訓(xùn)練數(shù)據(jù)的質(zhì)量決定了機(jī)器學(xué)習(xí)算法的上限

如今，越來(lái)越多的企業(yè)正利用圖分析來(lái)增強(qiáng)機(jī)器學(xué)習(xí)，今天的隨身聽我們就一起來(lái)聊聊圖和機(jī)器學(xué)習(xí)。如果您正從事機(jī)器學(xué)習(xí)相關(guān)的工作，但對(duì)圖分析卻不太了解，那么您可以點(diǎn)擊文末的“閱讀原文”，下載完整的《原生并行圖》白皮書，來(lái)增強(qiáng)您對(duì)圖的了解，從而更好地利用圖來(lái)增強(qiáng)機(jī)器學(xué)習(xí)。下面就一起來(lái)收聽今天的TigerGraph 隨身聽吧。

我們就以欺詐偵查為例，從許多方面來(lái)說(shuō)，欺詐偵查如同大海撈針。您必須整理并理解海量的數(shù)據(jù)，才能找到那根“針”，在本例中是指欺詐者。事實(shí)上，越來(lái)越多的組織利用機(jī)器學(xué)習(xí)及圖技術(shù)來(lái)防止各種類型的欺詐，包括電話詐騙、信用卡退單、廣告、洗錢等。

訓(xùn)練數(shù)據(jù)的質(zhì)量決定了機(jī)器學(xué)習(xí)算法的上限

在進(jìn)一步探討機(jī)器學(xué)習(xí)與圖技術(shù)這一強(qiáng)大組合的價(jià)值之前，我們先看一下當(dāng)前基于機(jī)器學(xué)習(xí)的欺詐者識(shí)別是如何錯(cuò)失目標(biāo)的。

為了偵查某一具體的情況，如從事詐騙的電話或涉嫌洗錢的付款交易，機(jī)器學(xué)習(xí)系統(tǒng)需要足夠數(shù)量的欺詐電話或可能與洗錢相關(guān)的支付交易。下面我們以電話欺詐為例深入分析。

除可能屬于欺詐的電話數(shù)量外，機(jī)器學(xué)習(xí)算法還需要與電話欺詐行為高度相關(guān)的特征或?qū)傩浴?/p>

由于欺詐(與洗錢非常相似)在交易總量中所占的比重不到 0.01% 或萬(wàn)分之一，因此，存在確認(rèn)欺詐活動(dòng)的訓(xùn)練數(shù)據(jù)體量非常小。相應(yīng)地，數(shù)量如此之少的訓(xùn)練數(shù)據(jù)將導(dǎo)致機(jī)器學(xué)習(xí)算法的準(zhǔn)確度不佳。

選擇與欺詐相關(guān)的一些特征或?qū)傩允趾?jiǎn)單。就電話欺詐來(lái)說(shuō)，這些特征或?qū)傩园承╇娫捄艚衅渌W(wǎng)內(nèi)網(wǎng)外電話的歷史記錄、預(yù)付費(fèi) SIM 卡的卡齡、單向呼叫(即被呼叫方未回電)所占的百分比，以及被拒呼叫所占的百分比。同樣，為了查找涉嫌洗錢的付款交易，需要為機(jī)器學(xué)習(xí)系統(tǒng)提供諸如付款交易的規(guī)模和頻率等特征。

但是，由于依賴僅側(cè)重于各個(gè)點(diǎn)的特征，導(dǎo)致誤報(bào)率居高不下。例如，頻繁進(jìn)行單向呼叫的電話可能屬于銷售代表所有，他們需要致電潛在客戶尋找銷售線索或銷售商品和服務(wù)。這種呼叫也可能涉嫌騷擾，是一方對(duì)另一方的惡作劇。大量的誤報(bào)會(huì)造成浪費(fèi)精力去調(diào)查非欺詐電話，最終降低對(duì)欺詐偵查機(jī)器學(xué)習(xí)解決方案的信心。

