陳強，代仕婭

1. 興業(yè)銀行信息科技部，上海 201201；2. 螞蟻科技國際事業(yè)群數(shù)據(jù)算法技術部，上海 200120

1 引言

商業(yè)銀行會計風險案件形式多樣，涵蓋反洗錢、資金詐騙、非法集資、虛假交易、惡意刷單、套現(xiàn)挪用等多種作案手段。隨著商業(yè)銀行業(yè)務范圍不斷拓展，經(jīng)濟形勢復雜性加劇，會計風險案件日趨高發(fā)，給商業(yè)銀行及社會經(jīng)濟帶來嚴重的損失，也給金融系統(tǒng)的穩(wěn)定性造成不良影響。除了明確對反洗錢等金融犯罪行為的打擊防范，監(jiān)管對銀行資金的使用規(guī)范也日益嚴格，如《商業(yè)銀行互聯(lián)網(wǎng)貸款管理暫行辦法》明確表示，貸款資金不得用于購買房產(chǎn)、股票、金融衍生品等。加強對會計風險案件的防控是新形勢下銀行風險管理的重要內(nèi)容，具有較大的經(jīng)濟效益和社會效益，一是能更好地保障客戶資金的安全，切實做好維護客戶利益的本職工作；二是有利于監(jiān)測并規(guī)范信貸資金的用途，使其切實用于企業(yè)的經(jīng)營發(fā)展，支持與服務實體經(jīng)濟；三是能增強反洗錢能力，防范金融犯罪，助力金融系統(tǒng)的穩(wěn)定與社會經(jīng)濟健康發(fā)展。而現(xiàn)實中各類風險事件的作案手法越發(fā)復雜，內(nèi)外部勾結、團伙合作等形式較難被及時察覺，傳統(tǒng)事后核查方式的防范效率較低。這些都對銀行傳統(tǒng)的風險管理模式提出更嚴峻的挑戰(zhàn)，需要借助新技術、新方法來更有效地應對。

近年來，金融科技蓬勃發(fā)展，驅動金融業(yè)務經(jīng)營與管理模式的創(chuàng)新變革。中國人民銀行印發(fā)的《金融科技（FinTech）發(fā)展規(guī)劃（2019—2021年）》明確指出，金融科技已成為防范化解金融風險的新利器，是新形勢下金融風險管理的內(nèi)在需求和重要選擇。金融科技在會計非現(xiàn)場監(jiān)控工作中的應用能實現(xiàn)對會計異常數(shù)據(jù)的自動監(jiān)控、自動預警、自動通知，有效提升會計監(jiān)控的效率[1]；基于大數(shù)據(jù)、人工智能技術的反欺詐智能平臺能對海量金融交易進行監(jiān)測，在降低異常交易預警的同時，極大地提高了識別欺詐交易的命中率[2]。為此，商業(yè)銀行積極探索大數(shù)據(jù)、人工智能、知識圖譜等核心技術在會計案防領域的高效應用就顯得格外必要。將傳統(tǒng)的風險業(yè)務知識與大數(shù)據(jù)、人工智能技術結合，充分發(fā)揮數(shù)據(jù)模型在風險特征挖掘上的能力，構建更完善、更精準的智能化會計案件風險防控體系，能有效地提升銀行的風險管理水平，推動銀行的高質量發(fā)展。

本文引入知識圖譜相關技術，提出了結合關聯(lián)風險特征的會計案防智能化反欺詐策略體系構建方案。首先，構建了銀行賬戶金融知識圖譜，并采用多種圖分析技術挖掘提煉賬戶之間的關聯(lián)風險特征；其次，將關聯(lián)風險特征與傳統(tǒng)會計案防規(guī)則結合，形成完整的會計案防智能化反欺詐策略體系；最后，基于銀行真實交易賬戶對反欺詐策略進行檢驗，檢驗結果表明，該智能化反欺詐策略體系能有效識別出高風險賬戶。

