按照传统的通话记录特征，如 SIM 卡龄、单向呼叫的百分比以及被拒绝的呼叫总量百分比)，四人中的三人(Tim、Fred 和 John)将被标记为疑似或潜在欺诈者，因为从这些特征来看，他们非常相似。经过分析基于图的特征，以及号码和用户之间的深度关联或多步关系，最终帮助机器学习将 Tim 归类为爱恶作剧者、John 为销售人员，而 Fred 则被标记为疑似欺诈者。我们来思考一下这个过程。

就 Tim 来说，他有一个“稳定组”，这意味着他不太可能是销售人员，因为销售人员每周都会拨打不同的电话号码。Tim 没有很多组内关联，这意味着他可能经常给陌生人打电话。他也没有任何三步式朋友关联，用于确认他所呼叫的陌生人不存在关联。根据这些特征判断，Tim 很可能是爱恶作剧者。

我们来看一下 John 的情况，他没有稳定组，这意味着他每天都通过电话寻找新的潜在销售线索。他会给具有很多组内关联的人打电话。当 John 介绍产品或服务时，如果接听方对它们感兴趣或认为与自己相关，则其中一些人很可能会将 John 介绍给其他联系人。John 还通过三步式朋友关系与他人产生关联，这表明他作为优秀的销售人员将整个环链闭合，通过在同一组内第一次联系的人的朋友或同事当中遴选，找到最终的买家来购买他的产品或服务。依据这些特征的组合，最终将 John 归类为销售人员。

就 Fred 来说，他既没有稳定组，也不与具有很多组内关联的群体交流。此外，他与所呼叫的人之间也没有三步式朋友关系。这使得他非常容易成为电话诈骗或欺诈的调查对象。

回到我们最初海底捞针的比喻，在本例中，我们可以利用图分析改善机器学习，进而提高准确率，最终找到那根“针”，即潜在的欺诈者 Fred。为此，需要使用图数据库框架对数据进行建模，以便能够识别和考虑更多特征，用于进一步分析我们的海量数据。相应地，计算机将利用越来越准确的数据进行训练，使自己不断变得聪明，更加成功地识别潜在的诈骗分子和欺诈者。

如果您正从事机器学习相关的工作，希望利用图分析来增强机器学习，别忘了点击下方的按钮，下载完整的《原生并行图》白皮书，来增强您对图的了解，从而更好地将图应用到您的工作中。