最近，AI 领域围绕“下一代 RAG 技术演进路径”的讨论逐渐升温。随着大模型应用进入深水区，单纯依赖传统 RAG 的局限性愈发明显——无论是处理千亿级关联数据的效率瓶颈，还是对复杂语义推理的支撑不足，都在倒逼技术架构的升级。

在此背景下，两种技术路径的讨论引发关注：

路径A：知识表示层的革新——通过引入图结构，将非结构化文本转化为可推理的语义网络，解决传统 RAG 的“信息孤岛”问题，典型代表如 Graph RAG。

路径B：检索流程层的优化——通过多轮查询扩展、动态结果重排序等策略提升检索效率，典型方法论如 DeepSearch 范式。

有趣的是，一些讨论试图将两种技术置于“非此即彼”的对立位置，这本质上是混淆了技术层级（知识存储 vs 知识调用）与功能边界（推理增强 vs 效率优化）。


# Graph RAG 的不可替代性：从“关联缺失”到“知识穿透”


传统 RAG 的瓶颈在于无法处理非连续、高关联的语义场景，例如：金融风控场景，需追溯企业股权链、担保网络的多层关系；医疗诊断场景，需整合症状、用药、基因突变等跨领域数据。

Graph RAG 的核心优势在于：

知识结构化：通过实体关系图谱构建，将文本转化为可推理的语义网络。

多跳推理：支持从“A→B→C”的链式查询，突破传统 RAG 的单跳检索局限。

动态摘要生成：基于社区检测预生成语义摘要，加速复杂问题的答案生成。

例如，在“光伏产业链竞争分析”场景中，Graph RAG 可自动构建“上游原材料-中游组件-下游电站”的关联图谱，直接定位供应链瓶颈。这种能力是传统 RAG 或单纯检索框架无法实现的。


# DeepSearch 的真实定位：检索优化，而非范式颠覆


DeepSearch 的核心价值在于动态优化检索流程，其技术亮点包括：

多轮查询扩展：通过LLM生成补充查询，覆盖用户意图的多个维度。

结果重排序：综合语义相关性、上下文密度等指标筛选最优结果。

混合数据支持：兼容非结构化文本与结构化数据。

但需注意：DeepSearch 并未解决知识关联性问题。例如，在需要跨文档推理“某企业的关联交易风险”时，若底层知识库仍是孤立的文档集合，即使检索效率提升，依然无法生成可信结论。


# 悦数 Fusion Graph RAG：技术融合的终极答案

![https://www-cdn.yueshu.cn/yueshu-website/images/0304gif.gif](https://www-cdn.yueshu.cn/yueshu-website/images/0304gif.gif)

Fusion Graph RAG 是悦数团队在 Graph RAG 基础上的创新实践。它融合了高级 RAG 技术，通过图状结构存储文档层级、章节关系及特殊元素，实现高效、灵活的检索。Fusion Graph RAG 首次实现了“知识图谱”与“动态检索优化”的深度耦合，其架构如图所示：

Fusion Graph RAG 的本质在于 Sota 的高级 RAG 方法融合、充分连接的元知识索引、充分打磨调优的 Graph RAG。

Fusion Graph RAG 通过在一个联通图谱内的“元知识”索引，清晰地揭示海量知识文档的内在关联，呈现从文件夹、文档、章节到段落、图表、公式的完整脉络，此为知识图谱的“元知识频谱”。在此基础上，用户可选择不同粒度的知识抽取方法，构建图谱结构的图索引，形成“增强图频谱”。 进一步，用户可以对图索引和元知识层进行诸如图摘要、权重分配、时序/状语信息补充等增强操作，以提升知识检索和利用的效率。


# 技术之争的终点是用户价值


真实场景中，客户需求具有双重性：

需求1：快速生成初步报告（DeepSearch 和 DeepResearch 的强项）。

需求2：基于企业知识库的深度推理（Graph RAG 的核心价值）。

Deep Search 和 Deep Research 是毋庸置疑的检索增强，但将其与 Graph RAG 对立，无异于宣称“螺丝刀可替代扳手”。悦数主张分层解耦、融合共生：Graph RAG 解决“知识如何存储”，DeepSearch 优化“知识如何调用”。Fusion Graph RAG 的使命是让企业同时获得“深度”与“效率”，而非在伪命题中二选一。

在 LLM 技术狂飙的今天，真正的创新应是开放整合，而非制造对立。悦数愿与业界共同探索 RAG 的下一站：让知识流动，让价值闭环。


最近，AI 领域围绕“下一代 RAG 技术演进路径”的讨论逐渐升温。随着大模型应用进入深水区，单纯依赖传统 RAG 的局限性愈发明显——无论是处理千亿级关联数据的效率瓶颈，还是对复杂语义推理的支撑不足，都在倒逼技术架构的升级。

Graph RAG 存知识，DeepSearch 调知识，我们全都要！


# 案例背景

“某互联网金融平台”是全球领先的金融平台，该平台在金融方面主营三类业务，包括信用卡、支付和借贷。该平台近年来海外业务发展迅速，尤其在拉丁美洲市场迅速扩张，仅在墨西哥就发放了超过 500 万笔贷款。随着业务的快速增长，该平台在金融风险管理方面面临着重大挑战。不断扩大的业务范围导致数据规模激增，这要求业务系统具备更快的响应时间、更高的准确性以及稳定可靠的性能，以应对日益复杂的风险管理需求。


# 业务挑战：快速扩张带来金融风险管理难题


## 贷款及新发卡实时风控
该平台的消费贷业务面向个人用户开放，在庞大的用户基数下，申请业务并发极高，每秒数万笔交易请求对系统的实时处理能力提出了近乎苛刻的要求。为了给用户带来更好的用户体验，避免造成业务损失，该平台的风控决策引擎要求查询时延不得超过 1 秒，因此对图数据库应对高并发、复杂规则实时查询的能力提出了更高的要求。
## 贷中及用卡风控
 该平台的金融业务主要面向以墨西哥为主的拉丁美洲市场，而该地区相对宽松的贷款和信用卡使用政策，为金融欺诈的滋生提供了温床。一些收款机构甚至不验证 CVV 码，导致信用卡盗刷的现象时有发生。在这种信用数据不完整和质量差的环境下，传统风险控制规则难以精准评估风险，无法有效识别潜在风险隐患，易使平台面临资金损失风险。
## 欺诈团伙识别
 在个人信贷业务中，欺诈团伙的活动一直是风险控制部门重点关注的对象。与个人贷款申请中的欺诈行为相比，有组织的欺诈行为更为隐蔽、危害更大。带来的威胁往往是灾难性的。因此，准确识别高风险社区，对于最大限度地减少金融损失至关重要，这需要系统具备高效的风险识别与判断能力。


# 悦数图数据库：实时、高性能的图技术底座

## 实时构图与高性能数据处理
悦数图数据库支持实时图构建，能够基于实时数据进行全图的风险控制。其高性能的数据处理引擎可以帮助该平台的风控系统处理超高并发的请求，实现实时批量写入和查询。即使在高峰时期，系统也能保持稳定运行，确保风险管理决策的及时性和准确性。通过实时构图，平台可以快速识别和响应潜在的风险事件。
## 在线集群与低延时响应
在高并发的业务场景下，悦数图数据库的在线集群能够在决策引擎容忍的时间内完成查询和计算，保证低延时响应。其高吞吐和低延迟的原生图引擎支持高并发访问和快速的图遍历，使得风控系统能够实时监控和分析海量交易数据，及时发现异常行为和潜在风险。
## 离线集群与图计算框架
悦数图数据库提供强大的图计算框架，支持多种图算法，如弱连通组件（WCC）和 Louvain 算法，用于识别风险社区。通过对子图进行准实时图计算，悦数图数据库可以为风控决策引擎提供强有力的支持。这些算法能够帮助该平台的业务系统深入挖掘数据中的复杂关系和模式，提前预警风险。4弹性扩缩容保证业务连续性随着业务的不断扩展，悦数图数据库的弹性扩缩容能力确保支付系统在扩容过程中持续运行。其 Shared-Nothing 分布式架构和计算与存储分离的设计，使得系统可以按需增加更多节点或服务，而不影响整体性能。因此，该平台可以灵活应对不断增加的业务需求，保持高效稳定的运行。


# 风控功能升级：客户应用效益与成果解读

## 贷款申请授信过程实时风控
在贷款申请阶段，悦数图数据库能够助力该平台的风控系统快速对申请人信息进行多维度审核。一方面，通过深度查询验证黑点 IP 地址，判断是否该黑点在黑名单或与多设备异常连接，防止信息盗用欺诈。另一方面，该平台可以基于介质图实时查询三跳以内联系信息是否与黑名单有关联，涵盖紧急联系人、工作联系人等，杜绝潜在风险。这种严格的审核机制能够精准排除高风险申请，降低审核成本，同时保障业务的安全合规，为平台的稳健发展奠定了坚实基础。

