隨著小紅書社區電商業務的發展，營銷類型不斷豐富，覆蓋的用戶及場景隨之增加，黃牛的搶購手段也逐漸復雜多樣。除了長期存在的同人聚集性購買熱銷商品的方式，還衍生出了眾包形式的搶購——即通過邀請真人用戶代為購買讓利商品，轉寄繼而到貨后轉賬的方式來獲取貨物和差價收益。

此類黃牛行為不僅會給平臺帶來損失，還會持續影響普通用戶以及商家的權益。為保護用戶和商家的利益，小紅書反作弊團隊一直在持續地通過各種手段與黃牛進行對抗，并從中沉淀出了高效、可執行、可實現的圖計算算法模型。

一、牛黃防空難點與挑戰

在進行對抗之前，我們需要先明確對抗的對象是誰，以及將面臨的難點有哪些：

• 黃牛常以團伙形式出現，這要求我們除了要注意被購買商品上的明顯聚集特征外，還需使用其他特征精準判斷用戶身份。
• 黃牛用戶主要有兩大類：

• 同人類黃牛：通過大批量注冊、買賣賬號囤積資源，定期運營，在交易時會通過切換賬號來規避風控攔截。
• 眾包類黃牛：通過分發任務的模式進行交易，賬戶真實性高，從設備或行為上較與正常用戶的區別較小，難以區分。

• 電商業務變化較快，黃牛所針對的商品類型及作弊手段也在不斷變化，反作弊需要不斷優化并且更新方式，在滿足業務精細化需求的同時防止新型黃牛手段的攻破。

二、防空手段與方式-圖計算算法模型

Q：為什么使用圖計算？

A：在回答這個問題之前，我們可以先了解什么是圖。圖是由一組節點與一組能夠將兩個節點相連的邊組成的，節點間建立的邊可以描述不同的關聯關系。比如在電商場景中，存在購買用戶與商品兩個不同屬性的節點，其間的邊可以代表著用戶的瀏覽關系、購買關系與點評關系等；而用戶在交易中使用的手機號、設備等又可以作為不同屬性的節點與購買者相連，并通過邊來描述其使用或持有關系，這種關系可以通過圖數據結構存儲下來，在電商推薦、搜索、風控等多哥領域實現大數據分析與模型訓練。圖計算的優勢主要在于：

1. 圖數據結構所能存儲的數據特征維度更加豐富：相較于傳統表式存儲更能描述不同主體間復雜的關聯關系，在電商領域中更能凸顯作弊群體內以及不同群體間的關聯關系，使這些關聯更直接，更直觀，也更易于理解。
2. 圖數據庫的查詢與分析效率更高，性能更優：比如在社交關系型數據中，隨著社交關系的深度（即朋友的朋友）越深，關系型數據庫與圖數據庫的查詢性能相差越大。

3. 圖數據庫能夠更加方便地使用數據進行建模：圖數據庫的重要性往往體現在當前電商交易場景中重要的“數據關系”上，和人際關系一樣，數據的價值也在于它們之間的關聯關系上。相較于單純的節點數據分析，這種關系數據的建模分析往往能帶來更多增益。

Q：我們怎么使用圖計算來預防和對抗黃牛風險？

A：之前已經介紹了主要的兩類黃牛風險：同人黃牛與眾包黃牛。我們團隊分別從這兩類黃牛風險的作弊特征出發，設計了兩種針對的性的圖計算模型。

2.1 電商同人黃牛圖算法

同人黃牛圖的設計理念：在平臺交易對抗中，同人黃牛用戶經常會通過特別手段更換資源來繞過傳統策略，并且在交易時的特征維度存在多跳關系，策略的局限性會被放大；且交易鏈路對時效性的要求極高，我們更需要實時地識別賬號或行為間具有聚集性的黑產并打擊，以保障平臺商家與用戶的交易安全。為了應對這種挑戰，我們開發一種表現更直觀，可描述性更強且具有實時迭代能力的黃牛圖算法，并通過以下流程進行構建：

1. 通過線上數據對 Kafka 交易行為日志實時消費，并通過反序列化方式提取用戶 UID、 設備指紋參數、IP 地址、商品 ID 等信息。
2. 將對象作為不同節點并構建其間的邊，在這種建立節點與邊的過程中賦予其內在多維度特征，并將這種異構拓撲關聯圖譜寫入 Nebula 圖數據庫，建邊方式包含但不限于：

a.用戶注冊、登錄行為中的綁定關系 e.g.：用戶→ 綁定賬號等。

b.用戶交易行為中的使用關系 e.g.：用戶→ 設備、IP等。

c.用戶交易行為中的購買關系 e.g.：用戶→ 商品、商家等。

利用這種關系圖譜，我們可以實時多跳關聯抽樣子圖并進行強實體挖掘與弱標簽傳播等方式來發現同人黃牛群體，并將異常群體更新至風險種子庫來實時保障交易安全。

2.2 電商眾包黃牛社群發現算法

Q：什么是社區發現算法？

A：社區發現算法基于模塊度（Modularity），通過不斷遍歷鄰居結點并將自己的社區標簽更新為模塊度增量最大的鄰居標簽直至不再有增益，從而找到每個節點所屬的社區。

Q：怎么使用社區發現算法來對抗眾包黃牛？

A：針對電商場景中具有團伙聚集性質的眾包黃牛購買行為，我們利用社區發現算法建立了電商異常社群發現模型，通過用戶與其購買的商品之間的關系建邊，構建用戶與用戶之間的二部圖。在模型的建立過程中我們使用數據預處理過濾了對模型影響較大的異常數據，并使用自定義距離算法來量化用戶之間在購買上的相似度：

其中k表示兩用戶共同購買的商品數目，CA與CB分別表示對應用戶購買商品數量，Wpurchase與Wreceive分別表示用戶購買與收貨相似度，并隨著時間窗口與是/非大促期間自適應變化，R（A，B）越高表示用戶購買相關性越大，對應建邊權重越大，由此構建用戶間購買關系。

通過建立的用戶購買關系圖，我們使用社群發現算法進行社群歸并，得到被劃分的社群后，進一步對不同社群用戶進行特征描述并自動篩查，從而獲得真正想要找到的可疑度較高的眾包黃牛用戶與團伙。

三、結語

除了前文主要介紹的兩類圖算法，小紅書反作弊團隊仍在持續沉淀并研發多種對抗黃牛的手段。比如我們針對眾包黃牛的特點，利用黃牛團伙邀請真人用戶的流程，在技術層面設計了一整套識別、攔截和數據沉淀的流程，通過用戶標注——>攔截——>識別商品——>沉淀商品和用戶數據——>回掃確定風險用戶——>更新標注形成一個閉環的監控，這套流程幫助我們根據攔截率制定預警，使我們能夠實時監控并及時發現搶購情況，后續我們還將利用它沉淀用戶黑產畫像、讓利商品和黃牛地址等多維數據。

在業務層面上，我們根據商品類型、售賣模式制定了個性化限購方案——通過了解商家對具體商品的限購業務邏輯，針對直播間的讓利營銷，抽象出不同類別的限購需求，再結合hammurabi風控引擎，構建累計因子，定制限購的風控策略，同時持續與業務交互，以實現精細化運營。這類型的風控方式不需要依賴于用戶間的關聯關系，而是利用沉淀的數據做縱向攔截，與圖算法模型形成互補。

四、作者信息

傅達 小紅書安全技術部算法工程師

老皮 小紅書安全技術部數據分析師

時影 小紅書安全技術部產品經理