我们来看看一个我们正在做的例子。正如您在上图中看到的，我们有多个渠道，分别对应于发行商，游戏本身，还有玩家。除了它们都使用相同的来源和事件以外，它们彼此互相独立，然后我们聚合这些广告事件，并从不同的聚合层面将它们与不同类型的特征连接起来。例如，这里有一些发行商特征，和发行商嵌入，我们将它们与发行商层级的事件聚合连接起来。整个特征向量将通过我们的机器学习管道，然后将不同类型的模型组合在一起，在每个聚合层面进行预测。
在这三条管道运行之后，我们会有三种不同的预测，一个在发行商层面，一个在游戏层面，一个在用户层面。这就是我们在不使用图技术的情况下检测欺诈的方式。
现在的问题是，这些结果彼此之间不一定相符，或者说不一定总相符。而且我不认为它们真的彼此独立。例如，如果我们预测某个发行商存在欺诈行为，有没有可能，这个发行商旗下的所有游戏都是无辜的？这在现实世界中不太可能发生。在现实世界中，我们所编织的，是这样一张错综复杂的关系网。所以在真实的游戏广告网络中，彼此之间都是有联系的。例如，在下图中我们可以看到一个发行商旗下有许多游戏，而且一款游戏有很多玩家。此外，一个玩家，例如这里的3号玩家，这个玩家还可以玩另一个游戏，也就是3号游戏，并且2号玩家和3号玩家，他们可以共享相同的IP地址，或者说他们的IP非常接近，这种情况很可能是发生在同一个设备农场或同一个VPN地址中，这就是我们面临的现实问题。我们可以从这些关系模式中，看到很多诸如此类的例子，这就是我们的初衷和原因，我们试图利用图来解决欺诈问题。
那么这张图中什么是重要的？其中之一是邻域拓扑。我们可以看到游戏、发行商和玩家这三个实体，它们相互联系，形成社区和集群。两个实体之间也有许多共享信息。