互联网平台智能风控实战

目? 录

第1章

解密黑产

1.1 认识黑产 / 2

1.1.1 黑产的危害 / 2

1.1.2 黑产的产生 / 4

1.1.3 黑产的类型 / 5

1.1.4 黑色产业链 / 6

1.1.5 黑产的焦点 / 9

1.2 黑产运作 / 10

1.2.1 外卖领域的黑产运作 / 11

1.2.2 出行领域的黑产运作 / 13

1.2.3 金融领域的黑产运作 / 14

1.2.4 黑产的特点 / 15

1.3 黑产技术演变 / 16

1.3.1 风险控制的发展阶段 / 16

1.3.2 黑产的发展阶段 / 17

第2章

风控解决方案

2.1 风险的范围和种类 / 20

2.1.1 风险的范围 / 20

2.1.2 风险的种类 / 20

2.2 风控的团队配备 / 21

2.3 智能风控的技术思路 / 23

2.3.1 智能风控的定义 / 23

2.3.2 设备指纹 / 23

2.3.3 规则引擎 / 25

2.3.4 监督学习模型 / 28

2.3.5 无监督学习模型 / 30

2.3.6 知识图谱 / 36

2.3.7 深度学习 / 37

2.3.8 联防联控 / 39

2.3.9 系统化解决方案 / 41

2.4 风控系统框架实例 / 44

2.4.1 外卖风控系统框架 / 44

2.4.2 电商风控系统框架 / 45

2.4.3 金融风控系统框架 / 47

2.4.4 视频风控系统框架 / 49

2.4.5 小结 / 50

2.5 智能风控系统的构建要点 / 50

第3章

核心：理解业务、服务于产品

3.1 风控、业务和产品 / 54

3.1.1 风控工作的生存困境 / 54

3.1.2 如何理解业务 / 55

3.1.3 业务理解的认知表现 / 56

3.1.4 业务理解的行动表现 / 58

3.1.5 数据和模型论 / 60

3.1.6 理解业务的风控实例 / 61

3.2 风控需要被理解 / 62

3.2.1 模型可解释性 / 63

3.2.2 全局解释 / 64

3.2.3 模型相关的解释方法 / 72

3.2.4 模型无关的解释方法 / 75

3.3 引导型风控 / 87

第4章

关键：数据的重要性

4.1 数据的价值 / 91

4.2 大数据风控误区 / 92

4.2.1 大数据风控污名化 / 92

4.2.2 被忽视的数据质量问题 / 93

4.2.3 大数据并不“大” / 93

4.3 数据的搜集 / 94

4.3.1 数据源 / 94

4.3.2 埋点采集 / 95

4.4 风控数仓 / 97

4.4.1 风控数据流程 / 97

4.4.2 大宽表与数据指标 / 100

4.5 特征工程 / 102

4.5.1 特征构造 / 102

4.5.2 特征加工处理 / 103

4.5.3 特征选择和降维 / 107

4.6 案例 / 114

4.6.1 一个简单的例子 / 114

4.6.2 Kaggle 比赛的例子 / 117

4.7 风控的数据输出 / 118

4.8 数据可视化分析 / 120

第5章

手段：规则、模型和监控

5.1 设备指纹 / 124

5.1.1 Hook 机制 / 125

5.1.2 反 Hook / 128

5.1.3 设备指纹技术 / 131

5.1.4 模拟器 / 135

5.1.5 群控 / 云控系统 / 138

5.2 规则引擎 / 141

5.2.1 规则引擎的总体架构 / 141

5.2.2 规则引擎的核心技术 / 143

5.3 风控模型方法 / 146

5.3.1 评分卡 / 146

5.3.2 监督学习模型 / 155

5.3.3 样本不均衡处理策略 / 158

5.3.4 PU Learning / 173

5.3.5 主动学习和迁移学习 / 175

5.3.6 社区发现 / 178

5.3.7 异构网络的密集子图挖掘 / 190

5.3.8 图神经网络（GNN） / 200

5.3.9 知识图谱 / 210

5.3.10 其他算法模型 / 218

5.4 监控 / 220

5.4.1 大盘指标监控 / 221

5.4.2 规则监控 / 222

5.4.3 模型稳定性监控 / 224

5.4.4 变量级监控 / 228

5.4.5 情报和舆情监控 / 230

第6章

场景：反制手段的应用

6.1 系统性防御 / 233

6.2 刷销量、好评、排名、榜单 / 234

6.2.1 背景 / 235

6.2.2 技术手段 / 237

6.2.3 案例 / 240

6.3 刷红包、优惠券 / 243

6.3.1 背景 / 243

6.3.2 技术手段 / 245

6.3.3 案例 / 245

6.4 刷团伙、群控、BC 联合套现 / 255

6.4.1 背景 / 256

6.4.2 技术手段 / 257

6.4.3 案例 / 259

6.5 虚假商户、虚假申请、虚假账号、

多角色联合的虚假孤岛 / 274

6.5.1 背景 / 275

6.5.2 技术手段 / 275

6.5.3 案例 / 276

6.6 刷广告、渠道推广 / 282

6.6.1 背景 / 284

6.6.2 技术手段 / 286

6.6.3 案例 / 291

6.7 舞弊刷业绩—销售 / 296

6.7.1 背景 / 296

6.7.2 技术手段 / 298

6.7.3 案例 / 299

6.8 内容风险 / 311

6.8.1 背景 / 312

6.8.2 技术手段 / 312

6.8.3 案例 / 313

6.9 物流作弊 / 320

6.9.1 背景 / 320

6.9.2 技术手段 / 321

6.9.3 案例 / 322

6.10 分角色治理 / 323

第7章

评估：损失与收益的平衡

7.1 评估的意义和困难 / 327

7.2 评估指标 / 328

7.2.1 有明确样本集的评估 / 328

7.2.2 无明确样本集的评估 / 332

7.3 样本来源 / 335

7.4 A/B 测试 / 336

7.4.1 A/B 测试原理 / 336

7.4.2 风控中的 A/B 测试 / 337

7.5 损失与收益评估 / 338

7.5.1 业务损失和收益评估 / 338

7.5.2 风控视角的损失和收益评估 / 339

7.5.3 实施方法 / 339

第8章

管理平台：直观的可视化工具和管控工具

8.1 管理平台的重要性 / 342

8.2 可视化看板 / 343

8.3 可解释性与可视化 / 347

8.4 查询分析平台 / 354

8.5 监控和引擎配置平台 / 356

8.6 其他工具 / 357

8.7 小结 / 358

第9章

风控的挑战与智能风控系统的搭建原则

9.1 风控的痛点与挑战 / 360

9.2 搭建智能风控系统的原则 / 362

9.3 搭建智能风控系统的注意事项 / 364

第 10 章

风控的未来技术

10.1 未来的技术趋势 / 370

10.2 智能风控公司的机遇 / 373