当关系深度超过2时，关系型数据库所需的查询时间达到图数据库所需时间的上百倍甚至上千倍，这时图数据库的性能优势就非常明显了。
金融机构每年都会因欺诈活动遭受大量的资金损失。传统的欺诈方式包括伪造身份骗贷、车险骗保等。随着互联网金融的发展，层出不穷的营销活动和品类繁多的网贷产品让欺诈分子有了更多可乘之机，他们的欺诈成本似乎也更低了，足不出户就可以日进斗金。
为了限制欺诈活动，金融机构和互联网公司都会构建自己的反欺诈团队和防范系统，通过种种规则和预测模型将欺诈分子拒之门外。
然而，道高一尺，魔高一丈，再严密的规则也难免会有漏洞，加之欺诈手段日新月异和团体欺诈盛行，采用传统的反欺诈工具总是略显被动。
因此，关系图谱就有了用武之地。关系图谱之于反欺诈，就如同飞机之于军队，可以从更高的维度去侦测和打击对手，实现升维打击。
什么是关系图谱？
关系图谱是描述个体及个体之间关系的图。下图给出了一个移动支付场景的关系图谱示例，个体类型可以包括IP地址、设备、支付账户、账户联系人等，个体之间也可以存在不同的关系，比如IP登录行为、设备登录行为、联系人登记行为等。
关系图谱如何实现“升维打击”？
主要有四种手段，具体如下：
（1）全维度的事中侦测。在欺诈检测系统中，诸如登录时间和位置（例如IP地址）之类的行为线索很容易被欺诈分子改变或伪造，但是欺诈分子很难全面地了解他们所在的整个关系网络（例如转账、购物、登录、浏览、还款）。因此，即便欺诈分子尽可能地掩盖了痕迹，也难免会在关系网络上露出马脚。比如上图中的共用设备、共用联系人信息、共用IP等就可以作为可疑特征用于识别欺诈事件。
（2）全局的可视化事后分析。一方面，反欺诈部门分析人员可以根据已定性案件在关系图谱上呈现出来的全局特征，优化风控规则和模型。例如，一个可疑账号可能会登录多个设备，而这些设备往往会被登录多个可疑账号。关系图谱可以非常直观地呈现这种间接的多对多关系。另一方面，也可以挖掘看似独立却存在间接联系的案件之间的关系，识别核心作案人员和其他疑似欺诈分子。
（3）全渠道的标签传播。关系图谱也可以基于现有黑名单，为可疑个体打上相应标签，用于反欺诈规则和风险提示。假设已确认一个黄牛常用手机号，可在关系图谱中把这个手机号直接和间接关联的账户、手机号、地址、银行卡等个体打上“疑似黄牛”的标签。这种路线便是标签传播（如下图）。
（4）高效的信息检索。传统的数据存储通常基于关系型数据库，比如转账、登录等各种关系分别存储在不同的表中，想要抽取多级关系信息则需要连接多个表才能实现。而关系图谱一般存储于图数据库中，常用的图数据库如neo4j、orientDB等。当关系深度较小时，比如深度为2（类似查询朋友的朋友这种关系），关系型数据库和图数据库的性能相当；当关系深度超过2时，关系型数据库所需的查询时间达到图数据库所需时间的上百倍甚至上千倍，这时图数据库的性能优势就非常明显了。
构建关系图谱的关键点是什么？
数据，数据，还是数据。
目前构建关系图谱的一个重大挑战在于用户的行为数据是割裂的，散布在政府机关、传统金融机构、运营商和互联网公司的数据中心，任何一方都很难获取用户端到端、全渠道的数据，缺失关键信息则会显著影响侦测欺诈行为的效果。可以说，数据决定了关系图谱作用的上限，而图谱的本体设计和相关图算法都要基于原始数据。
因此，各家公司都在积极外拓数据源，近些年各类数据服务公司如雨后春笋般涌现，也印证了市场需求。
另一方面，关系图谱还需要充分利用已有数据，比如时间序列信息，构建动态关系图谱（如下图）来更有效地预测和识别欺诈风险。
随着物联网的技术发展和场景丰富，可以展望这样一个未来：一个人的所有行为都将被数字化并映射到关系图谱上……
