鄭忠斌，胡瑞鑫，周寧靜，王朝棟

（1.工業(yè)互聯(lián)網(wǎng)創(chuàng)新中心（上海）有限公司，上海 201303；2.同濟大學，上海 200092）

0 引言

近些年，隨著網(wǎng)絡(luò)通信技術(shù)的日新月異，人們能夠高效收集到各種各樣的信息，而各行各業(yè)也都已經(jīng)完成了大量數(shù)據(jù)的積累。這些海量數(shù)據(jù)在極大改善和豐富人們生活的同時，不免讓人們重新思考如何更好地進行信息組織、查找與分析。隨著應(yīng)用場景越來越復雜，人工方式已經(jīng)不再能夠面對如此龐大的信息?；谶@些變化，處理數(shù)據(jù)的機器學習（Machine Learning）方法的地位迅速提升。目前，網(wǎng)絡(luò)安全與金融經(jīng)濟等眾多領(lǐng)域均非常關(guān)心機器學習相關(guān)的研究進展，其中網(wǎng)絡(luò)借貸由于便捷性逐漸受到了廣泛關(guān)注。但是，網(wǎng)絡(luò)借貸中存在大量欺詐申請，若借貸人無法及時歸還借貸金額，會造成借貸公司的經(jīng)濟損失。關(guān)于欺詐和欺詐活動有很多定義。注冊欺詐審查員協(xié)會（Association of Certified Fraud Examiners）將“欺詐”定義為通過故意濫用或誤用雇傭組織的資源或資產(chǎn)來占用他人個人資產(chǎn)的行為。文獻[1]中提到欺詐的主要成因是通過非法手段獲取虛假的利益，將對經(jīng)濟、法律乃至人類道德價值觀產(chǎn)生巨大影響。文獻[2]中提到涉及金錢和服務(wù)的幾乎所有技術(shù)系統(tǒng)都可能受到欺詐行為的影響，如信用卡、電信、醫(yī)療保險、汽車保險和在線拍賣系統(tǒng)等。

反欺詐本質(zhì)上可以表示為一個二分類的異常檢測問題，其中正常數(shù)據(jù)為一類，欺詐和異常數(shù)據(jù)為另一類。反欺詐模型建立的目的是將欺詐數(shù)據(jù)從所有數(shù)據(jù)中區(qū)分開來。但是，與傳統(tǒng)的二分類問題相比，該領(lǐng)域所使用的數(shù)據(jù)有很大不同。反欺詐領(lǐng)域中，數(shù)據(jù)集中的異常數(shù)據(jù)樣例通常較少，而正常數(shù)據(jù)通常占據(jù)絕大部分，同時異常數(shù)據(jù)的某些或者全部特征通常與其他數(shù)據(jù)點差別較大。監(jiān)督學習側(cè)重于對有標簽的數(shù)據(jù)進行訓練，而對無標簽樣本逐一進行標記往往不現(xiàn)實，需要耗費大量的人力物力。面對這種標簽數(shù)量缺失的情況，無監(jiān)督學習應(yīng)運而生。相比監(jiān)督學習，無監(jiān)督學習是一種無標簽數(shù)據(jù)進行挖掘的學習模式。換而言之，無監(jiān)督學習是在不需要給數(shù)據(jù)打標簽的基礎(chǔ)上進行數(shù)據(jù)挖掘工作。無監(jiān)督學習的特點是在僅對其提供無標簽的數(shù)據(jù)情況下，能夠自動從這些數(shù)據(jù)中找出其潛在的類別規(guī)則，在學習完畢并經(jīng)測試后應(yīng)用到新的數(shù)據(jù)上。無監(jiān)督學習模型在學習時并不知道其分類結(jié)果是否正確，也就是說沒有標簽告訴模型何種學習是正確的。

顯然，如果只進行監(jiān)督訓練，使用少量“昂貴的”有標記的樣本而拋棄大量“廉價的”無標記的樣本，是對數(shù)據(jù)資源的一種極大浪費。如果使用無監(jiān)督學習，則數(shù)據(jù)集中的標簽不能被有效利用，同時訓練出的模型具有很大不確定性。針對這兩種情況，目前已有研究人員提出將少量的有標簽樣本與大量的無標簽樣本一起進行學習的策略，即弱監(jiān)督學習算法。人們希望能夠使用弱監(jiān)督學習的辦法，將有限的標簽信息和大量未標記數(shù)據(jù)中的信息有效利用起來，結(jié)合少量有標簽數(shù)據(jù)和大量未標記數(shù)據(jù)中的信息，達到相應(yīng)的分類和預測效果。

