<video id="zjj55"><delect id="zjj55"></delect></video>

<big id="zjj55"><listing id="zjj55"><del id="zjj55"></del></listing></big>

<menuitem id="zjj55"><delect id="zjj55"><pre id="zjj55"></pre></delect></menuitem>

<output id="zjj55"></output>
<video id="zjj55"></video>

<menuitem id="zjj55"></menuitem>

    <video id="zjj55"><listing id="zjj55"></listing></video>

    <menuitem id="zjj55"></menuitem>
    <output id="zjj55"><delect id="zjj55"><pre id="zjj55"></pre></delect></output>

    <menuitem id="zjj55"></menuitem>
    <menuitem id="zjj55"></menuitem>

        <big id="zjj55"></big>
          1. 移動端
            訪問手機端
            官微
            訪問官微

            搜索
            取消
            溫馨提示:
            敬愛的用戶,您的瀏覽器版本過低,會導致頁面瀏覽異常,建議您升級瀏覽器版本或更換其他瀏覽器打開。

            華夏銀行:手機銀行反欺詐機器學習模型與信識模型項目

            來源:中國電子銀行網 2024-06-14 16:44:16 數字金融創新案例征集 華夏銀行 新質科創
                 來源:中國電子銀行網     2024-06-14 16:44:16

            核心提示華夏銀行積極探索反欺詐系統提升方案,通過手機銀行反欺詐機器學習模型和信識模型研究項目。

            第七屆(2024)數字金融創新案例征集

            案例名稱

            手機銀行反欺詐機器學習模型與信識模型項目

            案例簡介

            當前電信詐騙形勢日益嚴峻,華夏銀行積極探索反欺詐系統提升方案,通過手機銀行反欺詐機器學習模型和信識模型研究項目,充分應用大數據人工智能技術進行創新,構建信識和風控兩套體系,兩套體系協同運轉,多種模型綜合運用,對交易分類分級管理并采取差異化的策略和風險控制措施,實現對信識交易簡化驗證,對風險交易采取管控手段,最終達到風險防范與客戶體驗的動態平衡。本項目實現了安全服務模式創新,推動了科技創新與數智化發展,助力提升銀行業務的安全性、客戶體驗和服務效率,符合現代化產業體系對于提高生產效率、提升服務質量的要求。為銀行業通過科技創新實現風控和體驗平衡管理、促進數智化發展提供了有益的參考和啟示。

            創新技術/模式應用

            一、安全服務模式創新

            本項目構建了信識和風控兩套體系,兩套體系協同運轉,實現對信識交易簡化驗證,對風險交易采取管控手段,最終達到風險防范與客戶體驗的動態平衡,實現安全服務模式創新,推動了科技創新與數智化發展。

            二、技術創新

            本項目充分應用大數據和人工智能技術進行創新。反欺詐機器學習模型利用自然語言處理(NLP)領域的實體識別技術對樣本打標,顯著提升了打標效率,利用詞頻-逆文檔頻率(TF-IDF)算法挖掘欺詐特征,豐富了模型的數據維度;信識模型基于用戶歷史長期行為與近期行為數據構建用戶畫像,深入理解用戶的行為特征和偏好,再利用機器學習算法輔助創建層次分析模型,進一步提升了信識模型在復雜決策過程中的分析能力和準確性。

            1.用戶畫像

            數據收集:包括用戶信息、登錄數據、交易數據、綁定設備信息、涉詐類名單數據等。

            數據分析:選取多個觀察點,統計不同時間窗口下用戶行為的變化,確認數據的時間范圍與客群范圍。統計用戶交易記錄,提取分析行為習慣。

            加工用戶畫像:聚合統計用戶交易行為、交易關鍵要素等,構建用戶畫像。

            畫像應用:分析正常用戶與詐騙犯行為模式的區別,為模型提供特征/標簽支持。

            2.NLP的實體識別技術

            使用NLP的實體識別技術輔助交易數據打標,增強數據處理能力,提高反欺詐機器學習模型的準確性和效率。一是可自動化解析交易備注等非結構化文本數據,提取關鍵信息和情感傾向,為識別潛在欺詐行為提供線索;二是能校準和修正已有的打標數據,通過分析發現并糾正錯誤,提高數據質量。

