日本熟妇hd丰满老熟妇,中文字幕一区二区三区在线不卡 ,亚洲成片在线观看,免费女同在线一区二区

AI 助理
備案控制臺
文檔
有獎調研
輸入文檔關鍵字查找
首頁 圖數據庫 實踐教程 銀行、金融

銀行、金融

更新時間：
產品詳情
相關技術圈
我的收藏

在現代欺詐和各類金融犯罪中，欺詐者通過改變自身身份等達到逃避風控規則的欺詐目的。您可以通過圖數據庫GDB建立跟蹤用戶行為的圖結構，實時分析欺詐行為的離散數據，識別欺詐環，幫助您快速防范和解決欺詐行為。

1、數據模型

以金融交易領域公開數據集IEEE-CIS Fraud Detection數據集為例。更多信息，請參見數據模型參考下載。

數據是由電商平臺Vesta提供的交易記錄，包括了交易相關的設備、地址、郵箱等信息，可以將數據模型抽象為下圖：

說明

在本文示例中，需要對交易涉及到屬性信息進行較多的過濾、統計等操作，所以這里將交易記錄及其屬性信息建模成邊；如果在實際的業務中更關注交易記錄本身，可以考慮將交易記錄的屬性信息直接建模成點的屬性。

5.6

示例數據如下：

  • 點文件：

    //Transaction交易信息。
~id,~label,is_fraud:int
2987000,"transaction",0
2987001,"transaction",0
2987002,"transaction",0
2987003,"transaction",0
2987004,"transaction",0

//DeviceType設備類型信息。
~id,~label
"mobile","devicetype"
"desktop","devicetype"

  • 邊文件：

    ~id,~from,~to,~label
1,2987000,"","t_e_p"
2,2987000,"","t_e_r"
3,2987000,"315.0","t_a1"
4,2987000,"87.0","t_a2"

2、創建實例

創建圖數據庫實例。具體操作，請參見創建主實例。

說明

  • 實例購買成功后，您可以在實例列表頁面查看實例相關信息。通常，實例創建成功需要3~5分鐘。

  • 創建GDB實例后，您需要創建賬號和密碼、設置安全組，保證您具有GDB實例的訪問權限。具體操作，請參見創建賬號和設置白名單。

3、數據導入

圖數據庫GDB支持從多種數據源將數據導入至圖數據庫GDB，您可以使用以下兩種方式進行數據導入：

4、連接實例

圖數據庫GDB支持多種方法連接實例，您可以通過以下五種方式連接實例：

  • 通過GDB控制臺直接登錄數據管理服務DMS，更加方便快捷地遠程訪問、在線管理您的GDB數據庫。具體操作，請參見通過DMS登錄GDB數據庫。

  • 通過開源組件GDB Console可視化控制臺登錄圖數據庫，可視化界面，操作簡單，并可根據業務需求對可視化界面進行二次開發。具體操作，請參見通過開源組件GDB Console登錄圖數據庫。

  • 通過Gremlin Console連接實例，命令行模式，適合Gremlin內核版本，適合用于查詢語句性能優化。具體操作，請參見通過Gremlin Console連接實例。

  • 通過Cypher Shell連接實例，命令行模式，適合Cypher內核版本。具體操作，請參見通過Cypher Shell連接實例 。

  • 通過SDK連接，支持Java、Python、.Net、Go、Node.js五種SDK。具體操作，請參見SDK參考。

5、使用范例

  • 簡單查詢

    • 數據統計：

      //統計點的數目。
gremlin> g.V().count()
==>592789

//統計邊的數目。
gremlin> g.E().count()
==>2533038

    • 過濾查詢、排序查詢：

      //查詢ID為2987000的交易信息。
gremlin> g.V('2987000').valueMap(true)
==>[id:2987000,label:transaction,is_fraud:[0]]

