英特尔oneAPI人工智能黑客松第二季-融合社交网络信息的智能风控方案设计

一、方案简介

       伴随欺诈手段和工具的多样化，金融欺诈呈现组织化和团伙化的新趋势。传统反欺诈主要依靠专家规则，但像身份证号、银行卡流水这些东西其实伪造成本很低，对于群体性的、大批量的欺诈并没有一个很好的管控手段。因此，欺诈风控策略理念和思路需要提升至更新、更深入的阶段。        针对上述问题，本方案基于Xgboost模型，从用户相互关联和影响的视角，提出通用的社交网络特征挖掘方法，探索满足风控反欺诈领域需求的，可拓展、高效的机器学习应用方案，从而帮助更好地识别欺诈用户。

二、数据介绍

       本方案建模数据来源于信也科技公司（数据开放下载网址：dgraph.xinye.com）。数据主要包括两部分：第一部分为用户的属性数据，包括性别、年龄和职业等信息；第二部分为一个脱敏的全连通的社交网络有向动态图，分别抽样于信也科技公司不同业务时间段的数据。        在社交网络图数据中，节点代表信也科技的注册用户，从节点A指向节点B的有向边代表用户A将用户B填为他的紧急联系人。图中的边有不同的类型，代表了对紧急联系人的不同分类。图中的边上带有创建日期信息，边的创建日期分别脱敏成从1开始的正整数，时间单位为天。

三、建模说明

四、社交网络特征挖掘

五、方案设计

模块设计	训练时间	得分（AUC）
Baseline + Xgboost（RandomizedSearchCV）	14min 54s	75.63
Baseline + 社交网络特征挖掘 + Xgboost（RandomizedSearchCV）	18min 45s	81.85
Baseline + 社交网络特征挖掘 + Xgboost（Flaml）	5min 12s	82.36
Baseline + 社交网络特征挖掘 + Lightgbm（5-Fold）	3min 48s	81.91
Baseline + 社交网络特征挖掘 + Xgboost（5-Fold）	1min 23s	82.45

六、方案硬件

七、结果展示

八、价值影响与总结

1. 针对社交网络数据，给出一套通用的数据挖掘思路和方法，可显著提升模型的识别精度效果。 2. 基于Xgboost分类器，设计高效可行的模型训练与推理模块，在大数据量的场景下具有训练时间短和精度较高的特点，可快速响应业务场景的需求，从而加速实现项目的迭代更新。