## 信用卡支用实时风控
信用卡发放后，该平台可以依托悦数图数据库构建的卡交易图，进行实时的资金流向追踪，通过图数据库的模式识别，可以定义和检测常见的欺诈模式。例如，识别短时间内在不同地理位置进行的多笔交易，或者识别与已知欺诈账户有相似交易模式的新账户。另一方面通过分析交易路径，查找潜在的欺诈链条。例如，某个信用卡账户是否与多个高风险账户有直接或间接的交易关系。

## 风险社区识别
该平台借助 WCC 和 Louvain 算法进行离线图计算，可以精准定位与黑名单节点紧密且黑点集中的风险社区。该平台系统可以提取单向交易账户多、午夜交易比例高、高 PageRank 值节点等特征，输入经大量数据训练的机器学习模型，做相关的风控决策研判，达成金融风险精准防控，强化金融机构抗风险实力。


## 成果解读
通过采用悦数图数据库的解决方案，该平台在多个方面取得了显著的收益。首先，在业务价值方面，风控能力达到了业务放量要求，高效处理了海量复杂数据的关系。通过多种复杂计算，基于图的申请、授信、支用多阶段风控能力得到了显著提升，补齐了数据质量问题，提高了整体风控质量。

在技术层面，悦数图数据库提供了稳定低时延高吞吐的图集群，能够实时更新、实时查询。系统经受住了大业务量情况下业务进件数据写入和查询放大的冲击，提供了稳定的在线服务。通过分布式架构和先进的图计算技术，系统在高并发和复杂计算环境下依然表现出色，确保业务的连续性和稳定性。

赋能金融风控：悦数图数据库助力互联网金融平台应对全球扩张挑战

在近日举办的『图创价值 Live——解锁能源新未来！能源行业图技术解决方案深度探索』的直播活动中，远景智能电网技术总监刘克文和杭州悦数解决方案专家鲍翰林共同探讨了新能源行业快速建设带来的新挑战、解决挑战的关键因素以及图数据库技术在新能源电网领域的突破性应用。

直播活动上正式发布了《全局视野，精准决策丨图数据库在新能源电网中的突破性作用》白皮书。本文将概述白皮书的精彩内容，扫描以下二维码即可下载白皮书，收获满满行业干货！

![https://www-cdn.yueshu.cn/yueshu-website/images/0822post1.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/0822post1.jpg)


# 新能源行业快速发展为底层系统带来新的挑战


在当前能源转型和电力市场改革的背景下，电网行业面临三大核心挑战：首先是电网规模的不断扩大与复杂性的增加，使得电网的运行、维护和优化变得更加困难；其次是新能源的广泛接入与分布式能源的快速发展，对电网的灵活性、稳定性和智能化水平提出了更高要求；最后，如何在保障电网市场化运作的同时，确保数据的公正公平使用，防止价格操纵和不公平交易行为，成为电网行业亟待解决的问题。


# 基于图的应用解决方案


图数据库技术以其强大的关联数据处理能力，为电网行业提供了新的思路和方法。通过构建电网的图模型，可以直观展示电网拓扑结构和运行状态，实现精细化管理和优化。同时，该技术还支持复杂查询和实时数据分析，为电网智能化决策和快速响应提供支撑。此外，结合机器学习和人工智能技术，图数据库技术还可以进一步挖掘电网数据的潜在价值，为电网行业的可持续发展注入新的动力。


## 全局：构建“全网一张图”


通过图数据库技术，构建源网荷储电力系统全息图模型，将电网中的各类设备、线路和节点等元素进行全面建模和关联，形成一张全景式的电网模型。这种模型不仅直观展示电网的整体结构，还为后续的计算和分析提供了全面准确的数据支持。


## 快速：实时并行计算，提升响应速度


图数据库在实时并行计算方面具有显著优势，能够高效存储和查询复杂关系，满足实时大数据分析的需求。这一特性使得电网系统在应对复杂故障场景时能够迅速响应，有效保障电网的稳定运行。


## 准确：精准分析，优化决策过程


基于图数据库的输配电网协同网络分析功能，可以高效进行预想故障分析，通过快速准确的潮流计算和故障集筛选，为电网调度提供科学依据，提高电网的智能化管理水平，降低停电风险。


# 产品与客户案例分享

悦数图数据库是值得信赖的高性能图技术底座，助力了某电力调度中心构建统一时空立体模型的。通过融合调度、配网、暂态和市场等多类业务的统一模型，该中心实现了设备间关联关系从全量秒级计算到增量毫秒级读取的根本性改变，显著提升了调度决策的准确性和科学性，同时降低了系统运维成本，带来了显著的经济效益和社会效益。

作为新能源电网领域的重要技术支撑，图数据库技术将为能源行业的数字化转型贡献力量。扫描下方二维码下载【图数据库能源行业解决方案白皮书】。

![https://www-cdn.yueshu.cn/yueshu-website/images/0822post2.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/0822post2.jpg)

全局视野，精准决策丨图数据库能源行业解决方案白皮书正式发布！

随着人工智能技术的飞速发展，AIGC 迎来了前所未有的机遇与挑战。如何高效地处理、整合并利用海量数据，成为提升 AIGC 质量和效率的关键。图数据库以其强大的关系管理和查询能力，正在这一领域展现出巨大的潜力。本文将深入探讨图数据库在 AIGC 中的价值，并分析如何通过技术结合进一步提升其应用效果。

# 图数据库对 AIGC 的融合创新

## 处理复杂关系的能力

传统的关系型数据库在处理结构化数据方面表现出色，但在面对复杂关系时显得力不从心。而图数据库则专为处理实体间复杂关系而生，它能够以图的形式直观展示数据之间的连接和依赖。在 AIGC 场景中，这种能力尤为重要。因为 AIGC 涉及大量文本和数据的理解和分析，图数据库能够高效地存储和查询实体之间的关系，帮助 AI 系统更深入地理解文本中的上下文信息，捕捉隐藏在数据背后的深层关系。例如微软的 Graph RAG 融合了 AIGC、图算法和图数据库相关技术，可以准确、高效地捕获海量文本中丰富的实体和实体间的关系，极大地提高了构建知识图谱的效率，从而能够更好的支持智能问答等应用的需求。通过图数据库，AI 可以更加准确地捕捉实体间的复杂联系，从而生成更加丰富和准确的内容。

## 高级查询功能的支持

图数据库支持的高级查询功能，如混合向量检索和图模式匹配，以及通过向量与图互相搜索的能力，为 AIGC 提供了前所未有的信息检索和整合能力。大模型的输入不再局限于单一文档或句子的信息，而是能够在整个知识图谱中进行跳跃式搜索，实现跨领域、跨文档的关联查询。这种“思维链”式的查询方式，得益于图数据库的高级查询功能，使得 AI 能够模仿人类的思考过程，在多个知识点间灵活穿梭，最终生成全面而准确的回答。

## 提升效率与质量
通过图算法的应用，图数据库能够显著加快 AIGC 的速度，并提升内容的质量。图数据库支持存储向量化后的图，使得图算法可以运行在这样的图上，从而利用图算法来解决 AIGC 中的一些问题。例如，图算法能够捕捉一段话中的实体及实体之间的关系，或者总结、分类一本书中的所有实体及实体间的关系。这种能力使得基于图的 AIGC 系统能够在没有专家人工干预的情况下，更加高效地理解海量自然语言文本。同时，图算法能够快速定位相关信息节点及其关系，减少不必要的信息处理步骤，从而大幅提升内容生成的效率，并改善 AIGC 的质量。

## 推理链条可视化
图数据库的可视化特性为 AIGC 系统的推理过程提供了直观的展示方式。通过图形界面，用户可以清晰地看到推理过程中的每一步骤和逻辑链条。这种可视化不仅增强了系统的透明度和可信度，还帮助用户更好地理解生成内容的来源和依据。在学术研究、商业决策等领域，这种可视化推理链条对于提高决策的准确性和可靠性具有重要意义。

# 图数据库在 AIGC 中的实际应用

## 智能问答系统

在图数据库的支持下，智能问答系统不仅能够通过传统的知识图谱进行信息检索和推理，还能进一步支持向量化的知识图谱。这意味着系统能够管理并检索向量数据，将基于图查询和图计算的智能问答技术与基于向量检索的先进技术相融合。这种融合不仅提升了问答的准确性和效率，还显著减少了额外的数据存储和管理开销，为用户带来更加流畅和智能的体验。同时，借助 AIGC 技术，系统能够生成更加丰富和个性化的回答内容，进一步提升用户体验和满意度。

## 新闻媒体及短视频
图数据库与 AIGC 技术的结合，在互联网新闻媒体及自媒体短视频等领域展现出了强大的潜力。通过图数据库高效管理复杂关系数据，AIGC 技术能够精准分析用户行为，自动化生成个性化内容。在新闻推荐中，结合两者可以快速匹配用户兴趣与新闻热点；在短视频领域，则能实现智能剪辑、分发，提升用户体验与平台效率。这种融合应用正引领着互联网内容生产与传播的新潮流。

