1. 隔离法与整体法

目标：对一个拉新邀请任务，识别出其中的作弊用户。

        欺诈类的数据，黑样本不足，需要自己去找，可按IP、昵称、手机号相似性等。虽然有 会员等级、注册时长、注册地址、成交订单等特征，但分类算法很难总结出相似性特征。

思路：根据邀请关系(A-B,B-C,···)，构成一颗邀请树，然后计算整颗树的特征，分分钟找出上万个作弊用户。

1. 根据邀请关系构建一棵邀请树，从第一个邀请人开始，到最后一个被邀请人，形成一颗邀请树；

2. 对邀请树整体用户指标进行分析，主要指标有邀请树的总用户数、邀请层级、负余额用户数、购买率、姓名相似性等指标进行统计；

3. 通过对单个用户进行识别，判断用户的好坏，排除树里的好人，基本准确率就百分百了整体特征就很容易构建了：树的大小、欺诈用户比例、真实姓名、聚集性IP、聚集性设备、聚集性注册邮箱等等。

        排除树里的好人: 可用订单数量、是否活跃等指标，简单指标判断下

        这样识别效率大大提高，且可解释性，与业务结合的合理性，可挖掘的深度与角度，都有了不一样的高度。

        感觉就是局部子图，也可以认为是社群发现，提取社群特征，再加一些个人聚集性特征，比如当前用户使用的IP在近n个月的出现次数这种申请属性特征，混在一起来建个模~