【风控术语】数字金融反欺诈技术名词表

转自：https://blog.csdn.net/hajk2017/article/details/80866115
感谢博主分享
另附Tech Fin微信社群，感兴趣可添加微信wu805686220，备注研习社+姓名，邀您进群：
社群面向所有金融领域风险管理人员、数据分析人员。旨在扎根TechFin，了解科技金融业务、管理、技术方面的知识，研讨包括分类聚类关联、UML、复杂网络、社交图谱、模糊匹配、分团集群、推荐算法等机器学习技术在自识别交叉营销和全自动风险管理方面的应用。

---

1.大数据分析（Big Data Analysis）

大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据分析是指运用可视化分析、数据挖掘算法、预测性分析能力、语义引擎、数据质量和管理、数据存储等方法对大数据进行分析的过程。

2.设备指纹（Device Fingerprint）

设备指纹是指通过用户指纹为每个用户账户建立唯一的ID，将用户的网络行为、设备、数据等综合信息建立稳定联系，保证用户安全。设备指纹技术可以用于包括账户安全、支付安全、营销安全在内的交易全生命周期监控。

3.网络爬虫（Web Crawler）

网络爬虫技术既可以用于用户运营商数据、信用卡数据、网络交易数据等各类数据等的爬取，也可以应用于司法老赖名单、网络核查数据的爬取。

4.黑名单筛选（Blacklist Screening）

黑名单筛选是针对注册用户反欺诈的技术手段。根据用户注册时填写的姓名、身份证号、手机号、银行卡号等要素信息，加上平台通过SDK抓取到的设备指纹和IP，进行多维度筛选，与黑名单进行匹配，命中即拒绝。

5.生物识别（Biometric）

生物识别技术如声音识别、人脸识别等，是指对用户特定生物特征进行检测和识别的一种技术手段，通过比对用户的生物特征信息，判断用户身份，主要用于用户身份的核实等场景，防止出现用户账户被盗用的情况。

6.人脸识别（Face Recognition）

人脸识别是基于人的脸部特征，对输入的人脸图像或者视频流进行识别的技术。首先判断其是否存在人脸，如果存在人脸，则进一步给出每个脸的位置、大小和各个主要面部器官的位置信息，并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

7.虹膜识别（Iris Recognition）

虹膜识别基于眼睛中的虹膜进行身份识别。其核心是使用模式识别、图像处理等方法对人眼的虹膜特征进行描述和匹配，从而实现个人身份自动认证。虹膜识别的主要步骤包括虹膜图像的获取、预处理、特征提取与编码和分类。

8.生物探针（Biological Probe）

生物探针可以通过客户端等途径采集到用户在使用过程中的多项指标（如按压力度、设备仰角、手指触面、线性加速度、触点间隔等），基于这些行为的历史数据，通过机器学习计算专属行为模型，用于识别是否为本人操作。

9.地理位置识别（Geographic Location Recognition）

地理位置识别是一种通过真实地理位置识别基于位置欺诈行为的技术手段。地理位置识别利用包括IP、基站、WiFi、身份证、手机号及银行卡等多维度的地理位置信息的信息库，精准定位网络访问者的信息，包括城市、经纬度及网络类型等，从而识别欺诈行为。

10.活体检测（Vivo Detection）

活体检测技术主要通过要求用户做特定动作或朗读特定内容，对用户是活人还是机器进行判断和检测，是防范欺诈团伙批量攻击的一种有效手段。

11.文本语义分析（Text Semantic Analysis）

文本语义分析主要用于对文本类数据的解析和挖掘，从用户评论等文本内容中提取用户特征。

12.关系图谱（Map of Relationship）

关系图谱是利用图数据库，从特定维度对不同用户和不同操作行为之间进行关联和计算，从而发现不同用户和不同操作之间的关联关系，可以用于团伙特征检测等场景。

13.用户画像（User Profile）

用户画像是一种通过精准识别用户进行反欺诈的手段。用户画像根据用户社会属性、生活习惯、消费习惯等信息抽象出标签化的用户模型。构建用户画像的核心工作是给用户贴标签，而标签是通过对用户信息分析获得的高度精炼的特征识别。

14.有监督机器学习（Supervised Machine Learning）

有监督机器学习是反欺诈检测中最为广泛使用的机器学习模式。机器学习通常从有标签数据中自动创建出模型，来检测欺诈行为。其中包含的学习技术分别有决策树算法、随机森林、最近邻算法、支持向量机和朴素贝叶斯分类。

15.无监督机器学习（Unsupervised Machine Learning）

无监督机器学习是无需依赖于任何标签数据来训练模型的机器学习模式。其可以通过利用关联分析和相似性分析，发现欺诈用户行为间的联系，创建群组，并在一个或多个其他群组中发掘新型欺诈行为和案例。

16.半监督机器学习（Semi-Supervised Machine Learning）

半监督机器学习是有监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的无标签数据，并同时使用标签数据，来进行欺诈识别工作。

17.区块链（Block Chain）

区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。区块链去中心化、去信任的机制能够在预防性反欺诈领域进行有效应用。

18.用户行为序列（Behavioral Sequence）

用户行为序列也叫“基于时间序列的用户行为”，是某一时间段内，按照时间先后顺序记录的用户从事某种活动的每一步行为。