「回顧」機器學習在反欺詐中應用

• 2019 年 11 月 21 日
• 筆記

分享嘉賓：陳德建 新浪金融 高級模型演算法研究員 整理編輯：侯美娟 內容來源：DataFun AI Talk《機器學習在反欺詐中應用》

出品社區：DataFun 註：歡迎轉載，轉載請註明出處。

當前機器學習在金融行業已經運用非常廣泛，尤其在金融業的信貸領域。在實踐中，欺詐與信貸業務強相關，所以，反欺詐變成機器學習在信貸領域的一大應用。反欺詐一般會用到機器學習、深度學習以及圖譜關係，其中，機器學習與深度學習多是針對個人欺詐風險，而圖譜關係則多用於團伙欺詐風險的識別。因此，本次分享將介紹欺詐風險的特點以及機器學習、深度學習和圖譜在實踐中的應用。

一、關於反欺詐

（一）欺詐風險簡介

在信貸領域有兩類風險，一類是信用風險，一類是欺詐風險。信用風險主要是對借款人還款能力和還款意願進行評估，而反欺詐則是對借款人的目的是否正當進行判斷。

一般借款人出現信用風險，金融機構可通過風險定價和自有備付金進行防範，風險可控性較大。而當借款人在借款時便以騙貸或騙錢為目的，且金融機構未能及時識別欺詐，則會出現未能通過借款賺取利息，反而被騙走本金的情況，尤其無法識別團伙欺詐時，會在短時間內遭受非常嚴重的後果，金融機構面對此類風險的可控性便會非常小，所以欺詐風險是金融機構零容忍的。

（二）反欺詐生命周期簡介

信貸反欺詐要從防禦開始做起，所以應從用戶申請到放款整個生命周期的各個階段特點進行分析，針對各個階段採取具有針對性的反欺詐措施。其生命周期可參見下圖：

如上圖，設備與網路防禦是反欺詐的第一步，可通過設備和網路層面的檢測，防止用戶利用設備對金融機構進行欺詐；在第一層進行防禦了部分欺詐用戶後，再從用戶行為層、業務頻次層及業務事件異常層識別用戶是否有欺詐行為；再經過前四層之後還會通過複雜網路對團伙欺詐進行識別。

二、機器學習應用

（一）反欺詐規則的缺點

反欺詐一般通過兩種方式，一種是設定規則，另一種是通過演算法。

規則在反欺詐實踐中應用也較多，但是缺點也明顯，主要表現為：

1. 策略性較強，命中直接拒絕，而且黑名單本身的誤傷性也較強；

2. 無法給出用戶的欺詐風險有多大；

3. 未考慮用戶從信用風險向欺詐風險的轉移，尤其是在行業不景氣時。

以上缺點機器學習可以進行有效的避免，如可計算用戶的欺詐概率有多大，從而採取一定的措施爭取客戶，而不是直接拒絕，同時也可以通過模型計算用戶從信用風險轉移為欺詐風險的概率，從而金融機構可及時進行風險控制與準備。

（二）機器學習有監督模型

評分卡一般運用在信用風險評估，如：A卡（申請評分卡）和B卡（行為評分卡）等，反欺詐也會運用有監督學習，如評分卡（F卡），具體如下：

做模型的過程中，特徵很重要，特徵決定模型的效果。反欺詐模型需要從欺詐的角度來做特徵，要注意與信用特徵區分開，以免與A卡和B卡的耦合度過高。模型算出的多是概率，一般會將用模型算出的概率映射到分數，具體如下圖：

（三）部分常規機器學習在反欺詐中應用

在反欺詐中用到的機器學習主要有下圖幾種。其中，iforest通常用來做數據離群點的異常檢測，在應用方面，金融公司可根據自身的規則和演算法，將檢測出的離群點在評分卡入模的數據方面，進行加權或演算法調整。svm通常也用來做異常檢測；arima則用來作時間序列預測分析；根據現在信貸數據壞樣本較少的特點，knn和kmean可以用來做聚類；隨機森林則是在做異常檢測時進行分類，以上機器學習可通過部落格進行更多了解，此處不進行深入講解。

三、深度學習應用

此部分對人工神經網路（ANN）和時間序列進行簡單介紹。

神經網路通常需要大量彼此連接的神經元，每個神經元通過特定的輸出函數，計算處理來自其他響鈴神經元的加權輸入值。神經元質檢的資訊傳遞強度，通過加權值定義，演算法會不斷自我學習，調整加權值。神經網路演算法的核心是：計算、連接、評估、糾錯和瘋狂培訓。

