如何通过GES技术提升互联网电商风险控制能力？

本文共计1347个文字，预计阅读时间需要6分钟。

随着大数据时代的到来，互联网电商风控已从人工抽取规则为主，发展到当前基于大数据的风控。与金融风控不同，互联网电商风控呈现业务量巨大、防控面广的特点。

随着大数据时代的到来，互联网电商风控已经从无风控、人工抽取规则为主的简易规则模型发展到当前基于大数据的风控。与金融风控不同，互联网电商风控呈现出业务量大、防控面广、流程长等特点，对研判效率和响应时效性要求更高。另一方面，风控是不断对抗升级的过程，需要不断优化并挖掘非法用户的新特征，进而提高风控的成功率。图计算可以说是互联网电商风控的有力武器，不仅在复杂关系的存储和分析上优于关系型数据库，而且能够有效利用数据间关联关系和结构，提供更为精准可靠的决策依据。下面通过典型场景分析图计算如何赋能互联网电商风控。

一、虚假账号注册

1、场景现象：

电商中存在着大量的虚假账号，在评论区通过传播虚假信息、发布垃圾评论等扰乱正常交易秩序，这不仅对用户造成了很大的困扰，而且也增加了企业运营成本。已有的基于特征和分类的方法，在检测时效性上存在不足，可能产生较大延迟，导致检测生效时大量非法行为已发生。在账号注册时即对其潜在风险进行检测，能够更早的研判其合规性。

2、解决思路：

（1）对注册账号提取基于同步和异步的特征，并根据两两间的共性和差异性分别构建“同步注册模式特征”和“异步注册模式特征”。若一对账户间存在较多的同步或异常特征，则它们间应具有较高的分数权重。

（2）为解决账号间关联强弱的问题，可通过机器学习方法学习自动对不同特征加权的同步异常特征评分，并根据评分判断是否在账号间构建带权重的连边。

（3）据经验，正常账号和正常账号间，虚假账号和虚假账号间往往具有较强的紧密连接，而虚假账号和正常账号间具有一定的隔离性或稀疏连接。基于此，通过社团发现算法进行虚假账号检测是最佳选择。若节点通过较大的边权重连接到其它节点，则节点间的同质性更强。若社团中某点是虚假账号，则其关联节点更有可能是虚假的。