蚂蚁金服西亭：智能金融的技术挑战与方案

以下为精彩视频整理：

目前智能技术场景应用的越来越多，比如微贷，保险，支付，风控，财富等等，对金融服务也提出了更多的挑战，比如：时间敏感，海量数据，业务多样性，系统风险性，强安全，自动化等。在图像/语音、NLP、机器学习、推理与决策等领域，应用强化学习、无监督学习、图推理、迁移学习等技术，在大规模数据的情况下，期望实现快速处理和实时对抗。

深度学习+图：系统性风险预测与监控

对于用户资金的安全，需要在用户账号、设备和商户三端来进行保障。传统的风控技术是基于规则和策略来实现。随着案例增多，加的规则也越来越多，传统的模型较难符合当前的需求。蚂蚁金服是采用树模型对于非可信交易进一步判断是否账号被盗。同时采用GBDT+DNN进一步改进盗账号模型，目前提升了10%检测率。以支付宝为例，每天可以让一千多万笔交易更快更准地通过风险检查。这对系统本身、公司成本、用户安全感的提升，都非常有利。

下面介绍图学习模型的另外一个应用案例：垃圾账户识别

业务有关的网络数据，通过Structure2vec深度网络技术（Structure2vec可以根据少量的标注数据，来判断用户是好人还是坏人）对图进行向量化表征，然后根据业务特点优化目标。在用户注册时，利用用户、设备的关联去构建图，并判断账户是否为垃圾账户。这样能对垃圾账户的注册进行防控，降低后端风险基数，稳定大盘指标，极大提高整体的账户质量。与Node2Vec和规则等技术对比，Structure2vec的提升效果较明显。

在一些垃圾邮件中，有些汉字机器不能识别（比如“银行”写成“钅艮”和“彳亍”）。为了尝试解决这个问题，可利用汉字的笔画信息，将这些字拆成单一字，再拆分成笔画，利用ID来表示这些笔画，生成N元笔画信息，进而生成中文词向量。这个方法对词语有较好的识别作用，可以一定程度上处理用户输入的恶意信息，保证内容安全。

阅读原文