2024機(jī)器學(xué)習(xí)在反欺詐中應(yīng)用

評(píng)分卡一般運(yùn)用在信用風(fēng)險(xiǎn)評(píng)估，如：A卡（申請(qǐng)?jiān)u分卡）和B卡（行為評(píng)分卡）等，反欺詐也會(huì)運(yùn)用有監(jiān)督學(xué)習(xí)，如評(píng)分卡（F卡），具體如下：AB在反欺詐中用到的機(jī)器學(xué)習(xí)主要有下圖幾種。其中，iforest通常用來(lái)做數(shù)據(jù)離群點(diǎn)的異常數(shù)據(jù)方面，進(jìn)行加權(quán)或算法調(diào)整。svm通常也用來(lái)做異常檢測(cè)；arima則用來(lái)作時(shí)間序列RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）LSTM（長(zhǎng)短記憶循環(huán)神經(jīng)網(wǎng)絡(luò)）兩種算法。LSTMRNN的優(yōu)化版，在特征較多時(shí)，RNN計(jì)算量會(huì)呈指數(shù)式增長(zhǎng)，其計(jì)算復(fù)雜度也輸出閥門（forgetgate），其通過(guò)這些閥門節(jié)點(diǎn)實(shí)現(xiàn)記憶功能，改善了RNN在計(jì)算過(guò)程時(shí)間序列在信貸中有兩個(gè)比較重要應(yīng)用場(chǎng)景，一是B卡（行為評(píng)分卡），一是異常檢測(cè)。我們著重介紹LSTM在這兩個(gè)場(chǎng)景中的應(yīng)用。在行為評(píng)分卡的應(yīng)用中，當(dāng)用戶在金融機(jī)構(gòu)進(jìn)行多次借款時(shí)，可以將其以往的借款行為通過(guò)統(tǒng)計(jì)方法或其他相關(guān)方法生成embeding進(jìn)行LSTM計(jì)算。異常檢測(cè)的應(yīng)用可參考下圖：另外在使用LSTM時(shí)需注意4點(diǎn)：1.應(yīng)限制每一個(gè)時(shí)間序列embeding的長(zhǎng)度；2.對(duì)缺失0；3embedingonehot4.樣本量少時(shí)，KStrustrank，關(guān)系embeding則可以通過(guò)衍生變量將關(guān)系向量化，將向量化的關(guān)系帶入模型進(jìn)行進(jìn)一步的分IP續(xù)的算法操作。embeding的方法有很多，此次僅介紹node2vec一種。node2vec的原理是前端為隨機(jī)游走（randomwalk），word2vec。randomwalkword2vecword2vecNLPword2vecEmbeding后會(huì)生成50維到128維的向量，之后進(jìn)行聚類和分類的操作，具體如下：Trustrankpageranktrustranktrustrank，，而是改變其中的某些算法。trustrank是傳播關(guān)系的一種算法，根據(jù)人與人的關(guān)系進(jìn)行判斷和spark的sparkgragh對(duì)trustrank的圖譜關(guān)系支撐較好。以下圖為例，trustrank