随着我国普惠金融的快速普及和互联网金融的快速发展,消费金融业务得到了井喷式发展,成为各个商业银行发展零售业务的重点,而消费金融客户群的下沉,新增客户群缺乏足够的征信数据,消费金融行业面临传统风险防控手段失效的压力。在研究层面,欺诈风险主要包括个人欺诈以及团伙欺诈,且个体欺诈逐渐向有组织有规模的群体欺诈演变,以及欺诈客户的行为模式日新月异,利用传统的理论和方法对欺诈行为进行识别已经逐渐不堪重负。为了应对欺诈行为的复杂性以及多样性,主流的消费金融欺诈检测方法从最开始的黑白名单、基于专家系统的规则引擎,逐渐转变为以机器学习为主的检测手段。一方面欺诈行为逐渐呈现出团伙化和专业化,另一方面现有的机器学习欺诈检测手段只考虑从用户自身的特征角度出发,而没有考虑用户之间的相互影响。针对上述两个方面,本文从真实的消费金融公司数据集出发,使用用户之间的通话关系构建用户之间的关联网络。针对构建的用户的关联网络,使用半监督以及监督学习方法将用户的网络特征引入机器学习反欺诈的流程中,通过实验对比获得了更好的欺诈检测效果。首先,针对欺诈行为逐渐团伙化,反映到以用户为节点的关联网络中,节点之间呈现出一种“同质效应”,即正常用户与欺诈用户之间关联稀疏,欺诈用户之间关联紧密。基于该现状,本文提出基于标签传播的协同分类方法来进行欺诈检测,协同分类问题定义为给定一个网络,以及部分节点的标签信息,如何根据网络信息推理出未知节点的标签信息,并且改进了标签传播算法,避免由于关联网络中欺诈样本和正常样本分布不均衡造成的性能下降问题。其次,基于当前的机器学习欺诈检测方案仅利用了用户的固有特征这一缺陷,提出使用网络表示学习方法以及网络统计指标提取用户节点的网络特征,将网络特征引入到欺诈检测的特征体系中,并且使用多种机器学习模型训练预测,在单模型的基础上使用模型融合提高检测效果。实验结果证明了加入的网络特征提高了最终的模型欺诈检测性能,且使用网络表示学习提取网络特征相对于提取固有特征对特征工程的要求更低,效果更好。