社交网络融合深度学习 合众e贷探索欺诈检测新技术
【摘要】
金融科技的发展不断推动着风控技术的变革与创新，其中风控应用技术方面更是层出不穷、日新月异，俨然已成为金融科技前进与突破的新动力。合众e贷为解决日益突出的金融风控难题，提出了更加科学化、智能化的全栈解决方案。
通常金融风险按类型大致分为两类：欺诈风险与信用风险，一般情况下，欺诈风险具有更强的隐蔽性和复杂性，采用常规风控手段已无法有效、精准的防范欺诈风险，反而暴露出反应慢、操作复杂、误识率高等缺点。
为克服传统风控应用技术上的缺陷，合众e贷积极探索和尝试利用机器学习与人工智能技术进一步提高欺诈检测技术的效能，主要通过用户多源异构数据维度(申请数据、设备指纹数据、通话记录和财务数据等)，构建多层次用户的社交关系网络，并从社交网络关系中衍生出一系列的关联特征，然后利用深度神经网络技术学习用户欺诈行为模型，经过业务验证发现该欺诈侦测技术对于精准识别欺诈用户较为显著，并具有自动化和及时响应等特点。
基于社交网络和深度学习融合的欺诈检测技术框架如下图：
图：社交 网络和深度学习融合的 欺诈检测 技术框架
据了解，合众e贷的欺诈检测技术开发重点在于社交网络关系结构生成与其衍生的关联特征集，其中关联特征集包括：用户的度degree，用户重要性度量指标People Rank等，而关键指标People Rank的底层计算逻辑借鉴了Google公司PageRank算法。
PageRank算法基于两个假设：
1)入链数量假设：如果一个网页的入链数量越多，则其重要程度越高。
2)入链质量假设：高质量的网页为其链接的页面带去更多权重。
基于这两条假设，PageRank算法为每个页面设置初始权重值，根据网页间的链接关系，在多轮迭代中更新每个网页的权重，直至各页面的权重值稳定。不考虑作弊的情况下，通常将最终权重值越高的节点视为越重要的网页。类似地，PeopleRank算法为每个借贷用户设置初始权重值，根据用户间的关联关系，在不断迭代中更新每个用户的权重，直至每个用户的权重值达到稳定，最后稳定权重值将作为用户的重要性度量指标。
深度学习本质上是机器学习，但具有比传统机器学习更深度的思考和更强的特征学习能力。由于用户信息具有复杂、高度折叠等性质，传统机器学习需要繁琐而耗时的手工特征工程，而深度学习主要使用神经网络架构，基于一系列的张量运算对用户的信息进行旋转、缩放、仿射等几何变换操作与处理，以实现自动化和自主性地特征提取，并且拥有更强的泛化能力和满足更高性能的要求。近年来，深度学习在文本、语音、图像等领域取得非常突出的成果，跃然成为最引人注目的人工智能技术。
目前，合众e贷平台建立了智能反欺诈和传统反欺诈技术相结合的联动防控机制，主要针对贷前和贷中环节的潜在欺诈风险进行早期预警、识别、评分和定性，并挽回欺诈损失。
合众e贷在不断的业务实践中见证了反欺诈智能技术的革新与发展，不仅持续提升了用户欺诈识别率，降低了欺诈损失率，而且精准提炼与生成欺诈用户标签，最终建立“智能技术+传统技术”融合的反欺诈体系，从而提供全维度反欺诈风控信息解析，为反欺诈决策保驾护航，进一步夯实反欺诈实力，有效防范互联网金融领域的欺诈行为与风险，为大数据风控体系建设添砖加瓦。
企业信息
