「回顾」机器学习在反欺诈中应用



转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com

AIQ 机器学习大数据 知乎专栏 点击关注

分享嘉宾:** 陈德建 ** 新浪金融 高级模型算法研究员

整理编辑:侯美娟

内容来源:DataFun AI Talk《机器学习在反欺诈中应用

出品社区:DataFun

当前机器学习在金融行业已经运用非常广泛,尤其在金融业的信贷领域。在实践中,欺诈与信贷业务强相关,所以,反欺诈变成机器学习在信贷领域的一大应用。反欺诈一般会用到机器学习、深度学习以及图谱关系,其中,机器学习与深度学习多是针对个人欺诈风险,而图谱关系则多用于团伙欺诈风险的识别。因此,本次分享将介绍欺诈风险的特点以及机器学习、深度学习和图谱在实践中的应用。

一、关于反欺诈

##(一)欺诈风险简介

在信贷领域有两类风险,一类是信用风险,一类是欺诈风险。信用风险主要是对借款人还款能力和还款意愿进行评估,而反欺诈则是对借款人的目的是否正当进行判断。

一般借款人出现信用风险,金融机构可通过风险定价和自有备付金进行防范,风险可控性较大。而当借款人在借款时便以骗贷或骗钱为目的,且金融机构未能及时识别欺诈,则会出现未能通过借款赚取利息,反而被骗走本金的情况,尤其无法识别团伙欺诈时,会在短时间内遭受非常严重的后果,金融机构面对此类风险的可控性便会非常小,所以欺诈风险是金融机构零容忍的。

##(二)反欺诈生命周期简介

信贷反欺诈要从防御开始做起,所以应从用户申请到放款整个生命周期的各个阶段特点进行分析,针对各个阶段采取具有针对性的反欺诈措施。其生命周期可参见下图:

如上图,设备与网络防御是反欺诈的第一步,可通过设备和网络层面的检测,防止用户利用设备对金融机构进行欺诈;在第一层进行防御了部分欺诈用户后,再从用户行为层、业务频次层及业务事件异常层识别用户是否有欺诈行为;再经过前四层之后还会通过复杂网络对团伙欺诈进行识别。

二、机器学习应用

(一)反欺诈规则的缺点

反欺诈一般通过两种方式,一种是设定规则,另一种是通过算法。

规则在反欺诈实践中应用也较多,但是缺点也明显,主要表现为:

1. 策略性较强,命中直接拒绝,而且黑名单本身的误伤性也较强;

2. 无法给出用户的欺诈风险有多大;

3. 未考虑用户从信用风险向欺诈风险的转移,尤其是在行业不景气时。

以上缺点机器学习可以进行有效的避免,如可计算用户的欺诈概率有多大,从而采取一定的措施争取客户,而不是直接拒绝,同时也可以通过模型计算用户从信用风险转移为欺诈风险的概率,从而金融机构可及时进行风险控制与准备。

(二) 机器学习有监督模型

评分卡一般运用在信用风险评估,如:A 卡(申请评分卡)和 B 卡(行为评分卡)等,反欺诈也会运用有监督学习,如评分卡(F 卡),具体如下:

做模型的过程中,特征很重要,特征决定模型的效果。反欺诈模型需要从欺诈的角度来做特征,要注意与信用特征区分开,以免与 A 卡和 B 卡的耦合度过高。模型算出的多是概率,一般会将用模型算出的概率映射到分数,具体如下图:

(三) 部分常规机器学习在反欺诈中应用

在反欺诈中用到的机器学习主要有下图几种。其中,iforest 通常用来做数据离群点的异常检测,在应用方面,金融公司可根据自身的规则和算法,将检测出的离群点在评分卡入模的数据方面,进行加权或算法调整。svm 通常也用来做异常检测;arima 则用来作时间序列预测分析;根据现在信贷数据坏样本较少的特点,knn 和 kmean 可以用来做聚类;随机森林则是在做异常检测时进行分类,以上机器学习可通过博客进行更多了解,此处不进行深入讲解。

三、深度学习应用

此部分对人工神经网络(ANN)和时间序列进行简单介绍。

神经网络通常需要大量彼此连接的神经元,每个神经元通过特定的输出函数,计算处理来自其他响铃神经元的加权输入值。神经元质检的信息传递强度,通过加权值定义,算法会不断自我学习,调整加权值。神经网络算法的核心是:计算、连接、评估、纠错和疯狂培训。

时间序列部分介绍 RNN(循环神经网络)和 LSTM(长短记忆循环神经网络)两种算法。LSTM 是 RNN 的优化版,在特征较多时,RNN 计算量会呈指数式增长,其计算复杂度也会增加,如下图:

