互联网平台智能风控实战

　　风控是互联网平台业务的重要环节。随着业务的迅速发展，黑灰产问题逐渐突出，大数据和人工智能技术的普及为智能风控提供了强力支撑。本书以作者实践经验和总结为基础，介绍搭建智能风控系统对抗黑灰产的方法。全书共10章，按如下思路组织内容： （1）认识问题：第1章介绍常见的黑产类型，解密黑产运转的内幕，带读者认识建立风控体系的必要性。 （2）分析问题：第2章分析风险范围和种类，提出智能风控的系统框架和需要的各项能力，从整体上介绍智能风控系统，避免一开始就陷入技术细节。 （3）解决问题：包括第3~8章，介绍搭建智能风控系统需要的软硬能力，包括理解业务和避免过度黑盒的实用方法、数据建设、常用技术手段（监督学习、迁移学习、GNN等）、量化评估和可视化效果呈现。 （4）总结与展望：包括第9章和第10章，总结搭建智能风控系统的注意事项，简单展望智能风控技术的发展趋势和前景。 本书内容源自作者的工作实践和经验总结，适合风控从业人员（技术管理者、分析师、算法工程师、产品经理）以及其他对互联网风控感兴趣的人员阅读。

　　王永会，2012年毕业于北航，先后任职于腾讯、百度，长期从事风控工作，依托大数据和机器学习技术建立了以健康度模型为中心的智能风控体系，在黑灰产打击方面积累了丰富经验。

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