算法好不如數(shù)據(jù)多

在機(jī)器學(xué)習(xí)領(lǐng)域有一個(gè)很流行的說(shuō)法：“算法好不如數(shù)據(jù)多”。很多機(jī)器學(xué)習(xí)就是因?yàn)槿狈Τ渥愕挠?xùn)練數(shù)據(jù)而失敗的。簡(jiǎn)單來(lái)說(shuō)，樣本大小直接影響著預(yù)測(cè)的質(zhì)量。與海量的交易相比(訂單、付款、電話呼叫和計(jì)算機(jī)訪問日志)，諸如欺詐、洗錢或網(wǎng)絡(luò)安全違規(guī)等異常檢測(cè)事件的確認(rèn)量很低。

很多大型客戶使用 TigerGraph 來(lái)計(jì)算機(jī)器學(xué)習(xí)領(lǐng)域所謂的基于圖的屬性或特征。就中國(guó)移動(dòng)來(lái)說(shuō)，TigerGraph 為其 6 億個(gè)號(hào)碼分別生成 118 項(xiàng)新特征。這將創(chuàng)造超過(guò) 700 億項(xiàng)新特征，用于將存在疑似欺詐活動(dòng)的“壞號(hào)碼”與其余屬于普通用戶的“好號(hào)碼”區(qū)分開來(lái)。這將會(huì)有更多訓(xùn)練數(shù)據(jù)，供機(jī)器學(xué)習(xí)解決方案提高欺詐偵查的準(zhǔn)確性。

為電話欺詐打造更好的“磁石”

很多現(xiàn)實(shí)生活中的示例不斷證明著圖技術(shù)和機(jī)器學(xué)習(xí)在打擊欺詐方面的價(jià)值。目前，知名大型移動(dòng)運(yùn)營(yíng)商正使用具備實(shí)時(shí)深度關(guān)聯(lián)分析的新一代圖數(shù)據(jù)庫(kù)，解決現(xiàn)有機(jī)器學(xué)習(xí)算法訓(xùn)練方法的缺陷。該解決方案分析了 6 億部手機(jī)的超過(guò) 150 億通呼叫，最終為每個(gè)手機(jī)生成了 118 項(xiàng)特征。這些特征基于對(duì)通話記錄的深度分析，范圍不限于直接被呼叫方。

那么圖數(shù)據(jù)庫(kù)是如何識(shí)別“好”號(hào)碼或“壞”號(hào)碼呢？圖數(shù)據(jù)庫(kù)解決方案又是如何識(shí)別疑似欺詐的類型(例如，垃圾郵件廣告、詐騙銷售等)，并且在被呼叫人的手機(jī)上顯示警告消息？而且這一切全部都在手機(jī)接通之前完成。

其實(shí)，簡(jiǎn)單來(lái)說(shuō)，文中圖1所示，擁有好號(hào)碼的用戶致電其他用戶，大多數(shù)人都會(huì)回復(fù)他們的電話。這有助于指示用戶之間的熟悉度或信任關(guān)系。好號(hào)碼還會(huì)定期(比如，每天或每月)撥打一組其他號(hào)碼，這一號(hào)碼組在一段時(shí)間內(nèi)非常穩(wěn)定(“穩(wěn)定組”)。

表示好號(hào)碼行為的另一個(gè)特征是，當(dāng)呼叫已經(jīng)入網(wǎng)數(shù)月或數(shù)年的號(hào)碼時(shí)得到回電。我們還看到，在好號(hào)碼、長(zhǎng)期聯(lián)系號(hào)碼及網(wǎng)內(nèi)與二者頻繁聯(lián)系的其他號(hào)碼之間有著大量呼叫。這表明我們的好號(hào)碼具有很多組內(nèi)關(guān)聯(lián)。

