Neo4j欺诈检测场景异构图异常检测算法选型咨询

适配前提 #

你的图结构定义清晰，三类节点、两类关系的模式完全适配采购欺诈检测的常规建模逻辑，核心要识别的「买方长期固定关联单一供应商」属于交易类欺诈的典型特征，所有选型都基于Neo4j原生GDS（Graph Data Science）库能力，不需要额外对接外部计算组件，开发成本最低。

• 节点类型：supplier（供应商）、contract（合同）、buyer（买方）
• 关系类型：HasSupplier（合同指向对应供应商）、HasBuyer（合同指向对应买方）

分场景算法选型 #

1. 规则类明确异常快速检测 #

优先用基础统计算法落地，可解释性强、上线快，直接覆盖你提到的固定关联类特征：

• 度中心性计算：批量统计每个买方节点通过合同中转关联的去重供应商数量，对关联供应商数为1、且累计合同金额/份数超过设定阈值的买方，直接标记为「固定绑定供应商」可疑主体。用GDS的gds.degree过程批量计算，比纯Cypher多层遍历效率高一个量级，千万级边规模下也能稳定出结果。
• 共现关系统计：给买方、供应商之间的合同共现路径打权重，权重值取双方关联的合同总金额、总份数，当某对买卖双方的关联权重占对应买方所有合同权重的100%时，就是完全无其他供应商备选的强绑定异常。

2. 隐式未知异常挖掘 #

规则覆盖不到的异常模式，用无监督图异常算法批量识别，不需要提前标注欺诈样本：

• 局部离群因子（LOF）：先给每个节点构造特征向量（包含关联主体数、平均合同金额、合同时间间隔、关联主体的历史风险占比等维度），调用GDS的gds.localOutlierFactor过程计算每个节点的离群得分，得分远高于同群体均值的主体直接标记为高风险——比如正常买方平均关联4-6家供应商，少数买方仅关联1家供应商且该供应商本身存在历史欺诈记录，LOF会自动把这类主体的风险分打高。
• 弱连通分量（WCC）：按关联关系给全图节点划连通块，正常交易网络的连通块会随业务开展保持合理的规模扩张，如果出现极小连通块（仅包含1个买方、1个供应商、多份合同，和其他市场主体完全没有关联），就是典型的闭环自交易、虚开发票类欺诈特征。
• 节点相似度计算：调用gds.nodeSimilarity过程批量计算买方之间的供应商重合度、供应商之间的买方重合度，如果一批买方的关联供应商列表100%重合，且注册信息、合同模板特征高度相似，就是典型的团伙欺诈。

落地参考 #

• 所有上述算法都是GDS库原生内置能力，直接在Cypher中调用存储过程即可，以度中心性计算为例，代码示例如下：

// 先投影需要计算的业务子图
CALL gds.graph.project(
  'trade-graph',
  ['buyer', 'contract', 'supplier'],
  ['HasBuyer', 'HasSupplier']
);
// 批量计算节点关联度
CALL gds.degree.stream('trade-graph')
YIELD nodeId, score
RETURN gds.util.asNode(nodeId) AS node, score
ORDER BY score DESC;

• 落地顺序建议先上规则类统计检测，把已知的固定关联类异常先覆盖完，再逐步叠无监督异常检测算法挖未知风险，不建议一开始就上图神经网络这类复杂模型，欺诈场景下可解释性优先级远高于模型复杂度，复杂模型的结果很难给业务侧讲清楚判定逻辑，落地阻力大。
• 检测出的异常标签可以直接存在Neo4j的节点属性里，后续做图可视化排查的时候，点开节点就能直接看到风险原因，排查效率比导出数据到外部系统高很多。

内容的提问来源于stack exchange，提问作者KYD