在這個過程中，本文主要做出了以下貢獻：基于借貸數(shù)據(jù)集構(gòu)成的關(guān)系圖，實現(xiàn)基于圖的半監(jiān)督算法。利用在數(shù)據(jù)集上構(gòu)建關(guān)系圖，并在關(guān)系圖上用Louvain 算法進行社區(qū)發(fā)現(xiàn)，能夠在大規(guī)模數(shù)據(jù)集上高效快速完成模型構(gòu)建。其中，詳細展示了Louvain 算法的實現(xiàn)、如何對社區(qū)發(fā)現(xiàn)結(jié)果進行標簽傳播以及使用K-S 值衡量反欺詐模型的效果并調(diào)整參數(shù)。

本文旨在研究分析弱監(jiān)督算法在互聯(lián)網(wǎng)金融反欺詐領(lǐng)域的應(yīng)用，選取網(wǎng)絡(luò)借貸場景進行研究。結(jié)合理論和實證分析，在借貸數(shù)據(jù)集上構(gòu)建申請信息的關(guān)系圖；結(jié)合借貸欺詐場景中非數(shù)值型數(shù)據(jù)集的特征，設(shè)計相應(yīng)的弱監(jiān)督反欺詐模型；在標簽數(shù)量不足的情況下，基于圖進行半監(jiān)督反欺詐模型的構(gòu)建，并評估相應(yīng)算法在該數(shù)據(jù)集上的表現(xiàn)。實驗表明，該算法能夠在實際應(yīng)用中有效識別出欺詐。

1 相關(guān)工作

最初的欺詐檢測研究主要集中在統(tǒng)計模型，如邏輯回歸和神經(jīng)網(wǎng)絡(luò)。1988 年，神經(jīng)網(wǎng)絡(luò)就被用在金融預測領(lǐng)域[3]。1995 年，Sohl 和Venkatachalam首先使用反向傳播神經(jīng)網(wǎng)絡(luò)預測財務(wù)報表欺詐。2001 年和2002 年，Bolton 和Hand 用統(tǒng)計學習方法對欺詐檢測進行了一些一般性分析。2006 年，Yang和Hwang 使用過程挖掘方法研究醫(yī)療保健欺詐。而在近期的相關(guān)研究中，Huang 使用邏輯回歸和支持向量機調(diào)查了一系列臺灣公司的財務(wù)報表欺詐行為。Soltani Halvaiee 和Akbari 利用人工免疫系統(tǒng)識別了一家匿名巴西銀行的信用卡欺詐行為。Sahin等人使用決策樹對欺詐用戶建模，認為在模型評估上準確率和TPR 并不適合這種問題，并以此改進了決策樹的損失函數(shù)[4]。Zareapoor 和Shamsolmoali利用集成學習分類器，對比樸素貝葉斯、支出向量機和K 近鄰算法進行信用卡用戶的反欺詐建模，發(fā)現(xiàn)集成學習的效果好于單一的算法[5]。West 和Bhattacharya 討論計算機智能和云計算在金融反欺詐系統(tǒng)上的運用[6]。Gulati 和Dubey 等使用神經(jīng)網(wǎng)絡(luò)并引入用戶地理位置信息建立反欺詐系統(tǒng)，效果能夠提升80%[7]。

弱監(jiān)督學習方法適用于在構(gòu)建模型的過程中，使用的訓練數(shù)據(jù)只有一小部分數(shù)據(jù)有標簽，而大部分數(shù)據(jù)沒有標簽，且只用這一小部分有標簽的數(shù)據(jù)不足以訓練一個好的模型的情況[8]。弱監(jiān)督學習是一個較為總括性的術(shù)語，涵蓋了試圖通過較弱的監(jiān)督來構(gòu)建預測模型的各種研究。其中，數(shù)據(jù)標簽可能存在數(shù)量不足、粗粒度較大以及不夠準確的情況。

在針對數(shù)據(jù)集標簽數(shù)量不足的半監(jiān)督學習中，有兩個基本假設(shè)，即聚類假設(shè)（Cluster Assumption）和流形假設(shè)（Manifold Assumption）。這兩個假設(shè)都是關(guān)于數(shù)據(jù)分布的。前者假設(shè)數(shù)據(jù)具有內(nèi)在的聚類（Cluster）結(jié)構(gòu)，處在相同聚類中的數(shù)據(jù)有較大的可能擁有相同的標記[8]。根據(jù)該假設(shè)，決策邊界應(yīng)該盡可能通過數(shù)據(jù)較為稀疏的地方，從而避免把稠密的聚類中的數(shù)據(jù)點分到?jīng)Q策邊界兩側(cè)。后者假設(shè)數(shù)據(jù)分布在一個流形上，處于一個很小的局部鄰域內(nèi)的示例具有相似的性質(zhì)。這一設(shè)定反映了決策函數(shù)的局部“平滑”性[9]。和聚類假設(shè)著眼整體特性不同，流形假設(shè)主要考慮的是模型的局部特性。這兩個假設(shè)都揭示了數(shù)據(jù)分布信息與其類別標記相互聯(lián)系[10]。利用未標注數(shù)據(jù)中的數(shù)據(jù)分布信息，可以更好地找到樣本點之間的關(guān)聯(lián)和預估樣本點的標簽，從而提高模型性能。