## 内容创作辅助
在对于内容创作者来说，图数据库同样具有巨大的价值。通过整合互联网上的海量数据资源，图数据库可以构建出庞大的知识图谱。创作者可以利用这个图谱进行灵感激发、素材搜索和内容整合等工作。图数据库的支持使得内容创作更加高效、精准和富有创意。

# 图数据库对 AIGC 的核心价值

## 提升内容质量与丰富度

图数据库为 AIGC 系统提供了全面的实体关系网络作为知识库支撑。这使得 AIGC 系统在生成内容时能够充分考虑到实体之间的复杂关系和多样化联系，从而生成更加贴近实际、富有深度和广度的内容。此外，通过结合大模型的推理能力，AIGC 系统还能根据用户的具体需求和偏好进行个性化内容生成，进一步提高内容的丰富度和吸引力。

## 降低生成成本

虽然图数据库的构建和维护成本相对较高，但一旦建成并与 AIGC 系统融合后，其高效的数据处理和利用能力将显著降低内容生成的成本。由于图数据库拥有充分利用已有数据资源、极大地减少专家人工干预、提高新数据的采集和处理效率等优势，在内容生成任务中的多个环节的成本都会显著下降。这对于需要大量内容输出的企业和机构来说具有重要意义。


## 增强推理的准确性和可解释性

图数据库所采用的图模型可以帮助推理过程更加清晰和可追踪。在 AIGC 系统中采用图数据库作为推理基础时，可以确保推理过程中的每一步都有明确的逻辑依据和数据支持。这种可解释性不仅增强了用户对生成内容的信任感，还有助于发现潜在的问题和改进空间。同时，通过可视化展示推理链条等方式进一步提高推理过程的透明度和可信度也是未来的重要发展方向之一。

# 面临的挑战与未来展望

## 构建成本与技术门槛

当前，依赖专家手动构建知识图谱的方式成本和技术门槛也相对较高，这限制了知识图谱在更广泛领域的应用。为了降低构建成本和提高易用性，市场上开始涌现出一些自动化的构建工具和技术手段，如我们目前提供的自动化的 AIGC 方式，它支持低成本、高效地构建知识图谱。同时，加强跨领域的合作与交流也有助于推动图数据库技术的普及和应用范围的扩大。

## 数据质量与更新问题
数据质量对 AIGC 至关重要，而数据清洗往往成本高昂，这是业界面临的一大挑战。基于图数据库，用户可以利用图模式匹配、关联关系分析等手段，有效识别并处理错误或低质量数据。而为了确保图数据库中数据的完备性、准确性和时效性，我们可以采取多种措施，如引入缺失关联关系预测技术和生成技术、基于图算法和图分析的异常检测技术等，以及时捕捉和处理新的数据源信息；同时加强数据验证和清洗过程，确保数据的准确性和完整性；并建立有效的数据共享和协作机制，以促进跨领域数据的整合和利用。

## 行业应用拓展与标准化

随着技术的不断成熟与应用场景的拓宽，图数据库与 AIGC 的融合将在更多行业领域得到应用，并取得显著成效。为了推动这一领域的健康发展和广泛应用，制定统一的标准和规范来指导技术的研发和应用实践显得尤为重要。这些标准和规范可以涵盖数据格式、接口协议、性能评估方法等方面，以确保不同系统和平台之间的互操作性和兼容性。同时，标准化工作还能促进跨领域的技术交流与合作，数据库中的向量数据管理相关功能正被考虑纳入未来版本的 SQL 和 GQL 标准，目前该议题仍在行业内积极讨论中。这一标准化进程无疑将有助于 AIGC 与数据库的进一步协同与融合,进而推动整个行业的共同进步和发展壮大。

## 结语

图数据库作为 AIGC 的坚实底座，展现出了强大的信息组织、查询和推理能力，为内容生成的质量和效率带来了显著提升。随着技术的持续进步和应用场景的不断扩展，图数据库在AIGC领域的应用前景无疑将更加广阔。悦数在去年提出的 Graph RAG，无疑是对这一趋势的深刻洞察和积极响应。Graph RAG 技术作为悦数图数据库的重要组成部分，进一步强化了图数据库在 AIGC 领域的应用能力，为内容生成提供了更加坚实、高效的数据支撑。

我们坚信，未来的研究和技术发展将不断解决当前面临的挑战，进一步拓宽图数据库在 AIGC 领域的应用范围。悦数也将持续投入研发，不断创新，以期在 AIGC 领域带来更多突破性的应用案例和技术成果。

图数据库赋能 AIGC：创新、实践与未来

悦数图数据库新版本今日正式发布！作为**首款也是目前唯一一款**分布式 GQL 图数据库，它的发布是图技术发展中的一个重要里程碑，标志着图技术迈上了新台阶！悦数图数据库在设计上致力于提供卓越的性能与效率，旨在满足现代数据运营中的核心需求。新版本引入了全新升级的架构，全面释放了 GQL 强大的功能；配备的增强内核引擎，为子图计算、多集群管理等新功能提供了卓越的性能基础，确保了数据的可靠性和安全性。


# 悦数图数据库新版本的核心亮点


## 深度优化的全新架构
GQL 不仅是标准图查询语言，它还标准化了图数据库的的综合定义，包括目录、图类型等。只是简单的将 GQL 兼容到现有图数据库中并不能发挥它的全部能力，在新版本中，悦数的研发团队从存储层到计算执行层都进行了大量优化，从而在架构层面发挥 ISO-GQL 的全部能力。

## 性能强劲的内核引擎
新版本悦数图数据库的内核引擎已根据最新的 GQL 标准进行升级和优化，增加了新特性和功能，以更好地满足客户需求。

![https://www-cdn.yueshu.cn/yueshu-website/images/0731-8.png](https://www-cdn.yueshu.cn/yueshu-website/images/0731-8.png)


### 支持原生图的查询计划
本次升级引入了基于关系代数的查询优化规则，同时提供针对企业用例的原生图查询计划和操作符。

### 全新升级的数据存储模式
新版本在存储层的执行能力得到提升，能够处理计算层下推的操作符。经过优化后的存储模式，能够实现更精细的分片，便于数据的合并和拆分，解决底层数据的分布带来的难题。

### 优化增强的执行器
新版本支持并发执行环境、向量化执行引擎，以及细粒度的内存管理，可下推子查询计划。计算和存储层之间的交互协议和数据结构经过调优，减少数据转换，提高整体性能和内存效率。

## 强大的子图计算能力
本次升级全新引入子图计算功能，允许用户针对图数据的特定区域进行深入分析，无需遍历整个图结构，从而显著提高了处理复杂图遍历任务的速度和效率。


## 灵活高效的多集群管理
新版本基于 GQL 目录和图的类型能够对应多个图的定义，实现了多集群管理功能，支持第三方认证和基于最小权限原则（PoLP）的授权机制。这一功能不仅提高了资源利用率，还确保了不同集群间的独立性与安全性，满足了复杂业务场景下的高性能与隐私保护需求。

![https://www-cdn.yueshu.cn/yueshu-website/images/0731-7.png](https://www-cdn.yueshu.cn/yueshu-website/images/0731-7.png)


## 高度可定制的插件体系

悦数图数据库在新版本中提供了更强的集成和定制化能力，允许用户根据实际需求定制系统功能。从算法实现到认证方法，从日志管理到审计跟踪，用户都可以根据自身需要轻松添加或修改插件，并通过权限管理来实现系统的深度定制、扩展和精细化管理。


# 这些新功能对您的业务意味着什么？


## 面向未来的技术选择


标准向来是技术领域的可靠伙伴，拥抱GQL意味着您将站在技术发展的前沿，避免被快速迭代的技术趋势所淘汰。无论是CIO还是开发人员，都能从 GQL 的一致性、互操作性和可扩展性中受益，比如降低学习成本，提升工作效率、无缝集成生态系统、避免被供应商限制等优势。


## 显著提升的性能与效率


基于 LDBC SNB Interactive 基准测试的数据，悦数图数据库在性能上实现了显著提升。与旧版本相比，其查询速度最高可提升 6 倍以上，平均提升达到 3 倍。同时，内存使用效率也大幅提升，峰值内存占用降低了 90%。这一系列的性能优化，使得用户可以在更低的硬件成本下，获得更为强大的数据处理能力。具体而言，新版本的悦数图数据库仅需使用原先 1/10 的内存，即可实现先前 3 倍以上的性能表现。


## 轻松应对复杂业务场景


新版本悦数图数据库将易用性和灵活性提升到了新的高度。通过引入子图计算功能，用户可以轻松分析和管理数据的特定部分，使复杂查询更加直观高效。新的插件功能增强了定制化能力，使企业能够无缝地将数据库定制为符合自身独特需求的形式。此外，多集群管理能力确保了大型分布式系统的扩展和维护既简单又可靠。这些进步共同使用户能够以前所未有的简便性和适应性充分挖掘图数据的潜力。

