金融风控的岗位面试和实际业务里，常遇到一类尴尬：模型指标调得不错，一被问到「这批申请里的团伙欺诈你怎么发现的」，就答不上来。或者拿到一份竞赛数据，特征工程只会做加减乘除，一看排行榜前面的人在用图特征，完全不知道从哪下手。这门课解决的正是这个缺口——它不铺开讲整个风控体系，而是集中打一个点：把图论和 GNN 这套方法，用到风控场景里去。

先说清楚：这门课适合谁，不适合谁

如果你目前的状况是下面几种，学起来会比较顺：已经做过评分卡或者 LR/XGBoost 风控模型，但对「关系型」的风险识别没有系统方法；准备打金融风控类竞赛，看到赛题里给了用户之间的转账、担保、共用设备这类关系数据，不知道怎么用；或者已经在做反欺诈，规则写得很累，想看看图方法能不能替代一部分人工规则。

反过来，如果你连二分类模型的基本流程、特征分箱、AUC 这些还没动手跑过，这门课会有点跳。它是金融高级班的先导课，定位是打开图方法这个方向，不是从零讲机器学习。

核心内容围绕三层能力展开

第一层是图论的基本功。不是数学系那种证明，而是风控里真正用得到的部分：怎么把一堆借贷记录、设备日志、担保关系抽象成点和边，二部图和同构图分别对应什么业务含义，连通分量、度中心性这些指标在团伙识别里各自说明什么。这一层的门槛不高，但抽象建模的思路是后面所有内容的地基。

第二层是图算法。风控里最常用的几类：标签传播做欺诈标签扩散，社区发现找团伙，最短路径看资金或关系链条的长度。这些算法有现成工具，但难点在于知道什么时候该用哪个——比如一个用户只和已知黑名单隔了两跳，这算强信号还是弱信号，不同算法给出的答案不一样。

第三层是知识图谱与 GNN。这部分是课程里技术密度最高的：图神经网络怎么在节点分类任务上做欺诈识别，和传统特征工程相比优势与代价分别在哪，以及知识图谱在风控里除了做关联查询，还能怎么参与建模。学完至少要能判断：手上的数据规模和图结构，到底值不值得上 GNN，还是规则加图统计特征就够了。

配套练习与竞赛视角

课程是实战导向的，练习不是填空式的小题，而是围绕竞赛数据集展开：给一份带关系信息的样本，自己完成从建图、抽图特征到训练模型的完整链路，再对比纯表格特征和加入图特征之后的指标差异。这个对比过程比结论本身更有价值——你会亲眼看到图特征在哪些样本上起作用，在哪些样本上几乎没影响。

另外值得留意的是竞赛里常见的坑：图数据的时间切分怎么做才不泄漏，训练集和测试集的图结构不一致时怎么办，负采样比例对图模型的影响。这些细节在业务里同样成立，不是只有比赛才需要考虑。

看完你应该能回答这几个问题

一笔申请进来，怎么判断它背后的用户是不是某个欺诈团伙的一员？用图的语言怎么描述这个问题？
标签传播和社区发现在风控场景里各自解决什么，能不能互相替代？
什么情况下图特征会明显提升模型效果，什么情况下投入产出比很低？
如果要用 GNN 做节点分类，数据切分和评估方式与普通表格模型有什么不同？
竞赛里拿高分的图方案，迁移到真实业务时最容易在哪里失效？

如果这几个问题你现在只能答出一两个，那这门课值得花时间。带着问题看，比从头到尾顺着听效率高得多。