在银行信用卡、消费贷款等金融信息服务情景下，#消费贷#必须鉴别顾客是不是存有欺诈，是不是有贷款诈骗个人行为，审批流程必须依据对用户个人行为的分辨得出回绝、接纳、人力审批的结果。
在电子商务营销、利益派发等交易情景下，必须分辨用户是不是为撸羊毛、是不是为故意用户，营销系统软件必须依据对用户性的分辨得出派发、回绝的结果。
在入侵检测技术、网上行为识别等网络信息安全情景下，必须分辨网上用户是不是存有安全风险，并依据对用户个人行为的分辨得出海关放行、阻隔的结果。
......
例如以上这种场景，都涉及到欺诈个人行为的鉴别，即判断用户的情形是不是就在并根据判断結果对用户的要求给予回应，文中得出一种根据图特征和顾客标识的实体模型化欺诈行为识别架构，如下图所示。
欺诈行为识别架构
该架构包含用户申请办理、消息传递、图特征转化成、标识特征转化成、实体模型运作、标准分辨、业务流程管理意见反馈等阶段，涉及到Kafka线程池、知识图谱服务平台、标签管理平台、设备学习建模服务平台、决策引擎平台、业务管理系统等服务平台和系统软件。
用户申请办理
用户根据大促主题活动、申请贷款、电脑浏览器等通道，申请办理利益、资产或浏览特定网址。
消息传递
因为以上情景通常涉及到众多用户的集中化申请办理，短期内内有好几个申请办理个人行为，并且规定对系统用户的个人行为即时意见反馈，因而将用户的申请办理个人行为、申请信息，连着時间、地址、机器设备等信息内容一起，根据Kafka线程池往下传送。
图特征转化成
本架构考虑到到欺诈个人行为间的关联性，即通常相邻的欺诈个人行为或用户中间具备某类本质关系，好似详细地址、同机器设备等。因而，根据知识图谱服务平台即时对相邻申请办理个人行为间的关联性开展解析并转化成图特征，好似IP地址段顾客数、账户相近顾客等数。
标识特征转化成
假如说图特征关心的是申请办理个人行为间的关系，那麼标识特征大量的是关心申请办理用户以及个人行为自身的特征，如是不是信用黑名单、是不是白户贷款、是不是初次浏览等，这种标识组成在一起描绘了用户的个人行为特征，这种特征的转化成根据实用的即时标签管理服务平台。
设备学习建模
在本架构中，并不立即将图特征和标识特征用以欺诈鉴别，二是将这2组特征组成在一起，运用有监管或是无监督学习的方式搭建欺诈顾客鉴别实体模型。当有新的顾客特征进去的情况下，运作该实体模型并得出个人行为归属于欺诈的几率。#人工神经网络#
自然，还可以按照必须，立即运用图特征和标识特征开展分辨。
标准分辨
将用户个人行为的欺诈几率做为一条标准，当几率高过某一阀值时视作存有欺诈个人行为，不然视作不会有，并将这一标准布署到决策引擎服务平台上。当一个新的申请办理个人行为通过设备学习模型分辨后，即转化成判断几率，进而根据决策引擎的标准分辨。
业务流程意见反馈
根据决策引擎以后，业务管理系统就获得对申请办理个人行为的意见反馈結果，如根据、回绝、审理、容许等，并将結果报告给申请办理用户。
上边详细介绍了一种根据图特征和标识特征的欺诈个人行为即时鉴别架构，综合性了即时测算、知识图谱、顾客标识、设备学习建模、决策引擎等AI技术性，完成了公司数据中台部件的组成运用，做为具体项目运用和架构运用都是有一定的实际意义。