随着悦数图数据库新版本 RC 版的发布，悦数为分布式图数据库性能和灵活性树立了新标准。抓住这次机会，让您的数据基础设施面向未来，实现前所未有的性能和效率！


现在，是时候让您的数据基础设施迈上新台阶了！立即体验新版本悦数图数据库，开启您的图数据库新时代！



悦数图数据库新版本 RC 版今日正式发布！

悦数图数据库新版本 RC 版发布：全面拥抱GQL，引领图数据库新时代

![https://www-cdn.yueshu.cn/yueshu-website/images/06272.jpg](https://www-cdn.yueshu.cn/yueshu-website/images/06272.jpg)

# 项目背景


这家成立于 2015 年的全球金融科技独角兽公司，为全球超过 10 万家企业提供金融服务接口，支持国际交易和资金转账。该平台可以支持近 180 个国家的本地收款服务，并能够向超过 150 个国家付款。截至 2024 年 1 月，该平台的全球汇款总额已超过 500 亿美元。


# 业务挑战：升级风控系统以应对金融欺诈


该公司以前使用传统的关系型数据库进行风险控制，但发现其在处理多表连接时效率低下，难以有效识别欺诈风险。


作为一家全球化的金融平台，不仅需要实现无缝交易，更需要保障资产和交易的安全，特别是在复杂的金融诈骗环境中。经过对欺诈事件的回顾性分析，该公司发现图数据库在揭示隐藏的数据关联方面更为出色，因此决定采用此类技术作为风险控制的解决方案。


# 解决方案：利用悦数图数据库提升欺诈检测能力


该公司评估了多个企业图数据库解决方案，包括ArangoDB、Neo4j、TuGraph 和悦数图数据库，并从架构、性能和可扩展性等方面进行比较。悦数图数据库凭借其分布式架构、水平扩展能力以及专业的技术支持脱颖而出。


## 分布式架构支持全球数据合规


由于该公司在全球范围内运营，面临着大量数据合规要求，如反洗钱和消费者隐私保护等。因为悦数图数据库采用了分片分布式架构设计，将存储与计算分离，可以完全满足这些数据合规要求。


## 实时反欺诈检测的优越性能


选择悦数图数据库的关键在于其支持实时反欺诈操作，能够处理超过 1000 个并发请求，并提供毫秒级响应时间。悦数图数据库强大的本地图引擎具备高 QPS（每秒查询数）和 TPS（每秒事务数），以及毫秒级延迟，能够轻松处理高并发级别的情景，非常适合该公司的需求。


## 面向未来增长的无缝扩展性

考虑到未来的发展计划，该公司强调风控平台的可扩展性。悦数图数据库由于其无分片分布式存储设计，提供了强大的水平扩展性，是处理未来不断增长的业务和数据的理想解决方案。


## 关键基础设施的优质技术支持

稳定性是基础软件的必备条件，该公司还希望图数据库供应商能够提供可靠的技术支持。作为分布式图数据库的领导者，悦数图数据库拥有技术实力雄厚的顶级专家团队，从项目初期到最终上线，在多方面提供了专业的技术支持，得到了该公司的高度评价。


# 项目成果：通过基于悦数图数据库的风险控制平台实现安全交易

悦数图数据库在整个风险控制平台中发挥了关键作用，涵盖新用户资料审核、交易风险审查和交易后分析三个子域，确保系统交易安全。

![https://www-cdn.yueshu.cn/yueshu-website/images/06273.png](https://www-cdn.yueshu.cn/yueshu-website/images/06273.png)

## 新用户资料审核
该公司使用悦数图数据库分析新用户的网络信息、设备指纹和用户资料之间的潜在关系。通过全面审查这些信息，系统可以自动过滤掉高风险用户。


## 交易风险审查

系统根据风险评估模型自动审查每笔交易。当交易被标记为可疑并需要手动审查时，悦数图数据库可以详细分析交易实体及其交易对象的关联关系，帮助审计人员做出明智决策。


## 交易后分析

该公司定期使用数据挖掘和机器学习技术扫描客户的历史行为，检测异常用户或交易。悦数图数据库原生支持图聚类算法，高效识别关联账户集群，对可疑账户集群进行标记并审查，降低未来风险。


此外，悦数图数据库还帮助该公司构建了完整的用户知识图谱，作为 RAG（检索增强生成）的信息库，通过大语言模型为合规部门提供客户公司股权、运营状况和合作伙伴数据的简短摘要，帮助快速了解不同业务的运营状况。


总的来说，悦数图数据库在为该公司建立安全、高效和可靠金融系统的过程中发挥了关键作用，通过分析复杂交互和行为，使该公司在用户从上线到事件后分析的所有阶段减轻风险。



悦数图数据库在为该公司建立安全、高效和可靠金融系统的过程中发挥了关键作用，通过分析复杂交互和行为，使该公司在用户从上线到事件后分析的所有阶段减轻风险。

案例分享丨全球金融科技独角兽利用悦数图数据库保障金融交易安全

> 本文整理自普适智能 CTO 刘元弘在《图创价值·图+AI在金融行业的应用实践》的现场分享，一起来看看图数据库在信用卡反欺诈场景的应用与优势。

![图数据库在信用卡反欺诈场景的应用](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/pr%20banner_%E7%94%BB%E6%9D%BF%201%20%E5%89%AF%E6%9C%AC%204.jpg)

# 业务背景

常见的信用卡欺诈风险主要包括欺诈申请、伪卡盗刷、套现等。其中，信用卡申请欺诈通常指犯罪分子使用不正当手段进行信用卡申请、为获得信用额度伪造申请信息、冒用他人信息申请信用卡，或申请人信息真实但恶意骗取信用额度不还。

在信用卡业务实践发展过程中，欺诈申请的金额损失往往在欺诈损失案件中占据了非常大的比例，因此欺诈申请识别，是所有信用卡发卡机构风险管理的一个重要组成部分。

![图数据库在信用卡反欺诈场景的应用](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/ps-1.png)

随着近些年金融线上化和渠道化的发展，信用卡申请欺诈逐渐呈现出两大发展趋势：

一个是犯罪分子集团化，越来越多欺诈是有组织的犯罪团伙行为，团伙案件对银行造成的金额损失大、而且盗用信息还对银行声誉造成较大范围影响；另一个是欺诈手段专业化，犯罪团伙的欺诈手段越来越专业化，为了保证申请提交率和申请通过率，在批量申请时，对申请信息、申请设备等进行专业包装，加大了银行反欺诈的难度。

在新发卡贷前审批反欺诈策略中，常见的做法是查询申请人的人行征信、工商信息、学历信息等，在自动化审批环节对一部分还款能力和还款意愿较好或较差的申请人进行通过或拒绝，剩下的部分流转至人工审批。常见的流程如下：

![图数据库在信用卡反欺诈场景的应用](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/ps-2.png)

在这个过程中，金融机构往往需要处理大量的申请信息和用户数据，同时还涉及到人工审核效率及准确度的问题，因此需要我们搭建一套更智能且具有实时性的智能反欺诈系统来帮助金融机构实现更高效、更精确的新发卡贷前审批。

# 利用图技术进行新发卡实时反欺诈

## 为什么用图技术进行新发卡反欺诈

基于业务背景的介绍，传统的信用卡审批流程中所使用的数据主要是统计学原理的规则或者模型，更多的是针对独立个体的分析挖掘，但是当个体的特征稀疏时，则难以对个体做出全面有效的判断。

特别是现在随着欺诈手段呈现多样化、专业化、团体化等特征，传统的专家规则和机器学习模型对通过多层关系进行掩饰的复杂欺诈手段或者团伙欺诈难以识别。

另外，由于目前发卡、运营、催收等各个环节的数据之间缺少必要的逻辑视图和交叉校验，容易导致金融机构信息割裂，没有统一的框架和视图描述客户的信用卡业务全生命周期，使得风控决策/人工审核时缺少必要的数据支撑。

而图技术具有将实体间的复杂关系直观展示并纳入模型学习的特性，能够为信用卡业务真实性审核提供更多维度的分析技术手段，恰好能弥补刚刚提到的传统反欺诈手段的这些短板。

![为什么用图技术进行新发卡反欺诈](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/ps-3.png)

## 图在新发卡反欺诈场景中的应用流程

首先是用户发起进件流程，用户申请进件后信息会进入到进件中心，进入进件中心的同时，系统会做两个事情，一个是走实时流，另一个是离线流。

![图在新发卡反欺诈场景中的应用流程](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/ps-4.png)

- **实时流**

如果按照传统走批的数据处理方式，可能第二天才会发现一些欺诈或作弊行为。像我们之前碰到有个团伙10分钟之内提交了100多张新发卡申请，通过实时流是有可能在他们申请前几张的时候就把它拦截下来，这就是实时的必要性。

走实时流，我们会让进件中心把数据写入到 kafka 里，然后通过一套实时引擎去监听kafka，一旦监听到有用户提交进件，接下来就用我们的图平台快速地配置各种各样的规则和指标，快速地用图引擎扫一遍所有的指标来看看有没有命中，并把结果写入到消息队列中，然后提供给下游的一些决策系统进行消费，同时会提供 API 给其他业务部门进行调用，帮助业务人员进行关联决策。

