导读：本文整理自 中国移动算法工程师汪海涛在 NebulaGraph 2022 年度用户大会上的分享，现场视频可点击文末的【阅读原文】查看哦。
各位朋友上午好，我是来自中国移动的算法工程师汪海涛。接下来我主要聊一聊 NebulaGraph 图数据库在中国移动，尤其是金融风控场景的落地应用。
首先我们聊一聊中国移动为什么要建设图平台——
中国移动有非常多的数据，全国大概 9 亿的用户每天都会产生海量的数据。如何从这么大数据里面挖掘出有用的信息，然后用到金融风控场景？
之前，我们是以手机号为维度去提取特征，然后去做一些模型或规则判断一个手机号是否是有违约风险。但仅仅基于手机号很难综合去考虑风险情况，因此我们就想采用图计算技术去综合看一个手机号以及周围的其他手机号的信息，然后共同评判它的风险。
最开始是基于消费金融的场景，从比如说像蚂蚁金服、微信以及京东白条这样一些产品切入，通过用户通话数据、短信数据、设备等多维度的一些信息，去判断用户风险。但中国移动数据量这么大，不管我们要做什么，最大的诉求就是需要有一个非常高性能的平台去支撑数据分析。
我们最开始的时候也是对市场上的一些图数据库产品和图计算框架去做了一些调研。
我们最早是采用了 JanusGraph 加上 Spark 去建设我们平台，但是通过一些测试，我们发现 JanusGraph 的查询性能以及导入性能都比较一般，然后 GraphX 的话，它的计算性能其实也比较一般，特别是它需要的内存量特别大，因此我们后来又开始去调研了市场上很多的图产品，并且对一些图产品做了测试，包括国外的产品，像 TigerGraph 之类的等等，但是因为一些特殊原因，中国移动是在美国商务部的实体清单上，所以很多外国的产品我们是没法去采购和使用的。
然后还有一些比如说国外我们像之前用的 D-graph ，但国外一些产品涉及到比如说寻求支持可能会很不方便的情况，因此最后，我们是选择国内的几家厂商进行了一些测试和比较，最后选择了以 NebulaGraph 作为图数据库，然后以 Plato 作为图计算引擎这样一个整体的架构。
我们整体的架构大概是这样的——
最底层是我们的数据源，中国移动建设有一个全国大数据中心，主要包括通话数据、位置数据、消费数据、设备数据、用户数据和 APP 数据等等，我们每月把这些数据抽取到 HDFS 里面，然后把其中有用的数据抽取到 NebulaGraph 数据库里面，那么这里用的就是 Nebula 的一个导入工具，这是我们图数据存储这一层。
再上一层是计算分析层，这也是我们建模和业务分析人员主要使用的一些框架。首先第一个是 Plato，它是腾讯之前开源的一个图计算引擎，但是据我所知腾讯现在已经不维护这一套引擎了，因此我们也是专门找一些工程师，然后去维护这里面的一套框架，以及修复一些小 bug 之类的。
那么它包含的算法其实很多的，这里我主要是列举了两个社区发现算法，Louvain 算法和 HANP 算法。它里面还包含一个 LPA 算法，因为LPA 算法的话是 HANP 算法一个简化版，所以这里我没有列出来。然后里面还有一个我们有可能后面会用到的关于随机游走类的算法，主要是基于随机游走得到一个节点序列，会为我们后面用于图神经网络训练做一个前期数据预处理的工作。
第三个是GNN，就是图神经网络。图神经网络是最近几年兴起的一个领域，我们现在主要是基于这些模型做一些简单的产品，看看能不能取得比以往的方法更好的一些效果。最后就是基于 NebulaGraph 查询语言，主要就是 go 语句和 fetch 语句做一些简单查询。
