1. 搭建风控算法流程
整体流程为：已经构建好的KG（知识图谱）->特征工程->模型。
风控知识图谱中一般包括进件、申请人、电话等实体，其中进件指的是资料准备好后提交给贷款公司或银行的系统里面。特征工程指的是围绕某个申请人提取出一些有效的特征或者信息。
1.1 特征工程
特征分为两大类特征：申请人相关特征和从知识图谱中提取出的特征。
其中申请人相关特征：年龄、收入、工作性质、学历、婚姻状况等等。该部分特征不需要从知识图谱获得，直接从业务库得到即可。
其中从知识图谱提取出的特征：
-
从规则提取出来的特征：申请人是不是第一次借款(0 or 1) 、申请人的朋友之前有没有逾期过(0 or 1)
-
直接提取出来的特征: 申请人的二度关系中有多少个节点触碰了黑名单（比如3个）、申请人的电话记录中晚上12点到凌晨2点的电话比例是多少（比如0.1）？
从知识图谱中提取出来的数字特征(float或者int类型)，都可以转换成规则(规则的结果是布尔型)。规则是数字特征的特例。
1.2 模型
- 逻辑回归
- GBDT
- SVM
- 神经网络
2. 风控模型的评估
- 准确率，在样本极度不均衡的条件下，该指标不能反映真实的情况。另外在不同的场合中，漏报(把1识别成了0)和误报(把0识别成了1)的容忍度不一致。
- AUC
- KS值
3. 逻辑回归
逻辑回归是最经典的分类算法，70~80%的工业界场景中都可以使用该算法。
3.1 应用场景
经常用到二分类问题上：
- 贷款违约情况（违约／不违约）
- 广告点击问题 （会点击／不点击）CTR预估
- 商品推荐（会购买／不会购买）
- 情感分析（正面／负面）
- 疾病诊断（阳性／阴性）