2 相關工作

作為人工智能的重要領域之一，知識圖譜相關技術在金融反欺詐領域的應用日益廣泛，對金融風險防范起到顯著的促進作用。姜增明等人[3]認為商業(yè)銀行反欺詐的關鍵在于建立以大數(shù)據(jù)為支撐的風控體系，采用知識圖譜、社交網(wǎng)絡分析等技術，更有效地防范復雜模式下的欺詐風險。柴洪峰等人[4]指出依托知識圖譜強大的知識推理和邏輯判斷能力，在提升風險監(jiān)管決策準確性的同時，也能增強其可解釋性。陶睿等人[5]通過構建上市公司知識圖譜，對企業(yè)風險進行智能化監(jiān)控，提升了監(jiān)管穿透性，緩解了監(jiān)管時滯性；陶士貴等人[6]基于股權關系圖譜，采用復雜股權關系路徑算法，有效識別企業(yè)的最終受益人，實現(xiàn)反洗錢風險的預警提示。上述文章主要側重于從企業(yè)控制人角度出發(fā)，采用知識圖譜挖掘股權關系中的風險，但這些文章均僅描述了研究思路，并未就具體圖計算過程和實驗結果進行詳細闡述。金磐石等人[7]通過構建企業(yè)關聯(lián)圖譜，將企業(yè)畫像特征與從知識圖譜中提取的企業(yè)關系特征結合，并將其作為分類模型的變量輸入，預測小微企業(yè)欺詐的概率；王成等人[8]采用知識圖譜的網(wǎng)絡嵌入方法預測互聯(lián)網(wǎng)借貸的欺詐行為，將網(wǎng)絡中的節(jié)點嵌入低維的向量空間，以自動學習網(wǎng)絡中隱含的關聯(lián)關系，增強了欺詐預測的性能。這兩篇文章主要將知識圖譜與AI算法結合，通過算法模型預測信貸業(yè)務中的欺詐風險，但對于會計案防業(yè)務來說，這種方法不僅欺詐樣本比例較低，影響模型訓練效果，而且對案件發(fā)生邏輯的分析要求高，完全采用機器學習模型預測欺詐缺乏相應的可解釋性。凡友榮等人[9]基于電信通話知識圖譜，通過最短路徑算法、PageRank算法、聚類算法等識別電信通話中的關聯(lián)路徑、核心人物及社會關系，為電信資金詐騙的識別提供重要線索；魏瑾等人[10]搭建了基于知識圖譜的欺詐電話智能決策平臺，提升了電信詐騙識別的準確率。這兩篇文章采用知識圖譜技術提取個人之間的交互網(wǎng)絡特征，能獲得更深層次的風險信息，但主要為個人關系層面，未涉及賬戶資金交易，場景應用上存在較大差異。

為此，本文基于會計案防領域的業(yè)務特點，構建了一種將行業(yè)知識與知識圖譜技術結合的智能化反欺詐策略方案，在交易賬戶金融知識圖譜的基礎上，采用多種圖分析技術，從網(wǎng)絡結構、賬戶資金流向、資金交易閉環(huán)、賬戶關聯(lián)強度等多維度進行深度挖掘，提煉出賬戶關聯(lián)風險特征；將賬戶關聯(lián)風險特征與賬戶基礎特征結合起來，基于行業(yè)知識構建反欺詐規(guī)則策略集，以實現(xiàn)對會計案件欺詐風險更精準的識別。

3 會計案防智能化反欺詐策略構建技術

在商業(yè)銀行會計案防工作中，基于長期業(yè)務經(jīng)驗積累形成的風險規(guī)則邏輯是識別欺詐案件的重要行業(yè)知識，但是對于資金交易閉環(huán)、賬戶穿透轉移等關聯(lián)交易特征，由于涉及主體較多、交易路徑復雜，人工難以及時識別，這也是會計案防工作的痛點與難點。知識圖譜通過將蘊含業(yè)務規(guī)律的、跨系統(tǒng)跨主體的數(shù)據(jù)信息以圖的形式進行關聯(lián)、展示與分析，能夠挖掘出隱含的欺詐風險信息。對于銀行賬戶交易來說，不同賬戶之間通過資金轉移形成了一張交易關聯(lián)網(wǎng)路，采用知識圖譜技術能更及時、更精準地提取出賬戶深層的關聯(lián)交易風險特征，并通過圖可視化技術進行展示，這有助于提升會計案防風險識別的質效。

