螞蟻金服西亭：智能金融的技術挑戰與方案

以下為精彩視頻整理：

目前智能技術情境應用的越來越多，比如微貸，保險，支付，風控，財富等等，對金融服務也提出了更多的挑戰，比如：時間敏感，海量資料，業務多樣性，系統風險性，強安全，自動化等。在映像/語音、NLP、機器學習、推理與決策等領域，應用強化學習、無監督學習、圖推理、遷移學習等技術，在大規模資料的情況下，期望實現快速處理和即時對抗。

深度學習+圖：系統性風險預測與監控

對於使用者資金的安全，需要在使用者帳號、裝置和商戶三端來進行保障。傳統的風控技術是基於規則和策略來實現。隨著案例增多，加的規則也越來越多，傳統的模型較難符合當前的需求。螞蟻金服是採用樹模型對於非可信交易進一步判斷是否帳號被盜。同時採用GBDT+DNN進一步改進盜帳號模型，目前提升了10%檢測率。以支付寶為例，每天可以讓一千多萬筆交易更快更准地通過風險檢查。這對系統本身、公司成本、使用者安全感的提升，都非常有利。

下面介紹圖學習模型的另外一個應用案例：垃圾賬戶識別

業務有關的網路資料，通過Structure2vec深度網路技術（Structure2vec可以根據少量的標註資料，來判斷使用者是好人還是壞人）對圖進行向量化表徵，然後根據業務特點最佳化目標。在使用者註冊時，利用使用者、裝置的關聯去構建圖，並判斷賬戶是否為垃圾賬戶。這樣能對垃圾賬戶的註冊進行防控，降低後端風險基數，穩定大盤指標，極大提高整體的賬戶品質。與Node2Vec和規則等技術對比，Structure2vec的提升效果較明顯。

在一些垃圾郵件中，有些漢字機器不能識別（比如“銀行”寫成“钅艮”和“彳亍”）。為了嘗試解決這個問題，可利用漢字的筆畫資訊，將這些字拆成單一字，再拆分成筆畫，利用ID來表示這些筆畫，產生N元筆畫資訊，進而產生中文詞向量。這個方法對詞語有較好的識別作用，可以一定程度上處理使用者輸入的惡意資訊，保證Alibaba Content Security Service。

閱讀原文