Analys av sociala nätverk

Bedrägeridetektering i R

Bart Baesens

Professor Data Science at KU Leuven

Komponenter i sociala nätverk

Noder (hörn)

  • kunder
  • företag
  • produkter
  • kreditkort
  • konton
  • webbsidor

toy_graph_01.png

Bedrägeridetektering i R

Komponenter i sociala nätverk

Kanter

  • Olika typer av relationer, t.ex. pengaöverföring, samtal, vänskap, smittspridning, referens

toy_graph_02.png

Bedrägeridetektering i R

Komponenter i sociala nätverk

Kanter

  • Olika typer av relationer, t.ex. pengaöverföring, samtal, vänskap, smittspridning, referens
  • Viktade utifrån t.ex. interaktionsfrekvens, informationsvärde, intimitet, emotionell intensitet

toy_graph_03.png

Bedrägeridetektering i R

Komponenter i sociala nätverk

Kanter

  • Olika typer av relationer, t.ex. pengaöverföring, samtal, vänskap, smittspridning, referens
  • Viktade utifrån t.ex. interaktionsfrekvens, informationsvärde, intimitet, emotionell intensitet
  • Riktade, t.ex. inkommande eller utgående

toy_graph_04.png

Bedrägeridetektering i R

Representation av sociala nätverk

sociogram.png

Bedrägeridetektering i R

Representation av sociala nätverk

connectivity_matrix.png

Bedrägeridetektering i R

Representation av sociala nätverk

adjacency_list.png

Bedrägeridetektering i R

Representation av sociala nätverk

adjacency_list.png

Bedrägeridetektering i R

Mot ett nätverk

  • Från en transaktionsdatakälla ...
print(transactions)
   originator beneficiary amount  time benef_country payment_channel
1        ID14        ID16    102 22:47           GBR         CHAN_04
2        ID14        ID15    125 20:21           USA         CHAN_02
3        ID02        ID01   1067 10:45           CAN         CHAN_04
4        ID05        ID06     59 15:40           USA         CHAN_02
  • ... till ett nätverk med funktionen graph_from_data_frame()
library(igraph)
network <- graph_from_data_frame(transactions, directed = FALSE)
Bedrägeridetektering i R
plot(network)

plain_network

Bedrägeridetektering i R
E(network)
+ 16/16 edges from 297af3c (vertex names):
 [1] ID02--ID01 ID11--ID04 ID04--ID01 ID04--ID03 ID03--ID01 ID08--ID09
 [7] ID14--ID15 ID03--ID14 ID05--ID06 ID11--ID12 ID02--ID05 ID11--ID13
[13] ID02--ID08 ID14--ID16 ID08--ID10 ID05--ID07
V(network)
+ 16/16 vertices, named, from 297af3c:
ID02 ID11 ID04 ID03 ID08 ID14 ID05 ID01 ID09 ID15 ID06 ID12 ID13 ID16 ID10 ID07
V(network)$name
"ID02" "ID11" "ID04" "ID03" "ID08" "ID14" "ID05" ... "ID16" "ID10" "ID07"
Bedrägeridetektering i R

Överlappande kanter

plot(net)

E(net)$width <- count.multiple(net)
edge_attr(net)
$width
7 7 7 7 7 7 7 1 1 1 4 4 4 4 1 1

multiple_edges.png

Bedrägeridetektering i R

Överlappande kanter

E(net)$curved <- FALSE
plot(net)

weighted_edges.png

Bedrägeridetektering i R

Nu kör vi en övning!

Bedrägeridetektering i R

Preparing Video For Download...