            3.NLP的TF-IDF技術

            使用NLP的TF-IDF技術進行數據特征工程,提取和構造更有針對性的數據特征,結合適當的特征選擇和降維技術,提高模型對欺詐行為的識別能力。

            4.與機器學習結合的層次分析技術

            構建信識模型采用了與機器學習結合的層次分析技術。將機器學習模型訓練得到的因子權重系數做為層次分析的基礎權重系數,并結合測試數據表現和專家經驗對模型權重系數進行微調,提高信識模型準確性和效率。

            項目效果評估

            本項目構建的反欺詐機器學習模型和信識模型已完成基于歷史數據的效果驗證,驗證結果表明模型表現良好,具有很好的應用價值。

            一、模型表現良好

            反欺詐機器學習模型的AUC(Area Under the Curve)為0.93,KS(Kolmogorov-Smirnov)統計量為0.728。模型整體表現良好,表明反欺詐機器學習模型在區分欺詐與非欺詐交易方面具有較高的準確性,它將在風險防控方面發揮重要作用。

            信識模型的AUC為0.82,KS統計量為0.56,模型整體表現良好。信識模型為規則模型,主要用于簡化驗證提升體驗,僅對欺詐風險等級為低風險/無風險且信識等級為中信識/高信識的信識交易簡化驗證。根據歷史數據表現,可為45%以上的交易降級驗證,極大提升客戶使用體驗。

            二、模型應用的價值

            1.增強欺詐交易識別能力。反欺詐機器學習模型采用了機器學習算法和大數據分析技術,其在識別欺詐交易的準確性方面表現良好,能夠減少反欺詐系統錯判和漏判的情況發生,能更有效地保護客戶資金安全。

            2.提升用戶體驗。信識模型的開發應用,可簡化正??蛻粜抛R交易的驗證方式,提升客戶的使用體驗和滿意度。

            3.風險防控管理更精細。通過綜合分析交易行為、歷史記錄和客戶信息等,模型能夠更準確地判斷欺詐角色是疑似受害人還是疑似詐騙犯,從而采取更為合適的應對措施。

            4.增強可擴展及適應性能力。該模型具備較優的可擴展能力,反欺詐系統預留了多個接口,這些接口既可以使模型與外部數據源和算法庫進行連接,也能使模型接收和整合來自不同渠道的數據,如黑名單、模型權重系數等,以讓模型適應不同的新型欺詐手段,最終提高模型的準確性。

            本項目通過對大數據和人工智能技術的創新性應用,實現對信識交易簡化驗證,對風險交易采取管控手段,最終達到風險防范與客戶體驗的動態平衡,實現安全服務模式創新,助力提升銀行業務的安全性、客戶體驗和服務效率,符合現代化產業體系對于提高生產效率、提升服務質量的要求,推動了科技創新與數智化發展,為經濟社會高質量穩健發展保駕護航。

            項目牽頭人

            趙草梓 華夏銀行個人業務部兼財富管理與私人銀行部總經理

            項目團隊成員

            寧冰、盛菲、王驍鋒、魯懷昊、鐘萃芳、王久君、周振華、馮青霞、覃輝、馮驍、張書豪、關宇航、劉慧萍

            責任編輯:陳愛

            免責聲明:

            中國電子銀行網發布的專欄、投稿以及征文相關文章,其文字、圖片、視頻均來源于作者投稿或轉載自相關作品方;如涉及未經許可使用作品的問題,請您優先聯系我們(聯系郵箱:cebnet@cfca.com.cn,電話:400-880-9888),我們會第一時間核實,謝謝配合。

            為你推薦

            收藏成功

            確定
            人妻精品一区二区三区_好紧好湿好硬国产在线视频_亚洲精品无码mv在线观看_国内激情精品久久久

            <video id="zjj55"><delect id="zjj55"></delect></video>

            <big id="zjj55"><listing id="zjj55"><del id="zjj55"></del></listing></big>

            <menuitem id="zjj55"><delect id="zjj55"><pre id="zjj55"></pre></delect></menuitem>

            <output id="zjj55"></output>
            <video id="zjj55"></video>

            <menuitem id="zjj55"></menuitem>

              <video id="zjj55"><listing id="zjj55"></listing></video>

              <menuitem id="zjj55"></menuitem>
              <output id="zjj55"><delect id="zjj55"><pre id="zjj55"></pre></delect></output>

              <menuitem id="zjj55"></menuitem>
              <menuitem id="zjj55"></menuitem>

                  <big id="zjj55"></big>