（点代表人，线代表人与人之间的关系）
通过知识图谱可以识别
- 团伙识别：通过某些关系可以将一个团伙全部链接起来；
- 身份伪造：即某个人的身份资料在知识图谱不同的案件中出现了矛盾；
- 贷后失联：通过知识图谱协助贷后，找到与失联人有关系的联系人。
而知识图谱在风控引擎中的应用也可以通过规则、模型等实现。
知识图谱具体的构建方式研发人员感兴趣可以自行搜索相关资料。
模型篇
该篇内容会涉及到一些建模类的东西。模型这个东西本身构建过程中会涉及到很多数理统计类的理论，所以建模人员需要有相当的数学背景。该部分不会介绍如何去建模，而是主要介绍一些模型的基本概念、结论，帮助大家理解。
此篇不建议风控建模人员浏览，因为你们都会！其他的风控小伙伴可以静下心来认真看下，其实理解起来并不那么神秘，理解之后你就可以试着跟建模的同学撕逼了：
你的模型效果不好，我不用！！
1. 分类模型与评分卡
1.1 分类模型
分类模型是风控中最常用的模型之一，即在一堆样本中判定哪些有可能是好用户哪些有可能是坏用户，所以换句话说，风控是人工智能最容易介入、也是介入较领域。
目前在风控中用的较多的分类模型包括决策树、逻辑回归、神经网络、随机森林等，这些模型本身就具备着分类的功能，通过一堆历史上带有标签的数据并结合min（损失函数）的过程完成训练，期望可以通过综合一系列带有区分度的指标得到一个综合评分，以期可以实现对某一个样本进行评价的目的。
模型本身其实是一个很有温度的东西，根据一堆冷冰冰的原始数据的输入能够得到一个比人的直观感知更科学、更定量的结果，难道不是很有趣么。其实在建模的过程中，其实因为损失函数的设定，本身已经把人的直观认知融入到模型当中，在建模的过程中已经添加了人的感情因素在里面，就跟女娲造人一样：用一堆冰冷的泥土去赋予生命，建模的过程回头再看看也是如此。
1.2 评分卡
评分卡模型是分类模型中的一种特殊表现形式，我们直观看到的评分卡大概是类似于以下图表的，即不同的x变量会给与不同的分数，比如年龄在一定区间内的加m分，在另外一个区间给n分，看着是很随意，但是实际不然。
评分卡模型本质核心是基于逻辑回归模型衍生的，根本上是结合企业的业务形态并结合逻辑回归当中各个参数前面的系数进行转换（如根据模型中年龄前面的系数进行转化），具体转换过程暂不表述
上图为某一典型的评分卡效果演示
2. 模型评价指标：混淆矩阵、ROC与KS
评价指标指的是一个模型做出来了，他的效果怎么样呢？这块的指标理解清楚了，也更方便的帮助业务人员跟建模人员撕逼。
很多作者在写有关评价指标的时候运用大量的字母、公式等，让读者读起来非常吃力，我很不喜欢这种方式，但是实际上这块的只管理解是非常简单的。
在1的描述中，我们构建了一个模型，y=f（Xi），于是对于所有样本，基于这些样本的自变量Xi，我们可以得到每个样本对应的y值，这个y值代表的就是这个样本逾期的概率。（下述来自于实验样本结果）
2.1 混淆矩阵
混淆矩阵不能作为评估模型的唯一标准，但是混淆矩阵是算模型其他指标的基础，后面会讲到，所以对混淆矩阵的理解是必要的。
模型跑出来的“Y”值为每个客户的预测违约概率，可以理解为客户的有多大的可能违约。把Y等分分段，通过每分段内的区间人数和实际坏用户的标签进行比对，可以得到下述图表。
