京东金融风控团队在世界权威机器学习会议上分享“打黑”经验

9月24日，京东金融Vector Lab（向量实验室）的论文《使用循环神经网络进行电商网站交易的欺诈检测》Session-Based Fraud Detection in Online E-Commerce Transactions Using Recurrent Neural Networks入选今年的PKDD。

PKDD全称是欧洲机器学习与知识发现国际会议（European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Database: ECML/PKDD），是一个欧洲的数据挖掘顶级会议，在国内获得了中国计算机学会的权威认定，含金量极高。

此次，京东金融风控团队反欺诈技术入选PKDD论文，代表着京东金融在数据挖掘与人工智能领域的技术成果已经得到世界最权威机构的认可。

传统的反欺诈系统大多采取基于特征匹配的专家系统或者基于统计的机器学习算法，这类方法确实在实际系统中防范了大量的欺诈行为，但是电商场景是一个复杂多变的场景，无论是商品的更新还是客户的偏好都在随时变化，仅靠基于业务特性手动设计出的统计特征很难及时捕捉到少量变化的欺诈行为。

另一方面坏人反侦查能力很强，他们会通过长时间积累下来的经验教训，总结出要规避哪些行为，尽量伪装成合法用户的样子，比如他们会模拟正常用户少量交易去养号，注册时会故意拖延时间让机器批量注册看起来像是人工注册，交易时也尽量规避敏感产品，总而言之就是躲避那些专家和统计算法的红线。

但是“雁过留声，人过留痕”，即便故意闪躲，欺诈者终究还是会在行为序列中留下蛛丝马迹。京东有2.58亿活跃用户，每天系统日志会留下海量的用户行为日志，京东金融Vector Lab采用RNN技术对基于用户的浏览行为的时间序列进行建模，得到了超越传统算法三倍以上的精度，循环神经网络（Recurrent Neural Network，RNN）通常应用在自然语言处理、语音识别等领域，是一个拥有对时间序列显示建模能力的神经网络。

同时，由于神经网络具有较强的迁移学习和在线学习能力，因此模型在实际应用中可以实现快速更新迭代。京东金融通过不断收集处理平台产生的新的数据，在原有模型的基础上进一步调整参数，使得模型能够不断学到新的行为模式，实现进化。欺诈与反欺诈不断处于动态博弈，所谓“魔”高一尺，“道”亦高一尺。

“异常的行为隐藏在行为序列中，总会找到蛛丝马迹。我们把一个时间段内的所有行为按先后顺序给机器学习，在学习大量样本后，它就能找出其中的细微差别，这就是RNN时间序列算法对于金融的价值所在”，京东金融风险管理部总经理沈晓春如是表示。

以下是京东金融Vector Lab入选2017PKDD的论文节选，感谢清华大学交叉信息研究院在项目中的帮助,更多论文内容请点击http://ecmlpkdd2017.ijs.si/papers/paperID69.pdf：