8-2 基于用户行为的交易反欺诈应用实践

背景

传统交易欺诈检测依赖于结构化数据（如用户画像、购买历史）和手工特征（如用户过去7天浏览商品总数），并采用传统机器学习模型（如GBDT、LR）。然而，传统风险管理很少利用用户行为数据，因为行为数据具有高维、高速、高变（3V）的特点，而用户行为能够描述独特的数字签名。深度学习为有效处理用户行为数据提供了机会，行业已有成功实践。

用户行为分析

通过分析用户行为序列数据，发现非账户接管（ATO）用户与ATO用户在浏览页面数量、停留时间及特定页面（如ViewItem、Search）的浏览次数上存在显著差异。例如，非ATO用户的平均浏览页面数量是ATO用户的1.5倍，停留时间更长，且在特定页面的浏览次数高出20%。可视化分析显示，ATO用户的浏览路径更短，更专注于结账。

模型介绍

提出基于行为序列数据的欺诈检测方法，包括：

1. 监督深度学习（DL）：
   • 采用深度和宽模型（如Transformer-encoder）提取特征，并构建深度模型作为特征提取器。
   • 通过时间注意力机制进行行为序列嵌入，预测下一个事件，最小化错误预测的似然损失。
2. 无监督深度学习（DL）：
   • 利用序列嵌入聚类技术，将用户交易页面序列嵌入到低维空间并聚类，识别高风险簇。
   • 通过GPU加速的HDBSCAN算法，实现500倍性能提升，适用于实时应用。
3. 可解释深度行为序列聚类：
   • 通过Skope-rules提取解释性规则，对高风险簇进行解释，并提供Top K规则进行语义去重。

结果分析

• 聚类性能：GPU加速的HDBSCAN在调整兰德指数（ARI）上表现稳定，训练数据0.4M，80D，测试数据0.1M，采样比例良好。
• 训练与推理流程：
  • 训练数据为P1.0 + P2.0历史30天数据，种子为未授权交易，采样比例固定，预测相似度。
  • ROI约为10（节省金额/（伤害金额×R）），采用滚动时间窗口（训练T1-T30，测试T31）。

结论

通过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，可进一步提升欺诈检测和主动风险防御能力。