互聯(lián)網(wǎng)平臺智能風控實戰(zhàn)

目? 錄
第1章
解密黑產(chǎn)
1.1 認識黑產(chǎn) / 2
1.1.1 黑產(chǎn)的危害 / 2
1.1.2 黑產(chǎn)的產(chǎn)生 / 4
1.1.3 黑產(chǎn)的類型 / 5
1.1.4 黑色產(chǎn)業(yè)鏈 / 6
1.1.5 黑產(chǎn)的焦點 / 9
1.2 黑產(chǎn)運作 / 10
1.2.1 外賣領(lǐng)域的黑產(chǎn)運作 / 11
1.2.2 出行領(lǐng)域的黑產(chǎn)運作 / 13
1.2.3 金融領(lǐng)域的黑產(chǎn)運作 / 14
1.2.4 黑產(chǎn)的特點 / 15
1.3 黑產(chǎn)技術(shù)演變 / 16
1.3.1 風險控制的發(fā)展階段 / 16
1.3.2 黑產(chǎn)的發(fā)展階段 / 17
第2章
風控解決方案
2.1 風險的范圍和種類 / 20
2.1.1 風險的范圍 / 20
2.1.2 風險的種類 / 20
2.2 風控的團隊配備 / 21
2.3 智能風控的技術(shù)思路 / 23
2.3.1 智能風控的定義 / 23
2.3.2 設(shè)備指紋 / 23
2.3.3 規(guī)則引擎 / 25
2.3.4 監(jiān)督學習模型 / 28
2.3.5 無監(jiān)督學習模型 / 30
2.3.6 知識圖譜 / 36
2.3.7 深度學習 / 37
2.3.8 聯(lián)防聯(lián)控 / 39
2.3.9 系統(tǒng)化解決方案 / 41
2.4 風控系統(tǒng)框架實例 / 44
2.4.1 外賣風控系統(tǒng)框架 / 44
2.4.2 電商風控系統(tǒng)框架 / 45
2.4.3 金融風控系統(tǒng)框架 / 47
2.4.4 視頻風控系統(tǒng)框架 / 49
2.4.5 小結(jié) / 50
2.5 智能風控系統(tǒng)的構(gòu)建要點 / 50

第3章
核心：理解業(yè)務(wù)、服務(wù)于產(chǎn)品
3.1 風控、業(yè)務(wù)和產(chǎn)品 / 54
3.1.1 風控工作的生存困境 / 54
3.1.2 如何理解業(yè)務(wù) / 55
3.1.3 業(yè)務(wù)理解的認知表現(xiàn) / 56
3.1.4 業(yè)務(wù)理解的行動表現(xiàn) / 58
3.1.5 數(shù)據(jù)和模型論 / 60
3.1.6 理解業(yè)務(wù)的風控實例 / 61
3.2 風控需要被理解 / 62
3.2.1 模型可解釋性 / 63
3.2.2 全局解釋 / 64
3.2.3 模型相關(guān)的解釋方法 / 72
3.2.4 模型無關(guān)的解釋方法 / 75
3.3 引導(dǎo)型風控 / 87
第4章
關(guān)鍵：數(shù)據(jù)的重要性
4.1 數(shù)據(jù)的價值 / 91
4.2 大數(shù)據(jù)風控誤區(qū) / 92
4.2.1 大數(shù)據(jù)風控污名化 / 92
4.2.2 被忽視的數(shù)據(jù)質(zhì)量問題 / 93
4.2.3 大數(shù)據(jù)并不“大” / 93
4.3 數(shù)據(jù)的搜集 / 94
4.3.1 數(shù)據(jù)源 / 94
4.3.2 埋點采集 / 95
4.4 風控數(shù)倉 / 97
4.4.1 風控數(shù)據(jù)流程 / 97
4.4.2 大寬表與數(shù)據(jù)指標 / 100
4.5 特征工程 / 102
4.5.1 特征構(gòu)造 / 102
4.5.2 特征加工處理 / 103
4.5.3 特征選擇和降維 / 107
4.6 案例 / 114
4.6.1 一個簡單的例子 / 114
4.6.2 Kaggle 比賽的例子 / 117
4.7 風控的數(shù)據(jù)輸出 / 118
4.8 數(shù)據(jù)可視化分析 / 120
第5章
手段：規(guī)則、模型和監(jiān)控
5.1 設(shè)備指紋 / 124
5.1.1 Hook 機制 / 125
5.1.2 反 Hook / 128
