8-2 基于用户行为的交易反欺诈应用实践

行为驱动的交易欺诈检测

背景介绍

• 传统交易欺诈检测依赖于结构化数据（如用户资料、购买历史）和手工特征（如用户过去7天内查看的商品总数）。
• 风险管理主要依靠强大的财务数据，而行为数据具有高维、高速和多样性的特点。

用户行为分析在交易风险中的应用

• 电商平台的各个业务单元（如搜索/广告）高度依赖用户行为来优化产品。
• 传统风险管理很少使用行为数据。
• 行为数据能够描述独特的数字签名，深度学习为处理这些数据带来了机会。
• 成功案例包括账户接管（ATO）和金融盗窃（Stolen Financial）等。

具体案例

• 账户接管（ATO）：通过分析不同时间窗口内的行为序列数据，发现非ATO用户在浏览页面数量和停留时间上明显高于ATO用户。
• 金融盗窃：通过行为序列数据分析，识别出非ATO用户在特定页面（如浏览商品和搜索页面）上的浏览次数明显高于ATO用户。

数据可视化

• 通过视图页面时间排序，在整个会话中选择前30个页面，并用红色标记ATO用户的行为路径，显示了ATO用户的路径较短且更集中在结账环节。

模型介绍

• 监督深度学习模型：

  • 深度和宽模型：结合了深度和广度的特点。
  • Transformer编码器：其他结构包括Transformer。
  • 性能表现：具体未详细列出。

• 无监督深度学习模型：

  • 序列嵌入聚类：通过序列嵌入进行聚类，寻找高退单率的用户群。
  • 基于时间注意力的行为序列嵌入：基于点击流序列的嵌入架构，预测下一个事件的概率。
  • 可解释的深度行为序列聚类：用于交易欺诈检测。

嵌入结果

• 80维向量压缩至3D并可视化：红色表示未经授权的退单，蓝色表示正常用户。
• 欺诈模式特征：罕见的小群体和异常值（偏离正常行为）。

聚类解释

• 高风险集群解释：通过样本展示高风险集群的具体行为模式。
• 规则提取：使用Skope-rules提取顶级规则，实现语义去重。

训练与推理管道

• 训练数据：过去30天的历史数据。
• 种子数据：未授权的交易数据。
• 采样比例：特定的好坏比例。
• 相似性预测：计算相似度。
• 回报率：约10（节省的钱/损失的钱*风险系数）。
• 滚动时间窗：训练（T1-T30），测试（T31）。

总结

• 使用深度学习行为聚类作为现有实时欺诈检测引擎的补充策略，进一步提高欺诈检测和主动风险管理的能力。