時間序列部分介紹RNN（循環神經網路）和LSTM（長短記憶循環神經網路）兩種演算法。LSTM是RNN的優化版，在特徵較多時，RNN計算量會呈指數式增長，其計算複雜度也會增加，如下圖：

LSTM則是在RNN的結構以外加入遺忘閥門（forget gate）、輸入閥門（input gate）和輸出閥門（forget gate），其通過這些閥門節點實現記憶功能，改善了RNN在計算過程中會出現的問題，如下圖：

時間序列在信貸中有兩個比較重要應用場景，一是B卡（行為評分卡），一是異常檢測。我們著重介紹LSTM在這兩個場景中的應用。在行為評分卡的應用中，當用戶在金融機構進行多次借款時，可以將其以往的借款行為通過統計方法或其他相關方法生成embedding進行LSTM計算。異常檢測的應用可參考下圖：

另外在使用LSTM時需注意4點：

1. 應限制每一個時間序列embedding的長度；

2. 對缺失數據做補0操作；

3. 針對離散變數的embedding盡量不要做onehot處理；

4. 樣本量少時，應通過模擬模型進行異常檢測評估，模擬模型能夠有效解決信用風險轉欺詐風險的導致模型失效的問題。

四、圖譜相關應用

圖譜主要用來防止團伙欺詐，也可以根據用戶的周邊關係判斷用戶的好壞概率。此次介紹三種圖譜關係在反欺詐中的應用。

其中，常規統計一般不會直接用規則，而是將規則做成特徵，再帶入模型進行統計。比如一度聯繫人中有多少黑中介，一度聯繫人中的逾期人數有多少，此類特徵的KS較高且有效。常規統計一般會用到社群分割和強連通演算法。而種子傳播層面則需要用到trustrank，關係embedding則可以通過衍生變數將關係向量化，將向量化的關係帶入模型進行進一步的分析和統計。

（一）常規統計

因為資源限制或提高投資回報率的原因，黑產一般會最大程度的利用已有資源，比如，重複的使用現有設備和資訊進行多次貸款申請，這樣就會出現同一手機號碼、登錄IP或硬體設備出現在多個申請資訊中，形成關聯網路。常規統計的運用，是通過將數據進行關聯，形成關係網路圖，然後使用社會關係網路分析工具，分析關係網路圖中是否有大量共用設備等拓撲結構。

（二）複雜網路embedding演算法

有時候機器無法識別資訊，需要將資訊向量化（embedding），將資訊向量化後才可以做後續的演算法操作。embedding的方法有很多，此次僅介紹node2vec一種。node2vec的原理是前端為隨機遊走（random walk），後端為word2vec。random walk則取樣，將概率最大的關係取樣出來並生成類似文本的序列數據，這類序列數據相當於詞的共現性，對詞的共線性可以做word2vec，這裡的word2vec與NLP的word2vec無差異。Embedding後會生成50維到128維的向量，之後進行聚類和分類的操作，具體如下：

（三）trustrank演算法

Trustrank是pagerank的升級版，當前我司用的trustrank並不是傳統的trustrank，而是改變其中的某些演算法。trustrank是傳播關係的一種演算法，根據人與人的關係進行判斷和識別。比如，小紅和小明是情侶關係，當小紅違約時，小明的違約概率會增大，根據類似傳播關係用來做定額和模型的衍生變數。Trustrank的使用需要建立起圖譜關係，數據量小時，spark的sparkgragh對trustrank的圖譜關係支撐較好。

Trustrank涉及種子用戶（含白種子和黑種子）的定義，當前的大多使用中只有一種傳播方法，也就是白種子只傳播白用戶，黑用戶只傳播黑用戶。但是其實可以進行變數的衍生和演算法的改進，比如一個用戶既跟黑中介有聯繫，又跟高凈值用戶有聯繫。

以下圖為例，trustrank為種子用戶（下圖的1和2）定義一個初始值，每次傳播後會改變矩陣的值，最後收斂得到trustrank的分。

以上圖譜關係可以進行改進和升級，如在傳播的過程中可以加入通訊錄關係，號碼通，老鄉、目前所在地、興趣、職業等，形成以用戶畫像傳播的好壞用戶，在不同的用戶畫像傳播中做不同的權重傳播。

作者介紹：

陳德建 新浪金融 高級模型演算法研究員

美國德克薩斯州大學碩士，本科畢業於北京理工大學，原百度高級演算法工程師，3年NLP深度學習演算法工作經驗，後參與微博借錢模型團隊組建,搭建反欺詐和複雜網路團隊，整體負責反欺詐和複雜網路等工作，擅長文本及關係圖譜挖掘。