前言

支付欺詐風險是攜程金融風控團隊的主要防控對象，它一般是指用戶卡片信息或賬號信息泄露后，欺詐分子利用這些信息在攜程平臺進行銷贓，侵害用戶資金安全，給用戶和攜程平臺帶來損失。

1. 高對抗性

欺詐分子的作案手段絕非一成不變，他們也會根據我們的策略攔截結果對作案方式不斷調整，不斷形成風險轉移，如果我們的策略模型不及時追蹤這種變化，則無法做到"見招拆招"。

2. 復雜性

為了躲避風險控制的策略規則，欺詐分子也會盡力模仿正常用戶的消費行為，而且從目前的數據來看，支付欺詐場景的批量操作行為比業務作弊場景少很多，原因是在攜程平臺上，欺詐分子相當于一個承接正常用戶需求的代訂中介，在沒有需求的情況下，他們沒有必要通過走量的形式進行銷贓。這樣的業務特性導致支付欺詐多為無規律性的單點攻擊，普通規則在模擬這種復雜邏輯場景的時候會存在一定劣勢，通常要么精度不夠，造成誤攔截過多，要么無法捕捉作案手法。與普通規則不同的是，模型可以在多變量前提下進行數據擬合，從而捕捉復雜作案手法。

3. 壞樣本稀少

在支付反欺詐場景中，壞樣本的主要來源有兩部分：在風控運營過程中，人工攔截或規則、模型自動攔截的風險訂單；風控策略無法識別并最終產生損失的風險訂單。在風險訂單中，風控策略能夠攔截的占絕大部分，而我們需要注意的恰恰是無法識別的那部分，但這部分案件樣本相當稀少，這給規則和模型的學習帶來不小的挑戰。

01風控變量體系

數據決定模型的上限。

總結

以上是生活随笔為你收集整理的深度学习核心技术精讲100篇（七十九）-深度学习应用实战案例：携程金融自动化迭代反欺诈模型体系的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。