2 方法設(shè)計

Louvain 算法是一種基于模塊度（Modularity）的社區(qū)發(fā)現(xiàn)算法，在效率和效果上都表現(xiàn)較好，并且能夠發(fā)現(xiàn)層次性的社區(qū)結(jié)構(gòu)。算法優(yōu)化的目標是最大化整個圖屬性結(jié)構(gòu)（社區(qū)網(wǎng)絡(luò)）的模塊度。Louvain 算法得到的社區(qū)結(jié)構(gòu)是分層的，每一輪計算完成后得到的新圖都是對一個大社區(qū)內(nèi)若干細分社區(qū)發(fā)現(xiàn)的結(jié)果。這樣的分層結(jié)構(gòu)得到的是每個網(wǎng)絡(luò)的自然屬性，使人們能夠深入了解某個社區(qū)的內(nèi)部結(jié)構(gòu)和形成機制。同時，Louvain 算法的性能較好，對圖的大小幾乎沒有上限要求，并且能在迭代幾輪后快速收斂，使得該算法有能力處理擁有百萬級別以上節(jié)點的大型網(wǎng)絡(luò)。

Louvain 算法主要包括兩個階段。第一階段，不斷遍歷網(wǎng)絡(luò)中的結(jié)點。假設(shè)每個節(jié)點為1 個社區(qū)，N個節(jié)點。初始化N個社區(qū)，嘗試將單個結(jié)點加入能夠使模塊度提升最大的社區(qū)中，直到所有結(jié)點不再變化。第二階段，處理第一階段結(jié)果，將一個個小社區(qū)歸并為一個超結(jié)點，重新構(gòu)造網(wǎng)絡(luò)。算法不斷迭代這兩個步驟，直至所有子社區(qū)模塊度相加值不再變化。

模塊度Q由Newman 等人[11]提出，能用來評估算法結(jié)果的好壞。模塊度Q的公式定義為：

其中Ai,j代表節(jié)點連接節(jié)點i、j的邊的權(quán)值；ki表示與節(jié)點i相連的所有邊權(quán)值之和；ci為節(jié)點i所歸屬的社區(qū)；而δ(ci,cj)為一個關(guān)于節(jié)點歸屬社區(qū)的函數(shù)，函數(shù)中兩個變量相同時取值為1，反之為0。Q值的取值范圍為0-1，值越大，說明網(wǎng)絡(luò)劃分的社區(qū)結(jié)構(gòu)準確度越高。

首先，假設(shè)網(wǎng)絡(luò)中每一個節(jié)點歸屬于一個社區(qū)。對其中任一節(jié)點i，計算將其并入相鄰社區(qū)后整個網(wǎng)絡(luò)Q值的變化ΔQ：

找到Q值變化最大的社區(qū)（若計算得到ΔQ為負，則不改變i的歸屬社區(qū)）。按照Q值增加的方向，將一個社團的節(jié)點不斷移至另一個社團，直至Q函數(shù)達到峰值。當Q值不再發(fā)生變化，即將一個節(jié)點轉(zhuǎn)移到網(wǎng)絡(luò)內(nèi)的另一個相鄰社區(qū)不能帶來ΔQ的提升時，此時網(wǎng)絡(luò)內(nèi)所有節(jié)點不再移動，得到的各個社區(qū)將作為新圖的節(jié)點。

當執(zhí)行完Louvain 算法后，劃分出若干個社區(qū)，其中每個社區(qū)可以看作是數(shù)據(jù)中的一個群體。到目前為止，需要對得到的社區(qū)中的節(jié)點進行分類，即為每個社區(qū)打上標簽。

根據(jù)社區(qū)發(fā)現(xiàn)算法的原理，所得到的最佳劃分的每個子簇都代表一個社區(qū)，每個社區(qū)內(nèi)部的標簽應(yīng)該一致。根據(jù)每個子社區(qū)中有標簽節(jié)點的標簽對整個子社區(qū)進行標注。當存在標簽為0 的節(jié)點時，將子社區(qū)其他未標記數(shù)據(jù)標為0，如圖1 所示。