由于會計案防欺詐樣本相對較少，且對案件發(fā)生邏輯及可解釋性要求很高，會計案防核查最終需要基于行業(yè)知識的風險規(guī)則策略對案防事件進行識別與確認。傳統(tǒng)案防風險策略一般以賬戶的基礎特征為主進行構建，缺乏賬戶之間的關聯(lián)網(wǎng)絡特征。而在本文的智能化反欺詐方案中，將行業(yè)知識與知識圖譜結合起來構建出更前瞻、更精準的風險策略集。一是通過賬戶交易知識圖譜提煉、挖掘更加豐富的交易網(wǎng)絡特征，全面獲得賬戶的基礎特征（也可以將其看成賬戶節(jié)點的屬性）與賬戶間隱藏的關聯(lián)特征，形成更完整的特征規(guī)則集；二是基于會計案防行業(yè)知識，對融合了網(wǎng)絡關聯(lián)特征的規(guī)則集進行組合配置，形成更加精準有效的會計案件反欺詐策略體系。在整個過程中，如何通過知識圖譜技術挖掘出賬戶之間隱藏的關聯(lián)特征，是本文研究的重點。智能化反欺詐策略方案的整體架構如圖1所示，主要包含指標庫、金融知識圖譜分析、規(guī)則策略等部分，其中指標庫是指對會計案防規(guī)則進行解耦，并加工出賬戶的基本特征，是實現(xiàn)風險策略可靈活配置應用的重要工程化基礎；金融知識圖譜分析部分主要是對賬戶交易知識圖譜的構建以及關聯(lián)網(wǎng)絡特征的提??；規(guī)則策略部分主要是對融合了賬戶基礎特征和關聯(lián)網(wǎng)絡特征的規(guī)則進行組合配置，形成不同場景下的會計案防反欺詐策略。

3.1 業(yè)務規(guī)則指標化

會計案防業(yè)務中原始的規(guī)則邏輯大多以文本的形式描述，在應用過程中將對每一條規(guī)則邏輯進行獨立的SQL語句編寫，一旦規(guī)則邏輯發(fā)生任何細微的改動，都需要重新編寫SQL規(guī)則語句，這種應用方式一方面導致規(guī)則配置及更新迭代的效率較低，另一方面也難以與知識圖譜等技術結合進行挖掘分析。為了實現(xiàn)會計案件的智能分析預警，需要對規(guī)則文本進行進一步的拆解，提煉出影響案件性質的關鍵要素，形成指標庫，以便通過對指標的靈活組合配置，形成適應不同時間、不同場景的業(yè)務規(guī)則，對會計風險案件做出更快、更精準的響應。指標拆解示例見表1。

同時，對于一些難以從結構化數(shù)據(jù)中直接提取的規(guī)則指標，將采用知識圖譜、機器學習等技術進行相應的處理，以更充分地實現(xiàn)指標自動化、智能化生成。如在“票據(jù)審查真實”這條規(guī)則中，傳統(tǒng)票據(jù)審查方式只能靠人工在線下進行，在此則依托光學字符識別（optical character recognition，OCR）技術對承兌人、票面金額等票據(jù)要素進行自動提取與真實性判斷；又如，對于“是否是股東”這條規(guī)則，可以采用自然語言處理（natural language processing，NLP）技術從股權變更公告中自動提取股權相關信息，圖2為指標智能化生成方法示例。

表1 指標拆解示例

圖1 會計案防智能化反欺詐體系架構

3.2 金融知識圖譜構建與分析

知識圖譜具有節(jié)點和邊的概念，節(jié)點表示信息實體或者實體的屬性值，邊表示兩個被連接實體的關系或者一個實體的某個屬性[11]。金融知識圖譜主要針對金融行業(yè)的業(yè)務場景，通過大規(guī)模語義網(wǎng)絡，將金融業(yè)務領域中的結構化、半結構化、非結構化等不同類型數(shù)據(jù)進行整合，將事物或者概念作為實體，基于實體之間的語義關系相互連接，構建出網(wǎng)狀的知識鏈接，形成結構化的語義知識庫，以更清晰的形式描述金融業(yè)務中復雜的關聯(lián)邏輯[12]。金融知識圖譜的內(nèi)容和結構根據(jù)具體金融業(yè)務的不同而不同，對于會計案防領域，防范重點在于資金的違規(guī)流動，故該領域金融知識圖譜的重點在于對賬戶之間資金交易關系的刻畫，與傳統(tǒng)知識圖譜相比，賬戶實體之間的邊增加了表示資金流向的箭頭，邊的粗細也會根據(jù)交易量進行區(qū)分。

知識圖譜的構建首先是語義框架的設計，即確定會計案防業(yè)務領域中的實體，以及實體之間的語義關系結構；其次是知識內(nèi)容的構建，即根據(jù)語義框架中定義好的實體及關系類型，從多源異構數(shù)據(jù)中提取出實體，將實體、關系、屬性以三元組的形式存儲在圖數(shù)據(jù)庫中[13]，形成完整的關聯(lián)圖譜。