//查詢ID為2987000的交易信息。
gremlin> g.V('2987000').outE()
==>e[3][2987000-t_a1->315.0]
==>e[4][2987000-t_a2->87.0]
==>e[5][2987000-t_p->W]
      5.7

  • 通用場景

    • K階鄰居：

      //查詢和交易記錄2987000有相同地址的其他交易記錄。
gremlin> g.V('2987000').repeat(bothE('t_a1').otherV().simplePath()).times(2).path() //bothE() 部分控制查詢邊類型，times()部分控制查詢深度。
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[86][2987015-t_a1->315.0],v[2987015]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[171][2987031-t_a1->315.0],v[2987031]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[196][2987036-t_a1->315.0],v[2987036]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[305][2987056-t_a1->315.0],v[2987056]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[356][2987066-t_a1->315.0],v[2987066]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[399][2987073-t_a1->315.0],v[2987073]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[411][2987075-t_a1->315.0],v[2987075]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[451][2987083-t_a1->315.0],v[2987083]]
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[510][2987094-t_a1->315.0],v[2987094]]
......
      5.8

    • 最短路徑：

      //查詢交易記錄2987000和交易記錄2987172的最短路徑，最大深度為2。
gremlin> g.V('2987000').repeat(bothE().otherV().simplePath())
            .until(hasId('2987172').or().loops().is(gt(2L)))  //hasId()部分控制結束ID，gt()部分查詢深度。
                .hasId('2987172').path().dedup()
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[938][2987172-t_a1->315.0],v[2987172]]
==>[v[2987000],e[4][2987000-t_a2->87.0],v[87.0],e[939][2987172-t_a2->87.0],v[2987172]]
==>[v[2987000],e[5][2987000-t_p->W],v[W],e[940][2987172-t_p->W],v[2987172]]
      5.9

    • 共同鄰居：

      //查詢交易記錄2987000和交易記錄2987172的共同鄰居，從而找到具備相同屬性（地址、設備）的交易記錄。
gremlin> g.V('2987000').repeat(bothE().otherV().simplePath()).times(2).hasId('2987172').path().dedup() //hasId()部分控制結束ID。
==>[v[2987000],e[3][2987000-t_a1->315.0],v[315.0],e[938][2987172-t_a1->315.0],v[2987172]]
==>[v[2987000],e[4][2987000-t_a2->87.0],v[87.0],e[939][2987172-t_a2->87.0],v[2987172]]
==>[v[2987000],e[5][2987000-t_p->W],v[W],e[940][2987172-t_p->W],v[2987172]]
      6.0

    • Jaccard相似度：

      //查詢和交易記錄2987000相似的交易記錄，根據相似度分數取前10。
gremlin> g.V('2987000')
            .sideEffect(out().store('v1n'))
            .as('v1')
            .select('v1n').unfold().in().limit(100).simplePath().dedup().as('v2')
            .project('i', 'u')
                .by(select('v2').out().where(within('v1n')).count())
                .by(union(select('v2').out().fold(),select('v1n')).unfold().dedup().count())
            .project('Transaction', '相似度')
                .by(select('v2').id())
                .by(math('i/u'))
            .order().by(select('相似度'), desc).limit(10)
==>[Transaction:2987015,相似度:1.0]
==>[Transaction:2987056,相似度:1.0]
==>[Transaction:2987216,相似度:1.0]
==>[Transaction:2987251,相似度:1.0]
==>[Transaction:2987371,相似度:1.0]
==>[Transaction:2987474,相似度:1.0]
==>[Transaction:2987699,相似度:1.0]
==>[Transaction:2987707,相似度:1.0]
==>[Transaction:2987735,相似度:1.0]
==>[Transaction:2987770,相似度:1.0]

6、客戶效果

某頭部商業銀行信用卡中心，自動構建890個特征，發現涉嫌欺詐商戶12個、預測逾期用戶1.86萬人、套現卡片2.2萬張、識別欺詐團伙102個，模型召回命中率92.4%（客戶模型為60%）。