- **离线流**

除了走实时通道，我们也使用离线数据处理通道，就是下面的流程会进入到底层数仓，然后走Hive去进行T+1的离线构图，主要是防止实时流程中存在数据冲突，我们可以通过离线进行校验，之后再去进行整体更新。

所以我们实际在帮客户做图的时候，并不是静态图，或者每天更新一次的一个流程。我们一般会起多个流程，包括实时流，各种全量的离线流，去保证我们图库数据处理的及时性和有效性。

## 如何构建新发卡欺诈的图谱

首先是本体模型，里面分为「点」代表的实体类型和「边」代表的关系类型。实体类型包含个人、信用卡申请进件、公司、地址、联系电话、设备号、地址、网格化坐标、车牌、营销员、代理人等实体；关系类型则主要包含父母、子女、担保人、家庭住址等关系的本体模型。

我们构建图谱的数据来源主要是多个业务线的客户数据，以及客户标签数据，另外包含一些外部数据。拥有丰富的数据源，一方面提高网络的关联程度，另一方面丰富实体的属性，能够为关系网络特征挖掘提供良好的数据基础。

## 利用图技术的反欺诈应用

我们常用的图的反欺诈分析主要通过四大类型完成，包含图规则校验、图指标分析、社群分析和图机器学习。

**一、图规则校验**

所谓“图规则”本质上是一段判定的逻辑，这段逻辑是基于本体模型构建一个复杂图的拓扑结构来进行表示和使用。业务可以使用图规则功能，快速实现复杂关联欺诈逻辑的可视化开发，校验申请人提供的信息和数据库中数据是否一致或不一致。

以下图为例，我们看到图1这个人和另外一个人是关联的，它们同时关联同一个电话和工作地址，所以我们就可以去构建这种图的规则，然后去做一些规则校验。比如图1可能表示工作地址相同，电话是相同的，代表他填写的信息是有效的。

![图规则校验](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/ps-5.png)

再看图2，右边红色的点代表一个人，这个人申请了一张信用卡，他填写资料后又拉出了一个地址，地址的条件数量大于等于2，也就是这个人一张申请卡，却存在两个不同的地址，这对风控来说也是比较有效的指标。

![图规则校验](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/ps-6.png)

能把图规则做好，尤其是在银行，重点在于两个数据维度，一个是企业的维度，另一个是地址的维度，但是金融用户一般有个痛点，就是每个人填写信息时，每次填写的地址不一定是一样的，以前很多引擎没办法准确判断这两个地址是否是同一个。

为了强化反欺诈引擎的效果，在图规则引擎之中引入了文本相似度算子，我们早期做过一些NLP的东西，所以我们把一些NLP尤其是关于地址对齐和企业名称对齐的类型，构建了自己的算法，把这个算法加入到了模型中，它就可以配置一些更有意思的东西，比如：我个人关联的地址，关联的同事A、同事B、同事C等等，我们的地址可以填的不一样，有的填了路，有的没有填路，有的填了区，有的没填区，其实这个很常见的，那我们就可以把所有填写不同的地址聚合到一块，去构建一些高质量的规则，帮助业务构建更强大的欺诈校验能力。

地址和企业对齐准确率经过大型股份制银行的业务校验，准确率在98%以上。

**二、图指标分析**

图指标其实和原本的指标体系是完全一样的，只是构建这个指标时会有几个特殊点，通过维度、标签、客群。逻辑就是先构建一个有效的关联性，常用的一些构建关联性的维度包括：同一单位、同一家庭、同一设备、同一LBS、同一联系方式、同一推荐人、同一亲属等等，这就是我们说的关系维度。

![图指标分析](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/ps-7.png)

我们会在关系维度上增加一些标签，比如:用左边和右边关联放到一块，我们就可以构建成一个有效的规则。

举例：

「同一单位」（左）关联出的人在「黑名单」（右）的一个数目

「同一家庭」（左）关联出了「申请被拒绝」（右）的情况

「同一设备」（左）关联出其他人「逾期」（右）的情况

我们就可以把这些信息全部组合起来，结合我们自己的一个考虑，用维度关联右边这种常用的标签和指标，构建一些有效的规则和逻辑，从而识别资料异常的申请人，或申请人关联的特定客群。

![图指标分析](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/ps-8.png)

我们在用图的过程中，规则是全局的，需要有业务经验，所以这种方式还是有缺陷的。我们常用的规则是强关联关系的维度，比如：「电话设备」，很难出现一个电话被很多人使用的情况。但在平时采集的数据是有很多的弱关联，也是很有效的维度，比如：「WiFi 设备」，几个人同时接入到相同的 WiFi设备，并不能代表他们之间有强关系，但是起码代表有弱关联。可能在一个办公楼，也可能住的是同一个地方。再比如说「IP」也是很典型的弱关联，还有很多其他的弱关联，包括同一个单位，并不能够代表你们就一定认识，尤其是对一些规模比较大的单位，这个时候我们就可以用图算法，通过平台可视化界面构建规则和图指标。

**三、社群分析（Louvain）**

图算法的核心主要是帮助我们整合一些弱关联，尤其是有像Louvain 这种，在我们紧密相连的大图中，就可以拿 Louvain 去切一些客户圈和客户之间的社群，比如：有10个人，不可能10个人都是单线相连的，A认识B，B认识C，C认识D，Louvain 切出的结果基本上就是A认识B，B认识C，然后A也认识C，这才是Louvain里面跑出来的结果，就可以通过这个算法，再加上边的权重，比如：家庭亲属的关联性设成1，同一IP设置成0.1，再去进行社群的切分，就可以得到业务想要的社区结果。

![社群分析](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/ps-9.png)

既然我们用了社区切分算法去得到一个好的社区，社区里面的人必然是紧密关联的，就可以用社区做一些有意思的指标，比如：整个社区进入黑名单的概率是多少，就是所谓的黑名单的浓度，逾期的浓度，业务通过计算不同维度下的客群指标，就可以挖掘可疑的个体。

**四、图机器学习**

首先图可以帮助我们机器学习去更快速构建特征。在没有做机器学习之前，传统的做法是需要人力把很多特征整合成一张宽表，再传入到建模平台。但是图从本质上来说，就是连接了一张又一张的表，这种表的关联性完全可以通过图进行整合，再去拉取特征（Feature）的时候就可以用前面说的图指标，放到机器学习里面指标就是一个特征（比如：指标是某个人的逾期率为0.6，那0.6是一个数值，但它放到对应的机器学习就是一个特征），拉取的指标就可以作为其中一个特征浓度进行训练。

![图机器学习](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/ps-10.png)

对于我们客户行为来说，或者客户特征特别稀疏的时候。很多企业都会维护潜在客户名单，既然是潜在客户，就可能存在不知道他的姓名，或者说只知道他碎片化的信息，可能他只是点了一个广告或者一个链接，但实际上我们获取到了他的IP，就可以通过图机器学习平台，挖掘有效的特征，在决策系统上部署策略，运用于新发卡实时审批环节。
另外我们还在做一些有意思的事情，我们把机器学习的一些结果放回图里去看。就拿预测VIP来说，模型得出大于0.5，你会认为它是VIP，小于0.5你认为它不是 VIP，如果我们再度回图里，我们给是否是VIP这样的概率，增加一个属性，预测结果放回图里看，就可以识别高概率的VIP客群，高可能的关联圈，这也就是下期我们要分享的【潜在VIP挖掘】的场景应用。

# 案例效益

普适的图智能平台在某股份制银行上线后取得了不错的成效。使用图技术，进行实时构网和实时图指标计算，优化决策系统。**风控效果提升近3倍，预计每年挽损1000万以上**。

---
- **相关推荐**：

[《图 + AI 在金融行业的应用及技术前瞻》](https://yueshu.com.cn/posts/graph-database-with-ai-technology)

[《对抗升级｜图数据库在金融风控中的 5 大典型应用》](https://yueshu.com.cn/posts/usage-of-financial-risk-control)


本文整理自普适智能 CTO 刘元弘在《图创价值·图+AI在金融行业的应用实践》的现场分享，一起来看看图数据库在信用卡反欺诈场景的应用与优势。

基于实时图技术的信用卡申请反欺诈应用｜应用分享

![](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/%E7%94%B5%E4%BF%A1%20banner_%E7%94%BB%E6%9D%BF%201%20%E5%89%AF%E6%9C%AC%203.jpg)

近几年电信行业的快速发展和 5G、千兆光网等技术的广泛应用，加速了企业对数字化基础设施升级的需求。如何更好地掌握和利用数据，对进一步丰富和拓展 5G 应用场景，构建数字经济时代企业核心竞争力至关重要。

为解决大数据复杂性和查询效率低下的问题，图数据技术正在快速崛起，并受到广泛关注。借着最近正在举办的「中国国际信息通信展览会」上大家热议的话题，一起来看看图数据技术在通信行业有哪些**应用场景&优势**吧～


# 图数据库在通信行业的应用场景

图数据库是一种以点-边形式存储数据及数据间关系的特殊类型数据库，能以毫秒级的速度探索万亿数据间的深度关联关系，其计算结果天然具有可解释性，而且可以与多种可视化工具结合使用，因此相较于传统的关系数据库，图数据库更高效、更直观、也更灵活。