采用各類知識圖譜分析技術能夠發(fā)掘出圖結構中隱含的業(yè)務深層聯(lián)系，實現(xiàn)智慧搜索與智能交互，進而增強金融機構的業(yè)務智能化水平。本方案主要采用圖可視化分析、知識推理、圖計算等圖技術，提煉金融知識圖譜的淺層關聯(lián)特征、深層關聯(lián)特征等多層次結構信息，賦能復雜業(yè)務經(jīng)驗的智能化應用，提高欺詐風險識別的覆蓋率、準確率。主要的圖分析及特征提取內(nèi)容如圖3所示。

圖2 指標智能化生成方法示例

圖3 圖分析和特征提取

3.2.1 圖可視化分析

圖可視化分析主要是將圖結構的數(shù)據(jù)存儲在Neo4j、JanusGraph等圖數(shù)據(jù)庫中，并結合Elasticsearch搜索分析引擎，實現(xiàn)高靈活性、高準確性、低時延及大規(guī)模并行化的檢索查詢[14]，形成對圖結構數(shù)據(jù)的可視化關聯(lián)展示，以提取實體之間的關系類型、實體屬性等基礎的網(wǎng)絡特征。

3.2.2 圖關系挖掘

通過圖計算、知識推理等分析挖掘技術，提取出圖數(shù)據(jù)結構中的深層關聯(lián)特征，揭示隱含的欺詐風險。本方案主要采用的圖關系挖掘方法見表2。

（1）資金交易閉環(huán)分析

找出資金從某一賬戶轉出，與其他賬戶交易后又轉入原始賬戶的交易閉環(huán)，有利于排查虛假交易、洗錢等風險行為。賬戶交易圖譜是有向圖，可采用Tarjan算法識別交易網(wǎng)絡中的強連通圖，即圖中任意兩個頂點可以互相通達，從而挖掘出閉環(huán)交易。Tarjan算法基于深度優(yōu)先搜索進行節(jié)點訪問，定義dfn[u]為深度優(yōu)先搜索時節(jié)點u的時間戳（即次序編號），low[u]為u或u的子樹能夠追溯到的最早的棧中節(jié)點的序號[15]。對于當前節(jié)點u和關聯(lián)節(jié)點v：若(u,v)為搜索邊，low[u]=min{low[u],low[v]}；若(u,v)為回邊，low[u]=min{low[u],dfn[v]}。最終選取low[u]=dfn[u]時，該節(jié)點往上的所有節(jié)點構成的強聯(lián)通分量。

表2 圖關系挖掘方法

（2）賬戶關聯(lián)強度分析

將兩個賬戶之間的交易路徑長度、交易時間、交易金額、交易次數(shù)等多個維度綜合起來進行評估，挖掘出有直接或間接交易關系的賬戶之間的緊密程度。對于一條交易路徑，如圖4所示，A1、A2兩個賬戶之間并無直接交易，但通過賬戶B2、B3建立起間接的交易關系。

圖4 交易路徑示例

用λ表示兩個直接交易賬戶之間的交易權重，λi為資金從賬戶A1到A2的整個交易鏈路中第i段交易的權重：

其中，Ti表示第i段交易中兩個賬戶在特定時間內(nèi)的時間切片個數(shù)，dt表示第t個時間切片，N表示交易次數(shù)，M表示交易金額。這里交易權重主要由單位時間段的交易次數(shù)以及單次交易的金額這兩個因素決定。整個交易鏈條中A1和A2的關聯(lián)強度R為各段交易權重的平均值

（3）賬戶分層穿透匹配

分層穿透是指通過層層追溯，找到最終的間接利益關聯(lián)方[16]。此處主要是對資金在轉出初始賬戶后的交易路徑進行層層追蹤，找到資金的最終流向，能有效挖掘出多層復雜場景下資金通過中間賬戶轉移到非法賬戶的風險。推理示例如下：

