如下:

下图是已知的一份人物通联关系图,每两个人之间的连线表示两人有一定关系,可以是同事关系或者亲人关系等。已知“Enoch”是信用用户,”Evan”是欺诈用户,计算出其它人的信用指数。通过图算法,可以算出图中每个人是欺诈用户的概率,这个数据可以方便相关机构做风控。

机器学习PAI实践四:如何实现金融风控

二、数据集介绍

数据源:本文数据为自己生成,用于实验。

具体字段如下:

字段名 含义 类型 描述
start_point 边的起始节点 string
end_point 边结束节点 string
count 关系紧密度 double 数值越大,两人的关系越紧密

数据截图:
机器学习PAI实践四:如何实现金融风控

三、数据探索流程

首先,实验流程图:
机器学习PAI实践四:如何实现金融风控

1.最大联通子图

最大联通子图的功能很好理解,前面已经介绍了,图算法的输入数据是关系图谱结构的。最大联通子图可以找到有通联关系的最大集合,在团伙发现的场景中可以排除掉一些与风控场景无关的人。本次实验通过“最大联通子图”组件将数据中的群体分为两部分,并赋予group_id。通过“SQL脚本”组件和“JOIN”组件去除下图中的无关联人员。

机器学习PAI实践四:如何实现金融风控

2.单源最短路径

通过“单源最短路径”组件探查出每个人的一度人脉、二度人脉关系等。distance讲的是“Enoch”通过几个人可以联络到目标人。

如下图:
机器学习PAI实践四:如何实现金融风控

3.标签传播分类

“标签传播分类”算法为半监督的分类算法,原理是用已标记节点的标签信息去预测未标记节点的标签信息。在算法执行过程中,每个节点的标签按相似度传播给相邻节点。

调用“标签传播分类”组件除了要有所有人员的通联图数据以外,还要有人员打标数据。这里通过“已知数据-读odps”组件导入打标数据(weight表示目标是欺诈用户的概率):
机器学习PAI实践四:如何实现金融风控

通过SQL对结果进行筛选,最终结果展现的是每个人涉嫌欺诈的概率,数值越大表示是欺诈用户的概率越大。
机器学习PAI实践四:如何实现金融风控

End.

转载请注明来自36大数据(36dsj.com): 36大数据 » 机器学习PAI实践四:如何实现金融风控

本文被转载1次

首发媒体 36大数据 | 转发媒体

随意打赏

python机器学习什么是机器学习供应链金融风控互联网金融风控机器学习实践机器学习算法金融风控模型消费金融风控机器学习视频金融风控管理
提交建议
微信扫一扫,分享给好友吧。