电信行业的业务场景中，往往需要查询涉及多个数据源、跨表格和信息系统的关系网络。使用传统方式处理这种复杂关系和大量数据意味着需要长时间运行或耗费大量资源，而同样场景下，使用图数据库会明显更有优势。图数据库在通信行业中常见的业务应用场景包括——


## 1、电信反欺诈

**业务场景：团伙识别、交易风控、刷单检测**

通信行业是信息交流的主要领域， 为了保护公众的个人信息和资金安全，需要及时有效地拦截电信欺诈行为。图数据库具有万物互联的特性，能够基于关联关系进行欺诈分析，实现快速发现涉诈号码、精准识别诈骗分子、挖掘号码关联关系并溯源诈骗团伙，并且可根据通话数据、用户信息、信令数据等构建欺诈识别模型，运用图上的多种分类算法，识别和处理潜在的欺诈风险。


## 2、推荐系统

**业务场景：电信营销、用户画像、套餐推荐**

随着用户个性化需求的多样化发展，通信企业提供的服务也越来越多元化。传统的推荐系统往往面对关系复杂、节点数量庞大的场景，难以满足实际需求。而图数据库可以轻松地处理这种关系复杂的数据集，帮助运营商即时分析用户的行为、喜好、社交关系等信息，从而实现更加精准的用户画像和个性化的推荐服务，提高用户黏性和转化率。

## 3、服务管理

**业务场景：语音、流量、短信服务管理**

通信行业中需要处理大量的服务请求，如语音、短信、流量等。通信企业借助图数据技术可以将来自不同用户的数据点和节点连接在一起，对数据的来源、交互、关系进行建模和分析，从而高效地处理和分析服务请求的关联关系，提升服务管理的效率和准确性，并及时调整服务策略和优化服务质量。

## 4、数据治理

**业务场景：IT 设备、运维监控管理**

通信行业中涉及到的数据来源广泛，如用户信息、网络拓扑、业务数据等，图数据库可以高效地处理这些异构数据，实现数据的整合和集成，提高数据利用率和价值。

![](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/640%20(1).jpeg)

## 5、知识图谱

**业务场景：通用**

与传统的关系数据库只能以行列形式存储数据不同，图数据库可以将数据转换为知识图谱，提高数据的可表达性和挖掘价值的效率。在通信行业中，知识图谱可以存储各种数据、关系和事件，构建实时的全局性共享知识图谱库，帮助企业进行各种搜索，推荐，垂直领域内的知识筛选和分析，减少繁琐的工作和时间，从而更好地满足业务需求。

![](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/640%20(2).jpeg)

## 6、可视化分析

**业务场景：通用**

通信企业往往需要对大量数据进行分析和可视化展示。图数据库可以将数据可视化为图形形式，使非技术人员也能够更好地理解数据之间的关系，形象地展现大数据分析的结果，更好地进行决策分析。

![](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/640.png)

# 悦数图数据库 x 电信应用案例

作为一款国产自研、自主可控的原生分布式图数据库，悦数图数据库在应用海量数据查询性能和可扩展性上都具有过硬的技术表现。

目前已有多家电信行业厂商选择「悦数图数据库」来实现业务升级和突破，我们就以下面两类常用业务来举例，看看图数据库在通信行业的具体应用——

## 1、海量数据的特征业务

-**用于家庭关系识别、异网用户识别、智能问答等**

通过悦数图数据库可以将海量行业数据通过连通分量、 PageRank 、社区发现等图算法模型，基于特征算法、表示学习、多种图算法综合实现业务增值，该方式也可以用来解决解决搜索或者智能助理里 KBQA（Knowledge Based Question Answer）类问题。

![](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/640%20(1).png)


## 2、搭建集中运营平台

-**用于 4G/5G 业务、家庭市场、数字化内容平台等**

传统运营平台需要设定大量的手动规则，不仅成本高昂且运营精度也会有很大的局限性。基于图数据库建立的深度增强学习智能引擎，可以对运营平台进行智能推荐，有效增强推荐模型的智能化自我调整能力，可以大幅节省建模和策划人力、缩短营销流程。

# 悦数图数据库-架构介绍

「悦数图数据库」是一款国产的原生分布式图数据库，能够帮助企业实现海量数据分析与价值挖掘，实时发现大规模数据间隐藏的关联关系，从而提高数据价值。

它采用 Shared-nothing 的分布式架构和计算与存储分离的设计，能够依据实际需要对存储和计算层单独进行水平扩缩容，实现资源有效合理分配，轻松应对业务数据骤增骤减的压力；原生图引擎能够提供高并发访问、快速的图遍历和有效的内存使用，同时支持多图空间隔离，有效隔离不同业务的资源需求，数据安全更有保障。

![图片](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88/640%20(3).png)

另外，悦数图数据库还具有方便易用的图算法模型和图查询语言，能够帮助企业实现海量数据分析与价值挖掘，实时发现大规模数据间隐藏的关联关系，从而提高数据价值。


# 未来应用展望

随着 5G 的普及和物联网的发展，电信行业将会涉及到更多不同类型、不同性质的数据，如视频、图片、高清音频等，这些数据结构之间的相互连接和关联将会变得更加复杂，图数据库对结构化和非结构化的数据都有良好的包容性，能够真正做到「一图关联万物」。

另外，图数据技术与 AI 人工智能和机器学习的结合，可以帮助通信企业实现更加高效和精确的决策分析、服务管理、网络安全等方面的工作，推动通讯行业数字化转型和发展。相信随着图数据库技术的不断发展，未来还会有更多的应用场景被不断地开拓，让我们一起拭目以待！

--- 
- **相关推荐**：

《悦数图数据库亮相中国国际信息通信展览会，推进图技术产业化发展》

[《对抗升级｜图数据库在金融风控中的 5 大典型应用》](https://yueshu.com.cn/posts/usage-of-financial-risk-control)

[《图+AI 在金融行业的应用及技术前瞻》](https://yueshu.com.cn/posts/graph-database-with-ai-technology)

一文了解图技术是如何帮助电信行业应对大规模复杂数据场景，提升海量数据价值的。

行业实践｜图数据库在通信行业有哪些应用？

> 本文整理自 五矿集团-五矿期货有限公司副总经理-张剑锋 在 NUC 2022 年度用户大会上的分享。

大家好，我是五矿期货的张剑锋。今天十分感谢悦数科技能够提供这个跟各位专家，还有行业技术大拿们当面学习和交流的机会。

首先介绍一下期货行业。在中国的六大金融行业里面，银行，保险，还有信托，是银保监会体系下的，俗称大金融行业。期货行业属于证监会管辖下，有证券期货和基金，属于小金融行业。

![期货行业基本情况介绍](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/3.jpeg)

我们这个行业有三大主要的功能：发现价格，管理风险，还有配置资源。发现价格重点给大家介绍一下，因为期货市场的参与者众多，除了有生产者、贸易商，还有我们消费者，以及市场上大量的投机者。因为有这样不同类型的大量的交易者在期货市场上通过多空博弈产生出来一个价格，是相对客观和真实的，所以可以用于指导这些产业客户和实体经济相关参与者安排自己的生产和经营活动。

期货行业最主要的作用是服务实体经济和产业客户，所以我们这个行业的特点也是和实体经济挂钩会比较紧密。这几年才兴起的像保险+期货、乡村振兴、场外期权等等都是直接服务产业客户的业务模式。

下面介绍下五矿期货的一些情况。 五矿期货是中国五矿集团旗下的金融企业，**五矿集团是 16 年五矿集团和中冶集团两家世界 500 强企业战略性重组，最新的世界 500 强排名是 58位**。五矿集团是国家的金属资源领域的冶金建设国家队，我们的控股股东是五矿资本有限公司，是 A 股的上市公司，也是隶属五矿集团的，然后我们也是一个 **A 股市场稀缺的全牌照的金融控股公司**。

# 为什么要搭建知识图谱平台？

## 知识图谱的价值

关于知识图谱的价值，我来谈一下我们的理解。

![知识图谱的价值](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/7.jpeg)

因为期货行业是一个信息高度密集的行业，我们日常的经营过程中会产生大量的结构化数据，数据类型也很多。除了像各种的客户的交易数据，还有一些像客户行为埋点数据、用户事件数据等等。同时还有很多非结构化的数据， 像各类研究报告，新闻资讯。

另外，由于监管对我们业务有特殊要求，比如客户开通特定品种要求的双录等会产生大量的音频视频数据，所以（拥有）大量多维的、多类型的数据是期货投资行业的一个特点。**我们认为利用知识图谱能够实现数据的汇集和治理、知识挖掘和应用，以及辅助业务分析和决策**。


另外，期货行业也是知识密集型行业，因为期货行业的业务规则很复杂还会经常变化，所以如何把知识沉淀到公司，作为公司知识的传承，还有在知识基础上做相应的智能化的应用都是非常重要的，所以我们认为知识图谱在我们这个行业会有很大的作用和意义。