LSTM 则是在 RNN 的结构以外加入遗忘阀门(forget gate)、输入阀门(input gate)和输出阀门(forget gate),其通过这些阀门节点实现记忆功能,改善了 RNN 在计算过程中会出现的问题,如下图:

时间序列在信贷中有两个比较重要应用场景,一是 B 卡(行为评分卡),一是异常检测。我们着重介绍 LSTM 在这两个场景中的应用。在行为评分卡的应用中,当用户在金融机构进行多次借款时,可以将其以往的借款行为通过统计方法或其他相关方法生成 embedding 进行 LSTM 计算。异常检测的应用可参考下图:

另外在使用 LSTM 时需注意 4 点:

1. 应限制每一个时间序列 embedding 的长度;

2. 对缺失数据做补 0 操作;

3. 针对离散变量的 embedding 尽量不要做 onehot 处理;

4. 样本量少时,应通过仿真模型进行异常检测评估,仿真模型能够有效解决信用风险转欺诈风险的导致模型失效的问题。

四、图谱相关应用

图谱主要用来防止团伙欺诈,也可以根据用户的周边关系判断用户的好坏概率。此次介绍三种图谱关系在反欺诈中的应用。

其中,常规统计一般不会直接用规则,而是将规则做成特征,再带入模型进行统计。比如一度联系人中有多少黑中介,一度联系人中的逾期人数有多少,此类特征的 KS 较高且有效。常规统计一般会用到社群分割和强连通算法。而种子传播层面则需要用到 trustrank,关系 embedding 则可以通过衍生变量将关系向量化,将向量化的关系带入模型进行进一步的分析和统计。

(一) 常规统计

因为资源限制或提高投资回报率的原因,黑产一般会最大程度的利用已有资源,比如,重复的使用现有设备和信息进行多次贷款申请,这样就会出现同一手机号码、登录 IP 或硬件设备出现在多个申请信息中,形成关联网络。常规统计的运用,是通过将数据进行关联,形成关系网络图,然后使用社会关系网络分析工具,分析关系网络图中是否有大量共用设备等拓扑结构。

##(二) 复杂网络 embedding 算法

有时候机器无法识别信息,需要将信息向量化(embedding),将信息向量化后才可以做后续的算法操作。embedding 的方法有很多,此次仅介绍 node2vec 一种。node2vec 的原理是前端为随机游走(random walk),后端为 word2vec。random walk 则采样,将概率最大的关系采样出来并生成类似文本的序列数据,这类序列数据相当于词的共现性,对词的共线性可以做 word2vec,这里的 word2vec 与 NLP 的 word2vec 无差异。Embedding 后会生成 50 维到 128 维的向量,之后进行聚类和分类的操作,具体如下:

(三)trustrank 算法

Trustrank 是 pagerank 的升级版,当前我司用的 trustrank 并不是传统的 trustrank,而是改变其中的某些算法。trustrank 是传播关系的一种算法,根据人与人的关系进行判断和识别。比如,小红和小明是情侣关系,当小红违约时,小明的违约概率会增大,根据类似传播关系用来做定额和模型的衍生变量。Trustrank 的使用需要建立起图谱关系,数据量小时,spark 的 sparkgragh 对 trustrank 的图谱关系支撑较好。

Trustrank 涉及种子用户(含白种子和黑种子)的定义,当前的大多使用中只有一种传播方法,也就是白种子只传播白用户,黑用户只传播黑用户。但是其实可以进行变量的衍生和算法的改进,比如一个用户既跟黑中介有联系,又跟高净值用户有联系。

以下图为例,trustrank 为种子用户(下图的 1 和 2)定义一个初始值,每次传播后会改变矩阵的值,最后收敛得到 trustrank 的分。

以上图谱关系可以进行改进和升级,如在传播的过程中可以加入通讯录关系,号码通,老乡、目前所在地、兴趣、职业等,形成以用户画像传播的好坏用户,在不同的用户画像传播中做不同的权重传播。

作者介绍:

陈德建 新浪金融 高级模型算法研究员

美国德克萨斯州大学硕士,本科毕业于北京理工大学,原百度高级算法工程师,3 年 NLP 深度学习算法工作经验,后参与微博借钱模型团队组建, 搭建反欺诈和复杂网络团队,整体负责反欺诈和复杂网络等工作,擅长文本及关系图谱挖掘。

——END——

DataFun 风控反作弊交流群欢迎您的加入,感兴趣的小伙伴欢迎加管理员微信:


更多高质资源 尽在AIQ 机器学习大数据 知乎专栏 点击关注

转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com