互联网金融信贷产业，近几年得到了飞速发展，伴随着产业发展，欺诈黑色产业链也在不断地渗透到该领域，各种新颖的欺诈模式层出不穷，对线上信贷产业的健康发展蒙上了一层阴影。据统计，每年因欺诈导致的损失在500亿—1000亿，欺诈风险防范显得极其重要。

而面向个人的贷款流程仅需客户通过APP端上传填写简单资料，通过审批流程即可放款。由于部分公司风控手段的薄弱以及在当前情形下的该中情形中对违约用户的法律追责还在完善中，一些人群通过各种欺诈非法手段获取贷款额度，使用额度后不再还款，给金融公司带来巨大的损失。而这些人群往往呈现出有组织的团伙的性质，即这部分人之间都存在着某种关联关系，因此很有必要对客户人以及关联人的相关信息进行分析处理，搭建群组，快速准确锁定可能存在的风险用户，对于识别出来的风险用户进行差异化的风控策略，从而有效的降低损失。

获取用户的信息及其关联人信息作为数据样本，至少包括用户姓名、用户身份证号码、用户手机号码、用户与关联人关系、关联人姓名、关联人手机号码等。其中，用户的信息及其关联人信息包括历史数据和在线实时数据。

通过计算每个用户之间的相似度以及桥点值来判断每个用户之间的关联度，用户之间的关联度越大，其中关联介质包括手机号码、地址、邮箱、银行卡号等。相似度或桥点值越大，桥点值为任意两个非该节点的最短路径通过该节点的比率和，此运算可以帮助识别群组结构中某一用户和中心节点(及中心用户)的关联强度，以及这个群组结构的集中度

首先我们计算用户的非对称相似度，非对称相似度由关联介质和其所在权重决定，计算方式如下：假设有两个用户AB ：A ：{address ：a1 ，a 2 ，a3} {phone ：p1 ，p2 ，p3} ，B ：{address：a1}，，A-B通过关联介质a1关联，则计算A和B之间的非对称相似度时： sim(A，B)＝1/2*1/3*1/2，sim(B，A)＝1*1*1/2

其次我们再计算桥点值，假设任意两个非A节点间的最短路径和必须经过A的最短路径个数如下:

B，C：1，1;

B，D：1，1;

B，E：1，0;

C，D：1，1;

C，E：1，1;

D，E：1，1;

那我们可以计算A的桥点值为(1/1)*5+(0/1)，将其进行标准化为[(1/1)*5+(0/1)]*2/(5-1)*(5-2)。最后计算关联强度，关联强度为两个节点之间公用关联介质的个数，以计算非对称相似度数据为例，A和B的关联强度为1。

将有关联度的用户链接在一起，形成群组结构，根据桥点值的大小判断用户是否在一个群组内，将所述桥点值进行标准化计算，若是计算结果为0，则所述桥点值所对应的用户不在该群组内，否则，所述桥点值所对应的用户在该群组内。以计算桥点值数据为例，A的桥点值进行标准化为[(1/1)*5+(0/1)]*2/(5-1)*(5-2)＝5/6，计算结果为5/ 6，不为0，则表明节点A在当前节点(包括节点B、C、D、E)构成的群组内。进一步的，群组搭建好以后，还需对所述群组进行编号，并把对应的用户和关联介质归类到所述群组下。

用户在申请产品的过程中，会进行规则判断，征信校验以及相关黑、灰、风险名单校验，若命中相关的策略或者黑名单，则用户会产生一些标签，这些标签同样会附给该用户，包括设备，手机号和IP，由此群组中的每个用户以及关联介质就被定义上标签。若是所述群组对应一个标签，则所述群组内的用户都带有这个标签，若是所述群组对应多个标签，则根据关联强度和关联度判定群组内用户的标签，例如，群组A中，有a，b，c三个用户，a和b的关联强度为0.8，a和c的关联强度为0.1，a用户有多头借贷和恶意逾期两个标签，因为a和b的关联度比较紧密，则b也会被传播这两个标签，但是c和a的关联度比较弱，则c不会被定义这两个标签。我们可以对于这些情况再对群组进行标签化，身份核验失败，欺诈违法犯罪，不