摘要：以創新的雙維度時序建模框架提升交易風險評估效率
人工智慧領域的國際頂級學術會議AAAI於近期公布了2021年會議的審稿結果，螞蟻安全天筭實驗室安全專家、安全機器智能團隊成員宋博文(花名千輕)與中科院計算所莊福振副研究員團隊的聯合研究論文《Modeling the Field Value Variations and Field Interactions Simultaneously for Fraud Detection》成功被AAAI-21收錄。
AAAI(the Association for the Advance of Artificial Intelligent)是美國人工智慧協會，其組織的年度會議(The National Conference on Artificial Intelligence)是專注於人工智慧領域的頂級學術會議。AAAI-21將於2021年2月2日—9日以虛擬會議的形式在線舉行。據官方公布，AAAI-21共收到9034篇投稿，其中接受1692篇，錄取率僅為21%，錄取難度高。
此次螞蟻安全天筭實驗室與中科院計算所合作開展的課題目標是通過建設行為序列深度學習模型來解決交易風險評估的問題。本次研究提出的DIFM(Dual Importance-aware Factorization Machines)模型是基於螞蟻安全天筭實驗室於SIGIR20提出的NHFM(Neural Hierarchical Factorization Machines)建模框架的優化迭代版本。
基於行為時序信息的深度學習模型在智能風控場景中的應用變得越來越廣泛，NHFM 便是通過對用戶過去一段時間內先後行為(如註冊、登錄、支付等)的刻畫，搭建層次FM模型來解決風險建模問題。行為時序的構建有三個要素：時間戳、串聯維度以及行為。傳統的建模方案大多基於單一的串聯維度構建時序信息：如構建某用戶A在過去一段時間內的操作時序信息的時候，用戶A便是這裡的串聯維度。隨著風險對抗的加強，單一維度的時序刻畫在風險識別覆蓋上已經遇到了一定的瓶頸。
在本篇論文中，螞蟻安全實驗室聯合中科院計算所創新性地提出了雙維度時序建模框架DIFM，通過增加行為內屬性時序信息刻畫模塊來提升模型的識別性能。如上面的例子中，DIFM模型不僅考慮用戶A的操作時序，還同時會考慮用戶A在不同操作中的環境變化如WiFi、IP是否發生變化等。在卡支付風險交易的識別能力上，DIFM相較傳統方案有4%-6%的提升。同時，由於attention機制的引入，DIFM可以同時輸出同風險強關聯的維度屬性，在模型可解釋性上也有很大提升。
中科院計算技術研究所副研究員莊福振表示：「相較於僅使用單維度行為時序的傳統交易風險評估方案，本次與螞蟻的聯合研究創新性地提出了雙維度時序建模框架，增加了對屬性狀態變化的捕捉模塊，來刻畫行為風險模式，並在真實數據集取得了很好的效果。相信在這一技術上的創新將進一步加強支付寶安全智能風控的能力，更好地保障用戶的資金安全，也對提升行業整體的風控水平起到重要作用。」
螞蟻安全天筭實驗室安全專家宋博文表示，本篇中稿論文所探討的雙維度時序建模框架是螞蟻安全天筭實驗室在深度學習板塊時序信息預測的最新能力產出。該框架已逐步在國際場景中應用和落地，為阿里巴巴東南亞電商業務帶去了實實在在的智能風控成果，促進消費者的體驗升級。
螞蟻安全天筭實驗室
螞蟻安全天筭實驗室隸屬於螞蟻安全九大實驗室之一，圍繞智能風控和反欺詐技術，探索安全領域的機器學習等前沿問題，致力於打造全球領先的智能風控體系。螞蟻安全天筭實驗室也是守護支付寶「你敢付我敢賠」承諾的中堅力量。