【原创文章，转载请注明出处，文章原地址】
知识 | 带你了解反洗钱的复杂网络分析mp.weixin.qq.com
1.背景
反洗钱模型报告中主要从模型层面出发验证了捕获到图信息的模型比没有捕获到图信息的模型优异，考虑图的动态网络变化也对建模有提升效果，且最终对最优模型提出了适应性解决方案。
但文中并未对交易网络进行复杂网络分析，从复杂网络角度分析问题可能会提供更多的可解释性考量，复杂网络分析主要包括节点中心性分析、网络异常交易结构发现、资金流转路径发现。本报告将结合复杂网络分析对反洗钱交易中的非法交易进行可解释性探索。
2.结论
本次任务主要是对反洗钱交易网络进行复杂网络分析，分别从节点中心性角度、N阶聚合角度、网络结构发现角度、资金流转路径角度探索解决反洗钱任务的新方案。
通过分析得到结论如下：
- 一阶聚合中心性指标在表现上优于节点中心性指标，证明获取节点周围一阶关联属性信息越多，对模型的增强效果越好。
- 融合了中心性聚合指标的模型RF(C+C1+C2+AF)，对比原始特征集合RF(AF)模型在精度上有1%的提升，召回率有5%的提升，F1有4%的提升。其中C为节点中心性特征集，C1为一阶聚合特征集，C2为二阶聚合特征集，AF为原始特征集。从模型角度中心性聚合指标有提升效果，从可视化角度中心性特征指标可以很快的找到关键节点。
- 网络交易结构发现可以找到网络中的非法交易模式，并做到可以案件的反查回溯。
- 资金流转路径可以发现更多的非法交易节点，也为非法交易模式提供了更多的可解释性。
3.复杂网络分析
3.1.节点中心性分析
社会网络分析（SNA）算法可以用于网络中各个节点的信息度量，衡量节点在当前网络中的重要程度，最早是应用于社交网络的小世界算法，用于确定社交网络中起到关键性的个人。知识图谱反洗钱可以进行借鉴，可用于挖掘图中的关键信息，比如关键性账户、关键性个人和关键性交易。常用的社会网络分析算法有PageRank、介数中心性、度中心性、特征向量中心性和紧密性中心性等等。
3.1.1.中心性特征表示
图节点中心性分析特征表示：
节点中心性分析是为了定位网络中存在的关键性交易，假设越是关键的交易越可能存在非法的交易行为，但在原始特征集中并未加入节点中心性指标，且未从节点中心性角度对网络进行可解释性分析。
3.1.2.中心性特征分析
对当前反洗钱网络进行图中心性算法计算，将得到每个节点的中心性特征向量，共计10个指标。分别为：
- Cen_pagerank：PageRank节点重要性；
- Degree：度；
- O