圖1 標記過程示意1

當存在標簽為1 的節(jié)點時，可以將子社區(qū)其他未標記數(shù)據(jù)標為1，如圖2 所示。

圖2 標記過程示意2

當子社區(qū)中同時存在標簽為0 和標簽為1 的節(jié)點時，將子社區(qū)其他節(jié)點標為數(shù)量多的那方的標簽，如圖3 所示。

圖3 標記過程示意3

3 實驗驗證

3.1 數(shù)據(jù)集簡介

本實驗中使用的數(shù)據(jù)集為某銀行的借貸數(shù)據(jù)集，數(shù)據(jù)集已經(jīng)過脫敏處理，不會泄露客戶個人信息。該數(shù)據(jù)集是一個非常典型的非數(shù)值型數(shù)據(jù)集，共有38 個特征。除了label 特征用來表示每條數(shù)據(jù)的標簽外，其余特征皆是字符串類型的數(shù)據(jù)。數(shù)據(jù)集共有229 407 條數(shù)據(jù)，其中包含了大量無標簽數(shù)據(jù)。Label 為0，表示交易正常，共28 171 條數(shù)據(jù)；label 為1，表示交易存在欺詐申請，共2 546 條數(shù)據(jù)；label 為2 和空，表示交易無法判斷是否存在欺詐申請，共198 690 條數(shù)據(jù)。

3.2 模型評估指標

KS值是一個常用來衡量風控模型優(yōu)劣的指標[12]，在模型中能夠用于區(qū)分預測正負樣本分隔程度，因此非常適合用于評估反欺詐分類的效果。

計算KS值時涉及到的各項指標、含義和計算方法，如表1 所示。

表1 模型評估相關(guān)指標描述

KS值的計算公式為：

KS值越大，說明模型區(qū)分正例和反例的效果越好。

3.3 實驗性能

利用NetworkX 導出Neo4j 數(shù)據(jù)庫中的圖。在數(shù)據(jù)庫中為每種關(guān)系都建立邊，因而存在兩個節(jié)點之間有多條邊的情況。這里合并節(jié)點間的多條邊，將關(guān)系圖存儲成無權(quán)圖的格式。最終，所得無權(quán)圖共含有197 862 條邊。在關(guān)系圖上運行Louvain 算法，得到的最佳劃分的模塊度為0.904 8。

執(zhí)行完Louvain 算法后，得到了關(guān)于關(guān)系圖的一個劃分。對得到的社區(qū)中的節(jié)點進行分類，即為每個社區(qū)打上標簽。標注過程結(jié)束后，在訓練集對應(yīng)的測試集上評估預測結(jié)果，得到的KS 值為0.446，混淆矩陣如表2 所示。

表2 Louvain 算法性能

通過調(diào)整標簽標記的方式來提高模型的性能。在標簽標記過程中，當一個子社區(qū)中同時出現(xiàn)標簽為1 的節(jié)點和標簽為0 的節(jié)點時，根據(jù)雙方數(shù)量的多少來判斷剩下節(jié)點的標簽?，F(xiàn)在改變這一判定標準，定義欺詐占比Fr：

根據(jù)Fr可以制定更精細的標注方法。首先，分別統(tǒng)計每個子社區(qū)中的欺詐占比Fr。其次，設(shè)定劃分基準rate。當Fr＞rate 時，子社區(qū)標簽為1，否則標簽為0?？芍?，當rate=0.5 時，根據(jù)1 和0的數(shù)量多少來判定標簽，即式（3）中使用的方法得到的KS值為0.446。通過改變rate的值，可以得到KS關(guān)于rate變化的曲線。

根據(jù)圖4，當rate設(shè)置在0.2 時，得到的KS值最高。因此，將模型的rate定為0.2，最終的KS能夠提升到0.46。

圖4 KS-rate 折線圖

4 結(jié)語

本文基于現(xiàn)有的反欺詐和弱監(jiān)督算法研究，探索了如何在銀行借貸數(shù)據(jù)集上構(gòu)建反欺詐模型，使得現(xiàn)實場景中在有標簽數(shù)據(jù)不足時的情況下也能及時識別欺詐，取得較好的反欺詐效果。在互聯(lián)網(wǎng)金融領(lǐng)域構(gòu)建一個反欺詐模型，需要從實際的應(yīng)用場景出發(fā)，結(jié)合數(shù)據(jù)集的特點全面判斷合適的算法，不可直接生硬套用模型，同時需要從各種模型評估的角度選擇相應(yīng)的算法。未來將嘗試構(gòu)建性能更優(yōu)的弱監(jiān)督反欺詐檢測方法，并將多種弱監(jiān)督算法進行集成學習，從而進一步提高反欺詐的檢測性能。