本文整理自中國移動演算法工程師——汪海濤在 NebulaGraph 2022 年度使用者大會上的分享，現場影片見 B 站：https://www.bilibili.com/video/BV1Ae4y127a8/
各位朋友上午好，我是來自中國移動的演算法工程師汪海濤。接下來我主要聊一聊圖資料庫在中國移動，特別是金融風控場景的落地應用。
為什麼中國移動要建設圖平臺？
全國 9 億使用者，每天產生大量資料
中國移動有非常多的資料，全國的使用者每天都會產生海量的資料。如何從這麼大資料量裡面挖掘出有用的資訊，然後用到金融風控場景？這就是我們需要做的事情。
之前，我們是以手機號為維度去提取特徵，然後去做一些模型或規則判斷一個手機號是否是有違約風險。但僅僅基於手機號很難綜合去考慮風險情況，因此我們就想採用圖計算技術去綜合看一個手機號以及周圍的其他手機號的資訊，然後共同評判它的風險。
最開始是基於消費金融的場景，從比如說像螞蟻金服、微信以及京東白條這樣一些產品切入，透過使用者通話資料、簡訊資料、裝置等多維度的一些資訊，去判斷使用者風險。但中國移動資料量這麼大，不管我們要做什麼，最大的訴求就是需要有一個非常高效能的平臺去支撐資料分析。
為什麼選擇 NebulaGraph 圖資料庫？
JanusGraph vs TigerGraph vs NebulaGraph
我們最早是採用了 JanusGraph 加上 Spark 去建設我們平臺，但是透過一些測試，我們發現 JanusGraph 的查詢效能以及匯入效能都比較一般，然後 GraphX 的話，它的計算效能其實也比較一般，特別是它需要的記憶體量特別大，因此我們後來又開始去調研了市場上很多的圖產品，並且對一些圖產品做了測試，包括國外的產品，像 TigerGraph 之類的等等，但是因為一些特殊原因，中國移動是在美國商務部的實體清單上，所以很多外國的產品我們是沒法去採購和使用的。
因此最後，我們是選擇國內的幾家廠商進行了一些測試和比較，最後選擇了以 NebulaGraph 作為圖資料庫，然後以 Plato 作為圖計算引擎這樣一個整體的架構。
中國移動是如何搭建圖平臺的？
圖平臺建設概況
我們整體的架構大概是這樣的——
最底層是我們的資料來源，中國移動建設有一個全國大資料中心，主要包括通話資料、位置資料、消費資料、裝置資料、使用者資料和 APP 資料等等，我們每月把這些資料抽取到 HDFS 裡面，然後把其中有用的資料抽取到 NebulaGraph 資料庫裡面，那麼這裡用的就是 Nebula 的一個匯入工具，這是我們圖資料儲存這一層。
再上一層是計算分析層，這也是我們建模和業務分析人員主要使用的一些框架。首先第一個是 Plato，它是騰訊之前開源的一個圖計算引擎，但是據我所知騰訊現在已經不維護這一套引擎了，因此我們也是專門找一些工程師，然後去維護這裡面的一套框架，以及修復一些小 bug 之類的。
那麼它包含的演算法其實很多的，這裡我主要是列舉了兩個社群發現演算法：Louvain 演算法和 HANP 演算法。它裡面還包含一個 LPA 演算法，因為 LPA 演算法的話是 HANP 演算法一個簡化版，所以這裡我沒有列出來。
然後裡面還有一個我們有可能後面會用到的關於隨機遊走類的演算法，主要是基於隨機遊走得到一個節點序列，會為我們後面用於圖神經網路訓練做一個前期資料預處理的工作。
第三個是 GNN，就是圖神經網路。圖神經網路是最近幾年興起的一個領域，我們現在主要是基於這些模型做一些簡單的產品，看看能不能取得比以往的方法更好的一些效果。最後就是基於 NebulaGraph 查詢語言，主要就是 GO 語句和 FETCH 語句做一些簡單查詢。
再上一層的話就是應用層。首先是關聯風險分，關聯風險分主要是基於配套的社群發現演算法來做的。第二個號碼風險分和最後一個催收分析主要是基於 Nebula 的查詢語句來做的，主要就是查詢使用者跟一度、二度聯絡人以及一些違約使用者，或是催收專用號碼進行一些主動或被動的呼叫。第三個信用評分卡是基於圖神經網路來做的，主要是用邏輯迴歸或者決策樹之類的模型，希望透過圖神經網路做一些提高。
圖資料結構介紹
- 點資料
點資料主要是有四類，第一個是手機號，手機號也是我們最重要的點資料，主要是包括比如這手機號它是屬於哪個市的，是否發生過停機等等，還有一些消費資訊。第二個是地理位置，主要基於基站。第三個身份證，作為唯一身份證識別，可能也會有年齡或學歷之類的標誌。最後是裝置資訊，一般手機會有一個裝置值，有對應的型號、裝置系統等。