5.1.3 設(shè)備指紋技術(shù) / 131
5.1.4 模擬器 / 135
5.1.5 群控 / 云控系統(tǒng) / 138
5.2 規(guī)則引擎 / 141
5.2.1 規(guī)則引擎的總體架構(gòu) / 141
5.2.2 規(guī)則引擎的核心技術(shù) / 143
5.3 風控模型方法 / 146
5.3.1 評分卡 / 146
5.3.2 監(jiān)督學習模型 / 155
5.3.3 樣本不均衡處理策略 / 158
5.3.4 PU Learning / 173
5.3.5 主動學習和遷移學習 / 175
5.3.6 社區(qū)發(fā)現(xiàn) / 178
5.3.7 異構(gòu)網(wǎng)絡(luò)的密集子圖挖掘 / 190
5.3.8 圖神經(jīng)網(wǎng)絡(luò)（GNN） / 200
5.3.9 知識圖譜 / 210
5.3.10 其他算法模型 / 218
5.4 監(jiān)控 / 220
5.4.1 大盤指標監(jiān)控 / 221
5.4.2 規(guī)則監(jiān)控 / 222
5.4.3 模型穩(wěn)定性監(jiān)控 / 224
5.4.4 變量級監(jiān)控 / 228
5.4.5 情報和輿情監(jiān)控 / 230
第6章
場景：反制手段的應(yīng)用
6.1 系統(tǒng)性防御 / 233
6.2 刷銷量、好評、排名、榜單 / 234
6.2.1 背景 / 235
6.2.2 技術(shù)手段 / 237
6.2.3 案例 / 240
6.3 刷紅包、優(yōu)惠券 / 243
6.3.1 背景 / 243
6.3.2 技術(shù)手段 / 245
6.3.3 案例 / 245
6.4 刷團伙、群控、BC 聯(lián)合套現(xiàn) / 255
6.4.1 背景 / 256
6.4.2 技術(shù)手段 / 257
6.4.3 案例 / 259
6.5 虛假商戶、虛假申請、虛假賬號、
多角色聯(lián)合的虛假孤島 / 274
6.5.1 背景 / 275
6.5.2 技術(shù)手段 / 275
6.5.3 案例 / 276
6.6 刷廣告、渠道推廣 / 282
6.6.1 背景 / 284
6.6.2 技術(shù)手段 / 286
6.6.3 案例 / 291
6.7 舞弊刷業(yè)績—銷售 / 296
6.7.1 背景 / 296
6.7.2 技術(shù)手段 / 298
6.7.3 案例 / 299
6.8 內(nèi)容風險 / 311
6.8.1 背景 / 312
6.8.2 技術(shù)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 技術(shù)手段 / 321
6.9.3 案例 / 322
6.10 分角色治理 / 323
第7章
評估：損失與收益的平衡
7.1 評估的意義和困難 / 327
7.2 評估指標 / 328
7.2.1 有明確樣本集的評估 / 328
7.2.2 無明確樣本集的評估 / 332
7.3 樣本來源 / 335
7.4 A/B 測試 / 336
7.4.1 A/B 測試原理 / 336
7.4.2 風控中的 A/B 測試 / 337
7.5 損失與收益評估 / 338
7.5.1 業(yè)務(wù)損失和收益評估 / 338
7.5.2 風控視角的損失和收益評估 / 339
7.5.3 實施方法 / 339
第8章
管理平臺：直觀的可視化工具和管控工具
8.1 管理平臺的重要性 / 342
8.2 可視化看板 / 343
8.3 可解釋性與可視化 / 347
8.4 查詢分析平臺 / 354
8.5 監(jiān)控和引擎配置平臺 / 356
8.6 其他工具 / 357
8.7 小結(jié) / 358
第9章
風控的挑戰(zhàn)與智能風控系統(tǒng)的搭建原則
9.1 風控的痛點與挑戰(zhàn) / 360
9.2 搭建智能風控系統(tǒng)的原則 / 362
9.3 搭建智能風控系統(tǒng)的注意事項 / 364
第 10 章
風控的未來技術(shù)
10.1 未來的技術(shù)趨勢 / 370
10.2 智能風控公司的機遇 / 373