最后，“好號(hào)碼”通常會(huì)參與三步式朋友關(guān)聯(lián)，意思是我們的好號(hào)碼會(huì)呼叫另一號(hào)碼，即號(hào)碼 2，后者將呼叫號(hào)碼 3。好號(hào)碼還會(huì)通過(guò)直接呼叫與號(hào)碼 3 聯(lián)系。這表示一種三步式朋友關(guān)聯(lián)，形成信任和相互關(guān)聯(lián)性圓環(huán)。

通過(guò)分析號(hào)碼之間的這類呼叫模式，我們的圖解決方案可以輕松識(shí)別壞號(hào)碼，即可能涉嫌詐騙的號(hào)碼。這些號(hào)碼會(huì)短暫呼叫多個(gè)好號(hào)碼，但不會(huì)收到回電。此外，它們也沒有定期呼叫的穩(wěn)定號(hào)碼組(即“空穩(wěn)定組”)。當(dāng)壞號(hào)碼呼叫長(zhǎng)期網(wǎng)內(nèi)用戶時(shí)，對(duì)方不會(huì)回電。壞號(hào)碼的很多呼叫還會(huì)被拒絕，而且缺乏三步式朋友關(guān)系。

圖數(shù)據(jù)庫(kù)平臺(tái)利用超過(guò) 100 項(xiàng)圖特征(如穩(wěn)定組)，它們與我們使用案例中的 6 億移動(dòng)號(hào)碼各自的好壞號(hào)碼行為高度相關(guān)。相應(yīng)地，它可以生成 700 億項(xiàng)新的訓(xùn)練數(shù)據(jù)特征，供機(jī)器學(xué)習(xí)算法使用。最終提高了欺詐偵查機(jī)器學(xué)習(xí)的準(zhǔn)確率，同時(shí)減少誤報(bào)(即非欺詐號(hào)碼被標(biāo)記為潛在欺詐者號(hào)碼)和漏報(bào)(即未標(biāo)記出參與欺詐的號(hào)碼)。

為了了解基于圖的特征如何提高機(jī)器學(xué)習(xí)的準(zhǔn)確率，我們來(lái)看一個(gè)示例（下圖2），其中使用了以下四位移動(dòng)用戶的側(cè)寫：Tim、Sarah、Fred 和 John。

按照傳統(tǒng)的通話記錄特征，如 SIM 卡齡、單向呼叫的百分比以及被拒絕的呼叫總量百分比)，四人中的三人(Tim、Fred 和 John)將被標(biāo)記為疑似或潛在欺詐者，因?yàn)閺倪@些特征來(lái)看，他們非常相似。經(jīng)過(guò)分析基于圖的特征，以及號(hào)碼和用戶之間的深度關(guān)聯(lián)或多步關(guān)系，最終幫助機(jī)器學(xué)習(xí)將 Tim 歸類為愛惡作劇者、John 為銷售人員，而 Fred 則被標(biāo)記為疑似欺詐者。我們來(lái)思考一下這個(gè)過(guò)程。

就 Tim 來(lái)說(shuō)，他有一個(gè)“穩(wěn)定組”，這意味著他不太可能是銷售人員，因?yàn)殇N售人員每周都會(huì)撥打不同的電話號(hào)碼。Tim 沒有很多組內(nèi)關(guān)聯(lián)，這意味著他可能經(jīng)常給陌生人打電話。他也沒有任何三步式朋友關(guān)聯(lián)，用于確認(rèn)他所呼叫的陌生人不存在關(guān)聯(lián)。根據(jù)這些特征判斷，Tim 很可能是愛惡作劇者。