- 邊資料
目前邊資料的話，一個是使用者跟使用者的通話資料，第二個是手機號和身份之間的對應關係，第三個是手機號和裝置之間對應關係，第四個是手機號跟地理位置之間對應關係，那麼這些是我們在圖資料庫裡面儲存的一些資料。
圖技術在中國移動有哪些應用？
應用1：號碼風險分
首先是號碼風險分模型，主要用在羊毛黨識別這個場景。我們會根據使用者的通話流量位置以及手機行為資訊去判斷一個號碼有沒有可能是個羊毛黨，主要透過四個模組——
第一個是接碼模組，我們會跟一些外面資料公司合作，判斷一個號碼有沒有可能是一個接碼號碼，如果是，我們會認為這個號碼是薅羊毛的可能性就很大。
第二個行為異常號碼，比如說這個手機號是否當月一次通話都沒有，然後是不是每月都基本只有固定的月租這樣的消費。這種號碼我們認為它可能是一個小號，或者是專門用來去薅羊毛的號碼。
第三個是位置異常，比如說這個手機是否一個月下來就是在一個位置從來沒有動過，可能只是放在家裡偶爾用一下，不會帶出去這種。對於這種號碼的話，我們認為它的風險也是相對比較大的。
第四個是染灰模組，圖技術主要就是用於這個模型。基於前三個模組的結果，我們首先獲得了一批已經確定的羊毛黨使用者，那麼我們可不可以發現他的一些共同特徵？比如說可能有幾個羊毛黨（號碼）是屬於同一個使用者的，那麼我們是不是可以看看這個使用者下面其他手機號是不是也可能是羊毛黨？
另外，如果發現有一堆手機號是之前在同一個裝置上使用過，我們可能也會認為這個裝置上對應的其他手機號也可能會是一些羊毛黨。專業的羊毛黨會採用卡池這種裝置專門去薅羊毛，用圖技術就可以快速發現並識別。
應用2 ：關聯風險分
然後是關聯風險分，通俗來說就是「近朱者赤近墨者黑」。
在平時交際圈，如果你的違約可能性比較低，那麼周圍人可能違約性也會比較低。基於這樣一種想法，我們主要做法就是首先基於移動所有使用者構建一個關係網路，然後採用一些社群發現類的演算法去挖掘這個社群中個人的評分以及個人之間的關係，透過對這個社群打分，去識別出這個社群是否是欺詐或低信用社群。
關聯風險分的主要應用場景就是欺詐領域，比如信貸欺詐、交易欺詐、營銷欺詐、支付欺詐以及賬戶欺詐等等多個方面。
應用3：圖神經網路（GNN）
最後是關於圖神經網路的一些應用，主要是用於金融風控信用評分卡的場景。過去我們用做信用評分卡大部分都是先提取使用者特徵，再訓練一個邏輯迴歸模型或者是角色數字類的模型。
那麼現在，我們想透過圖神經網路做一些模型，透過使用者之間通話資料，比如近三個月主動通話、被動通話以總通話次數是否達到要求，去判斷要不要保留這樣一條邊。
我們大概提取 100 多個主要的特徵去錄模，這裡的模型相對來說比較簡單，目前是嘗試了一個雙塔的模型，左邊的是關於圖神經網路聚合的這樣一個模型，右邊使用者特徵本身的一個全連線網路做了這樣 MLP 的模型。左邊的神經網路聚合，是比較簡單也是最常用的——GCN、GraphSAGE 和 GAT 這三個模型。
另外我們現在採用的是一個同構圖的網路建模，後面可能會考慮異構圖，比如說考慮用 HAN 這樣的一些異構圖的模型去建模，把使用者的身份證和裝置以及位置資訊這些點都歸納進來，然後一起進行建模。
圖資料應用的未來展望
1.資料血緣
中國移動大資料中心會提供給大概 30 多家客戶的 50 多個專案進行共同的建模，建模工作裡包含的資料維表會特別多，因為我們會給每個使用者都匹配資料，然後幫他們生成特徵，最後會把結果表也儲存在資料庫裡面，大概現在有 1000 多張資料表，平時基本靠人工管理，後面看看能不能透過資料血緣的方式去做一個歸納。
2.圖神經網路
中國移動除了大資料中心，還有人工智慧中心，那裡有很多的 GPU 資源進行人工神經網路的訓練，但是目前模型訓練效率比較低下，所以後面看看怎麼用圖資料技術去解決這個問題。
NebulaGraph Desktop，Windows 和 macOS 使用者安裝圖資料庫的綠色通道，10s 拉起搞定海量資料的圖服務。通道傳送門：http://c.nxw.so/blVC6
想看原始碼的小夥伴可以前往 GitHub 閱讀、使用、(^з^)-☆ star 它 -> GitHub；和其他的 NebulaGraph 使用者一起交流圖資料庫技術和應用技能，留下「你的名片」一起玩耍呢~