其中，a、b表示兩個節(jié)點，edge表示存在邊關系，path表示存在關聯(lián)路徑，箭頭表示關系及路徑的方向。

（4）資金轉移模式匹配

資金轉移模式匹配主要用來判斷“分散轉入、集中轉出”以及“分散轉出、集中轉入”這兩種可疑的賬戶交易模式，前者通常隱含非法集資的風險，后者則具有典型的洗錢特征。為了更加精準地評估某一資金轉移與風險交易模式的匹配程度，將賬戶交易的網(wǎng)絡圖譜轉換為賬戶余額隨時間變化的交易波形圖，用波形的相似程度表示賬戶交易模式的相似程度，從而定量評估資金轉移模式是否具有較高的風險特征。

在波形相似度的衡量上，相關系數(shù)一般用來衡量波形總體相似程度，容易忽視局部特征的差異[17]。本文在計算波形相關系數(shù)的基礎上，選取波形的主波峰值、主波起始點至頂峰的時間這兩個主要的波形局部特征，將兩者結合起來，得到最終相似度，其計算式為：

其中，W為基礎波形，P為對比波形，Wt、Pt分別表示在t時刻兩個賬戶的金額；分別表示兩個賬戶在該時間段內(nèi)的平均金額；H表示主波峰值；T表示主波起始點至頂峰的時間；β表示權重。

4 實驗設計與結果分析

在實驗中，將實際金融活動中真實發(fā)生的15起會計風險案件作為規(guī)則設計的參考藍本，基于行業(yè)經(jīng)驗知識從中提煉出可疑風險規(guī)則，并對規(guī)則進行拆解，形成基礎指標庫，作為賬戶的基礎特征；選取某銀行2019年6月至2020年1月的所有活躍賬戶數(shù)2 900萬個，將其中有歷史管控和確認欺詐的賬戶作為欺詐樣本，共6 571個，將賬戶交易情況、企業(yè)及個人基本信息等作為數(shù)據(jù)基礎，構建賬戶交易知識圖譜，提取出賬戶的關聯(lián)風險特征。

4.1 業(yè)務規(guī)則指標庫構建

與會計案防相關的完整的指標體系涉及的內(nèi)容廣泛。從指標對象來說，涵蓋了客戶、賬戶、交易、員工、營業(yè)機構等不同層面的主體，如客戶注冊地、賬戶開戶地址、是否人工驗印、員工操作筆數(shù)、機構開戶數(shù)量等。從指標加工的技術來說，涵蓋了基礎指標、統(tǒng)計指標等，基礎指標是指客戶或賬戶的基本屬性，統(tǒng)計指標是指經(jīng)數(shù)據(jù)運算后的指標。表3展示了一些業(yè)務規(guī)則指標，將這些指標作為賬戶的基礎特征。

4.2 金融知識圖譜關聯(lián)特征提取

本文圖網(wǎng)絡結構標識的實體主要包含兩類，一類是賬戶實體，包含企業(yè)、個人開立的可發(fā)生資金交易行為的銀行賬戶；另一類是非賬戶實體，如經(jīng)營機構、操作設備等。對應的實體之間的關系也主要分為兩類，一是賬戶與賬戶之間，主要是交易關系，由是否有資金往來確定，若發(fā)生過轉賬、支付等交易行為，則有交易關系；二是賬戶與非賬戶之間，具體關系需要根據(jù)非賬戶實體確定，如賬戶與經(jīng)營機構之間是開戶關系，賬戶與操作設備之間是使用關系。在本文賬戶關聯(lián)圖譜中，實體用節(jié)點表示，關系用邊表示，其中交易關系具有箭頭和粗細區(qū)分，邊的箭頭由轉出賬戶指向轉入賬戶，邊的粗細則主要由交易金額決定；而對于賬戶與非賬戶之間，未涉及資金流向，其關系大多是固定的，也是可逆的，如某一賬戶和開戶證件號，可以從賬戶關聯(lián)到證件號，也可以從證件號關聯(lián)到賬戶，可逆關系無須箭頭和粗細的區(qū)分[18]。對于與其他實體無任何關聯(lián)的孤立實體節(jié)點，其表示該賬戶無資金交易行為，也無任何基本信息關聯(lián)，將該孤立節(jié)點刪除。最終構建形成的金融知識圖譜由諸多非連通的子圖組成，各個子圖之間未構成關聯(lián)，子圖內(nèi)部的賬戶之間以多種方式進行連接。知識圖譜中涉及的主要實體及關系類型見表4。