## 知识图谱的优点

![知识图谱的优点](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/8.jpeg)

从技术方面，知识图谱的优点大概有四个方面——

**第一，灵活的多维数据叠加**

孤岛的数据其实是没有太多意义，也不利于数据的挖掘和分析。而图结构比较灵活，通过图的点面关系，可以把有价值的多维数据叠加和连接在一起，会有更大的意义。

**第二，依托经验分析可解释**

因为在图谱上模型设计和决策，它的计算路径和过程是很清晰的，可以使用图很方便地回溯推导过程，并可以和人的经验相互应证。

**第三，数据的高效直观表达**

图数据相对来说是比较容易可视化的，通过将知识图谱可视化展示给用户，可以使用户快速学习或者是发现新的知识。

**第四，增强现有模型准确率**

因为使用知识图谱技术把整个数据拉通之后，有助于数据的数据质量的提升，同时可以提高整个模型的准确率。

# 使用过程中面临的困境

![使用知识图谱面临的困境](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/9.jpeg)


在我们实践和探索过程中，我们也遇到了一些困难。总结起来主要有三点，第一个就是因为知识图谱技术相对来说比较新，在我们这个行业里应用几乎没有，所以我们只能去摸着石头过河去一步一步来，这个过程其实蛮艰辛的。


第二个就是人才，我们对传统的数据库还是有一些人才储备的，但是现有新的领域，招聘人员、储备人员、培养人员都需要很长的时间，这是第二个痛点。

第三个就是业务部门认知不到位，这也导致参与度不高，所以推进就没那么快，所以刚建的时候走走停停，推的过程就比较困难。

## 如何走出困境

![五矿期货是如何成功走出困境的](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E7%94%A8%E6%88%B7%E5%88%86%E4%BA%AB/wk-10.jpg)

面临这种困境，我们很庆幸就是说找到两家很好的合作伙伴，一个是今天的东道主悦数科技，我们认为他们是一家很好、很可靠的公司，**悦数 图数据库除了稳定可靠、性能高效，另外还是国产的，而且是支持信创的。因为我们公司是证监会指定的信创试点单位，所以综合考虑我们认为「悦数图数据库」是最佳的选择方案**。

另外要感谢的就是普适智能，因为我们是缺乏技术储备的，我们就比较依赖厂商的支持。**普适智能是很专业地专注于知识图谱的应用，而且他们愿意深耕金融行业，对金融行业的业务模式有比较深的沉淀，所以他们可以给我们提供一站式的知识图谱平台的解决方案**。

我们很多的业务场景都是悦数和普适在驻场和我们业务部门、技术部门一起配合很长时间梳理清楚，把业务搬到知识平台上，帮我们一步一步搭建起到现在这样一个平台，所以在此十分感谢这两个公司。

# 知识图谱在期货行业的应用场景

## 场景一：辅助投研

![五矿期货知识图谱应用场景一：辅助投研](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/15.jpeg)

这是我们投研平台知识图谱应用的一个逻辑图。首先我们公司会有很多的内部数据，包括一些非公开的数据、行业的数据，还有一些外部数据，包括我们购买的很多商业数据源、数据研报等等。内外部数据打通之后，我们**依托知识图谱平台实现了知识的沉淀复用，为后续产业链的研究，研报的生成，以及风险预测等等这些业务场景去赋能**。

![五矿期货知识图谱应用场景一：辅助投研](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/16.jpeg)


这是我们整个投研过程的描绘：研究员从发现线索出发，然后整理相关资料，经过分析研究框架的判断，最终形成投资决策和应用。


传统来说以前就是数据纯粹的罗列，检索也比较简单，然后我们用知识图谱平台可以**实现自定义的投研主页，让用户每天高效获取他所需要的信息，而不需要去浪费过多时间去找线索**。另外就是我们优化了检索算法和信息展示的交互界面，形成了更加贴合用户习惯的页面，提升了信息获取的效率和用户的使用感受。


之前数据比较割裂，因为搜集数据的渠道来源很多，也很不方便，通过这个平台把多维的数据整合，加上自有数据的上传，还有指标编辑等功能，实现了数据收集效率的大幅提升。


然后我们底层使用的是批流一体的图谱技术，让数据更加及时，拓展性也更强了。以前的分析判断过程是研究人员分析判断完全依赖个人经验，分析工具也比较少，导致效率比较低。我们**通过机器学习来辅助数据的分析和挖掘，能够主动定位可能的分析方向，提高探索效率**。


在决策和应用阶段，以前研究人员仅是能够生成这个报告，但是写的报告一个是精度可能比较低，另外它的准确度有可能会比较模糊，所以**我们联通了用户的分析过程和报告产生的过程，然后能够快速获取研究分析所依赖的数据以及分析的流程，帮助他们去提升整个分析的逻辑，让数据和研究员的个人经验去做一个印证**。有可能他的知识或者他的框架可能有错误和偏差，通过这样的数据分析也可以优化。

![五矿期货知识图谱应用场景一：辅助投研](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/17.jpeg)

具体来说，辅助投研场景是这样的——因为期货行业里面有很多品种是存在比较强的相关关系的。比如说原油，它的衍生品有燃料油、化纤、化工类产品、沥青等等。

一个品种的价格变动，对相关的品种都是有影响的，所以我们投研平台第一步就要先要找到对应关系，把它在这个平台上用图谱形式去展示出来，然后通过一些模型的训练，除了找到影响的关系之外，还要找到影响的程度，就是它的权重。

当然了，这要经过大量的模型训练或者验证，**通过找到一个品种价格变化传导到其他相关品种价格的关系，来辅助研究人员做相应的研判**。

![五矿期货知识图谱应用场景一：辅助投研](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/18.jpeg)


除了品种之间有较强的相关性之外，期货行业有些相关品种的产业链是比较强的，因为上游可能有很多层级，下游消费方可能也有很多的节点，所以我们**以研究员的视角，在平台上绘制出整个产业链的结构图，目的是找到整个产业链的价格传导机制**。


图上展示的就是能源板块的一个产业链。比如煤炭，除了国家的政策会影响到煤炭的生产之外，衍生品的情况也有影响。煤炭的衍生品也就是产业链下游，就是焦煤、焦炭，还有动力煤。动力煤是用来发电的，焦煤焦炭是用来炼钢的，第一步先练成粗钢，然后粗钢再炼成螺纹钢和热轧卷板，同时钢这个黑色品种又和铁矿石有关系，铁矿石除了炼钢之外，它还有像锰铁锰硅之类的一些副产，研究人员在这个平台上可以把这个品种的整个上下游产业链和它的关联关系去描绘出来。

**对研究人员本身来说，他借助这个平台可以提升自己的知识，同时这个平台在使用过程中也会逐渐的增强自身的能力和价值**。



## 场景二：金融事件分析

![五矿期货知识图谱应用场景二：金融事件分析](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/20.jpeg)

第二个场景是金融事件分析。因为期货行业的价格影响，除了既有的产业链模型之外，还有很多突发性事件，类似于黑天鹅事件， 所以舆情或者资讯对商品的价格可能也会有很大的影响。

所以我们也做了这样一个模型，而且这个模型会持续地去打上时间的标签，因为时间对行情的影响是有很大的影响的，越老的资讯可能影响度就更低一些。

![五矿期货知识图谱应用场景二：金融事件分析](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/21.jpeg)

举个例子，年初的俄乌战争对期货市场上的行情影响比较大，主要影响是两个，一个是镍这个品种大家可能都知道或者都看到过。因为俄罗斯是镍主要的供应国，发生战争之后，俄罗斯的镍不能够给中国出口，所以导致镍出现了极端的行情。同时，下游产品像不锈钢主要是用镍去生产的，所以间接也影响到不锈钢这个品种的价格走势。

所以我们希望能够以关联这个数据为基础，从期货行业固有的逻辑和实时事件双管齐下，通过平台实时洞察不同事件组合对特定商品价格影响的强度，同时也随时观察期货相关联的历史事件。

## 场景三：合规风控

![五矿期货知识图谱应用场景三：合规风控](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/22.jpeg)

场景三是合规风控，因为期货行业是一个高风险行业，所以无论是监管机构，还是期货公司自身的风控要求都十分严格，合规风控能力也是我们一个核心竞争力。

一般来说，我们有两类风控模型，一个是不同的客户在同一个 MAC 地址下，买卖期货合约品种以及它的交易行为时间点高度一致，它可能会存在“拖拉机账户”，也就说是一个客户操控了多个账户，这在期货行业里是不允许的。**通过图上的交叉关系或者汇聚的密集程度，合规风控人员很容易地去判断出这类行为**。

另外一类就是同一个账户，同时存在多个交易的 IP 和 MAC 地址，这类行为可能是有配资嫌疑的，结合其他数据和模型，我们可以更加精准地判断它是否存在配资的嫌疑。这对合规风控来说，极大提高了它的判断能力，我们可以对这类交易进行提前的干预，有效避免合规风险。

## 场景四：客户洞察

![五矿期货知识图谱应用场景四：客户洞察](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/23.jpeg)