再上一层的话就是应用层。首先是关联风险分，关联风险分主要是基于配套的社区发现算法来做的，后面会再详细做介绍。第二个号码风险分和最后一个催收分析主要是基于 NebulaGraph 的查询语句来做的，主要就是查询用户跟一度、二度联系人以及一些违约用户，或是催收专用号码进行一些主动或被动的呼叫。第三个信用评分卡，它是基于图神经网络来做的，最开始主要是用逻辑回归或者决策树之类的模型，这里的话我们也希望通过图神经网络做一些提高。
在介绍我们具体的应用之前，我们先谈一谈有关中国移动的数据情况。
中国移动数据总共分成了6大类，基于这些 Tag，我们会把这些关系数据导入到图数据库里面。我们目前整体的图平台还不是很大，资源相对比较有限，现在总的存储资源大概是在 20 个 T 左右，如果放入太多数据的话，我们可能就存不下了，因此我们就挑一些比较重要的放在数据库里面做一些分析和建模工作。
点数据
点数据主要是有四类，第一个是手机号，手机号也是我们最重要的点数据，因为中国移动几乎所有维度特征都是基于手机号的，主要是包括比如这手机号它是属于哪个市的，然后是否发生过停机，每个月停机的天数是多少等等这样，还有一些消费信息。
第二个是地理位置，主要基于基站。第三个身份证的话，作为唯一身份证识别，可能会有年龄或学历之类的一些标志。最后一个设备，比如手机它就会有一个设备值，那么会有对应的型号、设备系统等。
边数据
然后边数据的话，一个是用户跟用户的通话数据，那么这个就不详细讲，然后第二个手机号和身份之间一个对应关系。第三个是手机号和设备之间对应关系，第四个是手机号跟地理位置之间对应关系，那么这是我们在图数据库里面保存的一些数据。
在最开始的时候我们在数据库里面的话会有一个文件，它是以 key value 形式存储的，如果我们直接以 ID 作为一个 key 的话，那么最后就数据量特别大，原因是我们库里所有数据都是加密的，我们看不到明文，然后我们采用加密方式是 SM4 的方法，最后加密的结果是 48 字节。
如果我们直接用这样一个 ID 存储的话，它存储量实在太大了，所以我们最后是选择把我们这些手机号、地理位置、身份证和设备都进行一个编码，一般手机号是从 0 开始的，其他可能会从一个特定数字开始，编码完成之后以编码作为一个 ID 放到图数据库里面，一个是为了降低平台存储量，第二也是为了和后面 Plato 计算引擎进行适配——因为 Plato 只接受以数字作为 ID 进行建模，不支持字符串或其他，所以如果你是字符串的话，就需要自己再进一步进行编码，我们采用这种方式也是为了兼容两个平台。
然后就开始讲我们的模型，首先第一个是号码风险分模型。
号码风险分最开始是希望用在羊毛党识别这个场景，我们会根据用户的通话流量位置以及手机行为信息去判断一个号码，是不是可能是个羊毛党，主要是四个模块，第一个是接码模块，我们会跟一些外面数据公司合作，判断一个号码有没有可能是一个接码号码，如果是，我们就会认为这个号码是薅羊毛的可能性就很大。
第二个行为异常号码，比如说这个手机号是否当月一次通话都没有，然后是不是每月都基本只有固定的月租这样的消费，对于这种号码的话，我们认为它可能是一个小号，或者是专门用来去薅羊毛的号码。
第三个是位置异常号码，比如说这个手机是否一个月下来就是在一个位置从来没有动过，可能只是放在家里偶尔用一下，不会带出去这种。对于这种号码的话，我们认为它的风险也是相对比较大的。
第四个模型就是染灰模块，基于前三个模块的结果以及一些数据厂商以及银行客户的数据，我们首先获得了一批已经确定的羊毛党用户，那么我们可不可以发现他的一些共同特征？比如说可能有几个羊毛党（号码）是属于同一个用户的，那么我们是不是可以看看这个用户下面其他手机号是不是也可能是羊毛党？