表3 業(yè)務規(guī)則指標示例

圖5為賬戶交易知識圖譜的子圖示例。以子圖1為例，A1～A5代表資金賬戶實體，A1賬戶的資金主要流向A2、A3、A4 3個賬戶，其中A1→A2的資金交易量最大，連線邊也相應較粗，A1→A3的資金交易量最小，連線邊則較細；IP地址、證件等為非賬戶實體。從圖5可知，賬戶A2、A3、A5關聯(lián)同一個證件號碼，非賬戶實體與賬戶實體之間無交易行為，故連接邊為無箭頭的實線。

4.2.1 淺層關聯(lián)特征

淺層關聯(lián)特征主要指可從圖結構中直接查詢得到，無須進一步加工計算的特征，也可以通過圖譜可視化直接讀取，如圖5中的子圖1，A4、A5賬戶對應同一個對賬地址，當多個非同名賬戶都對應同一個對賬地址時，則存在虛假開戶的風險。表5給出了淺層關聯(lián)特征示例。

4.2.2 深層關聯(lián)特征

與淺層關聯(lián)特征的獲取有所不同，深層關聯(lián)特征無法從圖結構中直接獲取，需要基于圖計算等方式深入挖掘提取得到。

表4 知識圖譜實體與關系

圖5 賬戶交易知識圖譜的子圖示例

表5 淺層關聯(lián)特征示例

（1）資金交易閉環(huán)分析

如圖6所示，基于前述Tarjan算法挖掘強聯(lián)通分量，可以發(fā)現(xiàn)資金從賬戶A1轉出，經(jīng)過賬戶A2、A3、A5路徑，以及賬戶A2、A3、A4、A5路徑，回流至賬戶A1，形成兩條資金閉環(huán)，提示存在洗錢或虛假交易等疑似欺詐的行為。

（2）賬戶關聯(lián)強度分析

當兩個賬戶之間存在多條交易路徑時，對不同交易路徑下的關聯(lián)強度進行計算，選取最大值作為最終的關聯(lián)強度值。如圖7所示，A和B代表賬戶實體（為了進一步區(qū)分，以A表示起始和終點賬戶，B表示中間賬戶）；V表示非賬戶實體，與賬戶間無資金交易關系，也不影響賬戶關聯(lián)強度的計算。A1與A2之間存在兩條關聯(lián)路徑，分別是A1→B2→B3→A2，以及A1→B1→A2。計算兩條交易路徑下A1、A2的賬戶關聯(lián)強度，得到在較長路徑下，兩者的關聯(lián)強度反而更大，有助于對可疑賬戶的高關聯(lián)賬戶及核心交易路徑進行排查。

（3）賬戶分層穿透匹配

如圖8所示，對賬戶資金流向進行層層穿透，可以發(fā)現(xiàn)賬戶A與賬戶D并無直接的資金交易，但經(jīng)過知識圖譜對交易層級的拓展，顯示賬戶A中的資金經(jīng)過B1到Bn，以及C1到Cn這兩條路徑，最終流向了賬戶D這類投資股票、房產(chǎn)的高風險賬戶，屬于違規(guī)使用信貸資金的行為。

（4）資金轉移模式匹配

如圖9所示，通過限定資金轉入轉出特點，得到兩種交易模式圖，一種模式是分散轉入、集中轉出，賬戶X1、X2、X3、X4中的資金先后流向賬戶X中，呈現(xiàn)陸續(xù)分散轉入的現(xiàn)象，然后賬戶X再將資金集中轉出到賬戶Y中，這有非法集資的風險；另一種模式是集中轉入、分散轉出，與前一種模式正好相反，資金先由賬戶X集中轉入賬戶Y中，然后再由賬戶Y陸續(xù)轉出到賬戶Y1、Y2、Y3、Y4等賬戶中，這有較嚴重的洗錢嫌疑。

進一步分析不同賬戶的交易波形與欺詐樣本交易波形的相似程度。圖10表示“分散轉入、集中轉出”模式下某一欺詐賬戶的關聯(lián)交易模式，圖11為對應的風險交易波形圖；波形一（如圖12所示）和波形二（如圖13所示）分別代表兩類賬戶的交易波形。根據(jù)前述計算方式，得到波形一、波形二與風險波形的相似度分別為0.423和0.825，表明波形二對應的賬戶交易模式存在與風險波形類似的欺詐特點，需要重點排查；波形一與風險波形的相似度較小，表明波形一對應的賬戶交易模式屬于前述欺詐行為的可能性較小。

