反欺诈是风控中非常重要的环节，也是知识图谱适合应用的场景。而知识图谱用来描述关系网络，天生是分析关联欺诈的便捷手段。以先进的团伙识别算法为基础，目前越来越多的机构构建了全新的团伙欺诈识别模型，在实际业务中识别准确率可达70%+以上。

而在常见的欺诈关系图形中，都有哪些图形内容？各位读者是否都已了解？

本文就给大家介绍下图库关联中的各种关系，请看本文详细介绍：

关联关系一：完全子图








对于任意两点都相连的图（完全子图）具有较高的风险性。这种网络内的人相互认识，里面的单位就像一个欺诈团伙，这种也是目前最容易识别的欺诈关系。

欺诈指数：⭐

信贷场景：目前消费分期、信用卡是最典型的团伙欺诈案例，采用这种欺诈图关系的一般都不是不太高明的团伙欺诈，也是较为低级的黑产。

关联关系二：星型网络





星型网络：部分羊毛党会通过群控模拟正常人的行为来牟利，一些骗保的人其网络特征多数也为星型网络。

欺诈指数：⭐⭐

信贷场景：星型网络中的黑产，也属于小白黑产，这类黑产对信息关联完全没有概念，其作案的成本也较低。常见的有中介代办等贷款业务；

关联关系三：链条形网络











以信用卡套现为例，为节省成本，多数人共用一套身份信息（如身份证、手机号、住址、联系人等）。

欺诈指数：⭐⭐⭐

信贷场景： 目前以信用卡套现的场景较为多见。因为信用卡套现需要用到POS，而POS关联又会牵出有上下游之间的关系，然后又可以带出申请推荐人等信息。这种关联也常见于供应链金融等欺诈场景；

关联关系四：关键节点











一个节点连接多个社区且社区内人群多数信贷不良，那么这个节点很可能是黑产中介，以该节点为突破点，挖掘其网络特征进而找到犯罪团伙。

欺诈指数：⭐⭐⭐⭐

信贷场景：这种场景具有一定的隐蔽性，常见贷超，代办，信用卡代办的场景。尤其是当黑产在里面时候，风险较为难发觉。

关联关系五：特殊社区











单独看个体很难发现异常，但当视角扩大到网络后，会有新的发现，本着最小化成本的原则，团伙作案通常会共享一部分信息或共享几台设备。

欺诈指数：⭐⭐⭐⭐⭐

信贷场景：目前这种是比较高明的的团伙欺诈，最危险的图形。黑产团伙多会在社区里多次频繁更换信息。最开始的时候会用到两到三次信息，接着再继续更换信息。目前这种特殊社区，因为还没有统一的标准名称，我们统一称为特殊社区。一般不具有关系图库的话，根本没有办法发现这是一个社区团伙。

既然提到关系图库，又有本文所述的五种关系网络图，就不能不使用Neo4j给大家做一下演示：








~原创文章

...

end