第四类场景是客户洞察，我们基于客户交易行为进行汇总，把他们进行一些社群划分，比如感兴趣交易哪些品种、感兴趣哪类研报，我们把这些作为划分依据，用于进行相对精准的一些推送。

因为期货行业服务的同质化比较严重，所以我们也希望能够通过数据来做数字化的运营，**给客户提供差异化的服务和精准营销，实现更好的客户体验**。

## 场景五：智能运维 AIOps

![五矿期货知识图谱应用场景五：智能运维AIOps](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/24.jpeg)

AIOps 是我们最近才梳理的一个场景。像我们公司有十几个机房部署在全国各地，可能有上千台服务器，整个交易系统会产生大量的数据和日志等，而且不同的机房不同的系统之间网络也都是通的，一些应用组件都是互相调用的关系，它其实本身就是一个巨大的网络。


所以我们把这些运维的数据，服务调用的数据，还有批量作业数据设备部署的数据以及系统运行的日志数据，整合到这个平台里，然后把他们的关系提取出来，实体也提取出来，构建这样一个智能运维的模型。


我们可以更加细化到具体的运维设计场景，比如说故障影响分析，当某个节点或设备出现故障时，和它有关联的系统或应用也可能会存在问题。接下来根据业务调用关系，它（故障）有可能会传达到别的系统，还有可能会影响到不同类型的客户，所以我们要把关系描绘出来，以进行一些系统切换或故障通知等等。


另外就是变更，因为业务系统 80% 的风险，或者说它的故障运维事件，都是因为这个系统升级变更造成的。升级某一个组件可能会影响到哪些系统、哪些客户需要哪些部门的人去做一些干预或协调、怎么更好地去应急等，我觉得在图谱上都可以实现，以便更好地指导我们的日常运营工作。

还有像系统架构的分析，像系统架构合不合理、有没有存在单点的故障，这些我觉得都可以在图谱这个平台上去实现。

## 场景六：网络安全

![五矿期货知识图谱应用场景六：网络安全](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/wukuang-graph-database-practice/26.jpeg)

另外一个就是网络安全，这块我们觉得也是可以应用到的。因为我们现在有这样一个安全监控平台，它的规则是基于系统产生的日志，如果日志发生了或者是平台感受到它和现有的规则不匹配，系统会产生告警信息。但是告警信息是一种孤岛， 哪里出现问题哪里告警，但是**我们希望能够把整个安全模型构建出来，然后找出故障的传导机制，进而分析出它可能会对哪些系统或者说网络安全环境造成影响**。

另外一个就是攻击行为或者说病毒，通过知识图谱可以更加方便、有效地回溯它的路径或者预测攻击行为，这样能够更加智能化地去辅助我们的安全管理人员去做好安全管理工作。

所以安全知识图谱，我们认为是作为安全领域的一个专用知识图谱，**它可以结合安全知识经验和数据发挥知识整合的优势，将离散分布的多元异构的安全数据组织起来，加速安全领域的智能化和自动化**。

# 总结&期望

作为第一家和悦数图数据库合作的期货公司，我们很荣幸，也希望更多的技术专家能够关注到期货这个行业，能够输送人才去指导期货行业金融科技的发展。所以最后感谢悦数科技，谢谢大家。

---

- **相关推荐**：

[《美团：图数据库平台建设及业务实践》](https://www.nebula-graph.com.cn/posts/meituan-graph-database-platform-practice)

[《中国移动：悦数图数据库在金融风控领域的落地应用》](https://www.yueshu.com.cn/posts/financial-anti-fraud-with-chinamobile)

五矿期货是世界 500 强企业中国五矿集团旗下的金融企业，作为首家使用悦数图数据库的期货公司分享了知识图谱平台在期货投资领域的应用和未来实践方向的探索及心得。

五矿期货：悦数图数据库在金融期货行业的应用与实践探索

> 本文整理自 中国移动算法工程师 汪海涛 在 NUC 2022 年度用户大会上的分享。

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图数据库在中国移动，特别是金融风控场景的落地应用。

# 为什么中国移动要建设图平台？

## 「全国 9 亿用户，每天产生大量数据」

中国移动有非常多的数据，全国的用户每天都会产生海量的数据。**如何从这么大数据量里面挖掘出有用的信息，然后用到金融风控场景？这就是我们需要做的事情**。

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**。

# 为什么选择「悦数」图数据库？

## 「JanusGraph vs TigerGraph vs 悦数图数据库」

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。

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「悦数图数据库 」**。


# 中国移动是如何搭建图平台的

## 图平台建设概况

![中国移动_以NebulaGraph为底座的图数据库平台概览图](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E7%94%A8%E6%88%B7%E5%88%86%E4%BA%AB/4.jpg)

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悦数图数据库里面，那么这里用的就是悦数的一个导入工具，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。最后基于悦数的图查询语言，主要是 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。第二个号码风险分和最后一个催收分析是基于悦数图数据库的查询语句来做的，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。第三个信用评分卡是基于图神经网络来做的，主要是用逻辑回归或者决策树之类的模型，希望通过图神经网络做一些提高。

## 图数据结构介绍

![中国移动_导入图数据库的点边数据结构](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E7%94%A8%E6%88%B7%E5%88%86%E4%BA%AB/7.jpeg)

- **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，主要是包括比如这手机号它是属于哪个市的，是否发生过停机等等，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，作为唯一身份证识别，可能也会有年龄或学历之类的标志。最后是设备信息，一般手机会有一个设备值，有对应的型号、设备系统等。

- **边数据**

目前边数据的话，一个是用户跟用户的通话数据，第二个是手机号和身份之间的对应关系，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，那么这些是我们在图数据库里面保存的一些数据。


# 图技术在中国移动有哪些应用

## 应用1：号码风险分

![中国移动_怎样建立号码风险分模型](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E7%94%A8%E6%88%B7%E5%88%86%E4%BA%AB/8.jpeg)

首先是号码风险分模型，**主要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有没有可能是个羊毛党，主要通过四个模块——

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。这种号码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，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。

**第四个是染灰模块，图技术主要就是用于这个模型**。基于前三个模块的结果，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。专业的羊毛党会采用卡池这种设备专门去薅羊毛，用图技术就可以快速发现并识别。

![染灰模块是什么、怎样实现](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E7%94%A8%E6%88%B7%E5%88%86%E4%BA%AB/9.jpeg)


## 应用2 ：关联风险分

![关联风险分是什么以及应用场景](https://www-cdn.nebula-graph.com.cn/nebula-website-5.0/images/blogs/NUC2022/cmcc-financial-riskcontrol-practice/10.jpeg)

然后是关联风险分，通俗来说就是「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，然后采用一些社区发现类的算法去挖掘这个社区中个人的评分以及个人之间的关系，通过对这个社区打分，去识别出这个社区是否是欺诈或低信用社区。

**关联风险分的主要应用场景就是欺诈领域，比如信贷欺诈、交易欺诈、营销欺诈、支付欺诈以及账户欺诈等等多个方面**。

## 应用3：图神经网络（GNN）

![图神经网络在中国移动的应用](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E7%94%A8%E6%88%B7%E5%88%86%E4%BA%AB/12.jpeg)

最后是关于图神经网络的一些应用，**主要是用于金融风控信用评分卡的场景**。过去我们用做信用评分卡大部分都是先提取用户特征，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，我们想通过图神经网络做一些模型，通过用户之间通话数据，比如近三个月主动通话、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。

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。

# 图数据应用的未来展望

![中国移动_图数据库平台的未来展望](https://www-cdn.yueshu.cn/yueshu-website/images/blogs/%E7%94%A8%E6%88%B7%E5%88%86%E4%BA%AB/14.jpeg)

## 1.数据血缘

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。

## 2.图神经网络

中国移动除了大数据中心，还有人工智能中心，那里有很多的 GPU 资源进行人工神经网络的训练，但是目前模型训练效率比较低下，所以后面看看怎么用图数据技术去解决这个问题。



- **相关推荐**：

[《美团：图数据库平台建设及业务实践》](https://www.nebula-graph.com.cn/posts/meituan-graph-database-platform-practice)

[《如何用 NebulaGraph 图技术搞定 7 个典型社交网络应用？》](https://www.nebula-graph.com.cn/posts/graph-database-practice-at-social-network)

---

想要感受 **悦数图数据库 v3.4.0 的最新特性**？
点击 [链接](https://www.yueshu.com.cn/contact)，立刻开启您的图数据库之旅！

拥有9亿多用户的中国移动基于悦数 图数据库搭建的图平台在金融风控领域有哪些落地应用？一起来看中国移动的算法工程师汪海涛在NUC2022上的精彩分享。

中国移动：悦数图数据库在金融风控领域的落地应用

升哲科技是一家城市级的数据服务商，主要服务于各省市的政府用户，本文介绍了悦数图数据库在城市治理中的应用与收益。

Sensoro升哲：图分析在城市治理服务的应用与落地

众安科技资产管理平台是全域的元数据中⼼，可以对数据资产进行管理监控，解决企业内部的数据孤岛问题，挖掘数据价值并对业务赋能。