圖6 資金交易閉環(huán)示例

圖7 賬戶關聯(lián)強度分析

圖8 賬戶分層穿透

圖9 資金轉移模式

圖10 風險交易模式

圖11 風險交易波形

圖12 波形一

圖13 波形二

基于以上分析，本文進一步提取出一些具有較高欺詐風險的深層關聯(lián)特征，見表6，這些深層關聯(lián)特征和淺層關聯(lián)特征一起形成了對賬戶基礎特征的有力補充。

4.3 規(guī)則策略體系

將賬戶基礎特征與從知識圖譜中提取出的關聯(lián)風險特征相結合，搭建了較完整、豐富的風險指標集。對每一指標設置閾值，即相應的單點規(guī)則；由于單點業(yè)務規(guī)則不足以解釋風險現(xiàn)象，需對其進行靈活的搭配形成規(guī)則組合，并輔以指標閾值的調整。最終構建出會計案防領域反欺詐規(guī)則策略體系，該體系共涵蓋了249條單點規(guī)則，以及425條組合規(guī)則，圖14為規(guī)則配置的示例。

4.4 實驗結果

將以上規(guī)則策略集應用于選定歷史時間段的2 900萬個銀行活躍賬戶，將其中有過歷史管控或確認過欺詐的賬戶標記為欺詐樣本，共6 751個。將該數(shù)據(jù)集分為兩組進行對比試驗，一組采用賬戶基礎特征構建的規(guī)則策略進行欺詐識別，另一組采用融合網(wǎng)絡關聯(lián)特征后的規(guī)則策略，通過對比兩組策略的風險識別結果，驗證知識圖譜應用的效果，實驗結果見表7。

策略1表示僅使用賬戶基礎特征規(guī)則進行欺詐識別，策略2表示將賬戶基礎特征與關聯(lián)特征結合起來形成反欺詐策略。將樣本近乎平均地分配到兩組實驗中，最終策略1篩選出2.1萬個疑似風險賬戶，其中確認為欺詐的共4 230個，確認率為20.1%；策略2提示有風險賬戶數(shù)為4 067個，其中屬于欺詐的有2 621個，確認率為64.4%；進一步從策略2預警提示的風險賬戶中挑選出規(guī)則命中最多的前100個賬戶，其中85個被確認為欺詐賬戶，頭部欺詐確認率達到85%。實驗結果表明，融合了知識圖譜關聯(lián)特征后的規(guī)則策略能夠顯著提升會計案防欺詐識別的準確性，縮小異常賬戶核查的范圍，使風險管理措施集中到最可疑的賬戶中，從而提升會計案防工作的質效。

表6 深層關聯(lián)特征示例

5 結束語

本文將會計案防領域的行業(yè)知識與金融知識圖譜技術相結合，構建了基于圖譜關聯(lián)特征的智能化反欺詐策略方案。在實驗中，以行業(yè)真實會計風險案件和銀行內(nèi)部賬戶數(shù)據(jù)為分析基礎，對欺詐經(jīng)驗規(guī)則進行指標化拆解、加工，形成反欺詐基礎規(guī)則指標庫；采用圖可視化分析、知識推理、圖計算等知識圖譜技術，對基礎網(wǎng)絡結構、賬戶資金流向、資金交易閉環(huán)、賬戶關聯(lián)強度等進行深度挖掘，提取出關聯(lián)風險特征，最終形成了豐富、靈活的會計案防智能化反欺詐規(guī)則策略體系，共包含了249條單點規(guī)則，以及425條組合規(guī)則。將智能化反欺詐規(guī)則策略用于銀行內(nèi)部賬戶的風險核查，挑選其中疑似欺詐程度較高的賬戶進一步人工核驗，最終欺詐確認率高達85%，這充分表明了智能化反欺詐策略在風險識別上的精確性，能顯著提升會計案防工作效率，增強銀行的風險管理能力，也有助于維護金融系統(tǒng)的穩(wěn)定性。

圖14 規(guī)則配置示例

未來智能化反欺詐策略中將融入更多的機器學習、深度學習等AI算法，將算法模型的分析預測結果進一步納入規(guī)則集中，使反欺詐策略體系更加完善與精細；也將依托大數(shù)據(jù)相關技術搭建智能化會計案防平臺，以平臺化運作的方式實現(xiàn)規(guī)則策略的自動化加工計算、組合配置及提示預警，最終在真實會計案防場景中高效運行，助力銀行風險管理的數(shù)字化、智能化轉型升級。

表7 實驗效果對比