基于实时动态图联合学习框架的金融交易风控技术

金融交易风险防控是金融风控平台最重要的能力之一.近年来,随着金融风控平台智能化需求的不断升级,对其中相关应用算法的性能要求也水涨船高.目前业界已完成了两代针对金融交易行为的表征学习框架的迭代升级.第一代框架引入了金融交易活动参与者自身的历史行为序列,利用序列模型学习其历史行为特征.第二代框架通过一套实时大数据系统对资金流图进行建模,根据业务专家预定义的业务规则计算出需要的实时特征,并将其输入到后续的判别模型中.相比第一代,第二代框架引入了更多实时动态资金流图上的交互信息,因而取得了不错的性能提升.然而,第二代框架在精细化、智能化和时序建模方面仍存在较大不足.为了解决这些问题,本文针对性地设计了第三代框架,该框架通过动态图表征学习算法,从实时资金流图的原始数据中直接进行表征学习,以此规避了第二代框架中的诸多问题.总的来说,本文在时序信息建模和动态图框架层面均进行了创新性设计.在时序信息建模层面,利用了C2GAT模块(连续时间和上下文感知的图注意力神经网络),在动态多变的资金流图上快速地捕捉了高阶的结构化时序状态与信息.在动态图框架层面,开发了一套联合实时动态图表征框架——RULF,该框架可以实时刻画出金融场景中多用户资金行为中存在的特定模式.将金融场景中多角色联合行为和单角色独立行为进行了显式地解耦,并将多个子图模块联合起来学习,通过学习到更精准的行为表征,从而更进一步地提高下游判别模型的性能.本文将以花呗套现交易识别—一个典型的金融交易风控场景为例,介绍该框架在实际业务场景中的设计思想和实现细节.

基于工作流的计算机辅助电话访问系统

本文介绍了计算机辅助电话访问调查系统的定义和当前发展状况,为了实现使用和开发过程中具体业务处理与传统web后台系统的解耦分离,同时又达到业务流程的高可控自动化管理和业务的快速易扩展性,本文提出了一种基于工作流系统的,松耦合高可扩展的全新架构和实现。本文介绍了该系统的总体设计与实现,举例详述了整个系统中的消息流转和协议的具体定义与实现。

地理位置和时间感知的表示学习框架

现有时空感知的表示学习框架无法对强时空语义的实际场景存在的“When”、“Where”和“What”3个问题给出一个统一的解决方案。同时,现有的时间和空间建模上的研究方案也存在着一定的缺陷,无法在复杂的实际场景中取得最优的性能。为了解决这些问题,本文提出了一个统一的用户表示框架—GTRL(geography and time aware representation learning),可以同时在时间和空间的维度上对用户的历史行为轨迹进行联合建模。在时间建模上,GTRL采用函数式的时间编码以及连续时间和上下文感知的图注意力网络,在动态的用户行为图上灵活地捕获高阶的结构化时序信息。在空间建模上,GTRL采用了层级化的地理编码和深度历史轨迹建模模块高效地刻画了用户的地理位置偏好。GTRL设计了统一的联合优化方案,同时在交互预测、交互时间预测以及交互位置3个任务上进行模型学习。最后,本文在公开数据集和工业数据集上设计了大量的实验,分别验证了GTRL相较学术界基线模型的优势,以及在实际业务场景中的有效性。