另外，如果发现有一堆手机号是同之前在同一个设备上使用过，我们可能也会认为这个设备上对应的其他手机号也可能会是一些羊毛党，那么这个更多是专业的羊毛党，比如说他们会采用卡池这种设备专门去薅羊毛，然后用这种技术可以发现识别。
然后是关联风险分。我们当时采用的思想就是近朱者赤近墨者黑，在平时交际圈，如果你的违约可能性比较低，那么周围人可能违约性也会比较低。
基于这样一种想法，我们主要做法就是首先基于移动所有用户构建一个关系网络，然后再采用一些社区发现类的算法去挖掘这个社区，比如说个人的一些评分以及个人之间的关系，然后去对这个社区进行打分，然后去识别出这个社区它是否是一个欺诈社区或者是一个低信用的社区。
关联风险分的主要应用场景就是反欺诈领域，在信贷欺诈、交易欺诈、营销欺诈、支付欺诈以及账户欺诈等等多个方面。它最关键一点其实是在于我们原先的数据处理，最开始构建用户关系网络的时候，主要用到三方面的数据，一个是用户通话关系，就是我这个月和你通话过多少次，以及我们通话时长有多少。我们会根据通话次数跟通话时长去计算一个用户关系的强度，然后作为两个用户之间一条边。
第二个种关系就是用户身份证，如果两个手机号是属于同一个身份证，我们会给这两个手机号之间加一条边，一般来说这个还比较好做，因为一个用户下面现在就最多一般只有五个手机号，但设备的话相对就会难做一点，目前采用的方法，如果一个设备下面的手机号特别多的话，我会直接把这个设备给砍掉，就是这种大节点会直接砍掉。
最后是关于图神经网络类的一些应用。我们是在今年才开始建设这个图神经网络平台，目前相对来说比较简陋，就简单讲一下。它的应用场景主要是用户的金融风控信用评分卡，过去我们用做信用评分卡大部分都是首先提取用户一些特征，再然后训练一个逻辑回归模型或者是角色数字类的模型。
那么现在，我们想看看能不能通过图神经网络做一些模型，我们用到的关系，主要就是用户之间通话数据，同样的处理方式跟之前差不多，然后我们会基于他近三个月主动通话、被动通话以总通话次数是否达到要求，去判断要不要保留这样一条边。
我们大概提取100多个主要的特征去录模，这里的模型相对来说比较简单，目前是尝试了一个双塔的模型，左边的是关于图神经网络聚合的这样一个模型，右边用户的特征本身的一个全连接网络做了这样 MLP 的模型。左边的神经网络聚合，是比较简单也是最常用的——GCN、GrapSAGE 和 GAT 这三个模型。我同事大概尝试了一下，最后结果是跟逻辑回归差不多接近，还没有特别大的提升，一方面是目前模型相对比较简单，第二我们想做更大模型也会受到一些计算资源的困扰，所以后面可能会考虑增加模型的一些复杂度，或者是考虑就对数据进行预处理，来提升模型的效果。
另外我们现在采用的是一个同构图的网络建模，后面可能会考虑异构图，比如说考虑用 HAN 这样的一些异构图的模型去建模，把用户的身份证和设备以及位置信息这些点都归纳进来，然后一起进行建模。
首先是数据血缘，因为现在中国移动大数据中心会提供给大概 30多家客户的 50 多个项目进行一个共同的建模，建模工作里包含的数据维表会特别多，因为我们会给每个用户都匹配数据，然后帮他们生成特征，最后会把结果表也保存在数据库里面，大概现在有 1000 多张数据表，平时基本靠人工管理，后面看看能不能通过数据血缘的方式去做一个归纳。
第二个是图神经网络，刚才讲到中国移动的大数据中心，还有一个人工智能中心，那里有很多的 GPU 资源进行人工神经网络的训练，但是这两个平台之间是不通的，所以后面看怎么去解决这个问题。
OK，我今天的分享就到这里，感谢大家。