我們來(lái)看一下 John 的情況，他沒有穩(wěn)定組，這意味著他每天都通過(guò)電話尋找新的潛在銷售線索。他會(huì)給具有很多組內(nèi)關(guān)聯(lián)的人打電話。當(dāng) John 介紹產(chǎn)品或服務(wù)時(shí)，如果接聽方對(duì)它們感興趣或認(rèn)為與自己相關(guān)，則其中一些人很可能會(huì)將 John 介紹給其他聯(lián)系人。John 還通過(guò)三步式朋友關(guān)系與他人產(chǎn)生關(guān)聯(lián)，這表明他作為優(yōu)秀的銷售人員將整個(gè)環(huán)鏈閉合，通過(guò)在同一組內(nèi)第一次聯(lián)系的人的朋友或同事當(dāng)中遴選，找到最終的買家來(lái)購(gòu)買他的產(chǎn)品或服務(wù)。依據(jù)這些特征的組合，最終將 John 歸類為銷售人員。

就 Fred 來(lái)說(shuō)，他既沒有穩(wěn)定組，也不與具有很多組內(nèi)關(guān)聯(lián)的群體交流。此外，他與所呼叫的人之間也沒有三步式朋友關(guān)系。這使得他非常容易成為電話詐騙或欺詐的調(diào)查對(duì)象。

回到我們最初海底撈針的比喻，在本例中，我們可以利用圖分析改善機(jī)器學(xué)習(xí)，進(jìn)而提高準(zhǔn)確率，最終找到那根“針”，即潛在的欺詐者 Fred。為此，需要使用圖數(shù)據(jù)庫(kù)框架對(duì)數(shù)據(jù)進(jìn)行建模，以便能夠識(shí)別和考慮更多特征，用于進(jìn)一步分析我們的海量數(shù)據(jù)。相應(yīng)地，計(jì)算機(jī)將利用越來(lái)越準(zhǔn)確的數(shù)據(jù)進(jìn)行訓(xùn)練，使自己不斷變得聰明，更加成功地識(shí)別潛在的詐騙分子和欺詐者。

如果您正從事機(jī)器學(xué)習(xí)相關(guān)的工作，希望利用圖分析來(lái)增強(qiáng)機(jī)器學(xué)習(xí)，別忘了點(diǎn)擊文末的“閱讀原文”，下載完整的《原生并行圖》白皮書，來(lái)增強(qiáng)您對(duì)圖的了解，從而更好地將圖應(yīng)用到您的工作中。

另外，您也可以下載使用TigerGraph 機(jī)器學(xué)習(xí)工作臺(tái)（ML Workbench），這是一個(gè)基于Jupyter的Python開發(fā)框架，可以使數(shù)據(jù)科學(xué)家，人工智能和機(jī)器學(xué)習(xí)的從業(yè)者更容易、也更熟悉地使用圖分析，而無(wú)需學(xué)習(xí)很多新的數(shù)據(jù)處理方式。比如數(shù)據(jù)科學(xué)家可以使用TigerGraph 機(jī)器學(xué)習(xí)工作臺(tái)（ML Workbench），更快速地構(gòu)建圖神經(jīng)網(wǎng)絡(luò) (GNN) 模型，輕松探索圖神經(jīng)網(wǎng)絡(luò)（GNN）。它提供了 Python 級(jí)別強(qiáng)大而高效的數(shù)據(jù)管道，將數(shù)據(jù)從 TigerGraph 流式傳輸?shù)接脩舻臋C(jī)器學(xué)習(xí)系統(tǒng)，執(zhí)行常見的數(shù)據(jù)處理任務(wù)，例如對(duì)圖數(shù)據(jù)集的訓(xùn)練、驗(yàn)證和測(cè)試，以及各種子圖采樣方法。詳細(xì)信息，可以點(diǎn)擊文中鏈接查看往期的TigerGraph 隨身聽（Vol.23 TigerGraph機(jī)器學(xué)習(xí)工作臺(tái)）。

以上就是我們今天的隨身聽內(nèi)容，如果您對(duì)于我們討論的應(yīng)用場(chǎng)景，有任何問題，或者希望和我們進(jìn)行更有針對(duì)性的深度探討，歡迎通過(guò)文中的聯(lián)系方式和我們聯(lián)系。

審核編輯 ：李倩