互聯網平臺智能風控實戰

風控是互聯網平臺業務的重要環節。隨著業務的迅速發展，黑灰產問題逐漸突出，大數據和人工智能技術的普及為智能風控提供了強力支撐。本書以作者實踐經驗和總結為基礎，介紹搭建智能風控系統對抗黑灰產的方法。全書共10章，按如下思路組織內容： （1）認識問題：第1章介紹常見的黑產類型，解密黑產運轉的內幕，帶讀者認識建立風控體系的必要性。 （2）分析問題：第2章分析風險範圍和種類，提出智能風控的系統框架和需要的各項能力，從整體上介紹智能風控系統，避免一開始就陷入技術細節。 （3）解決問題：包括第3~8章，介紹搭建智能風控系統需要的軟硬能力，包括理解業務和避免過度黑盒的實用方法、數據建設、常用技術手段（監督學習、遷移學習、GNN等）、量化評估和可視化效果呈現。 （4）總結與展望：包括第9章和第10章，總結搭建智能風控系統的註意事項，簡單展望智能風控技術的發展趨勢和前景。 本書內容源自作者的工作實踐和經驗總結，適合風控從業人員（技術管理者、分析師、算法工程師、產品經理）以及其他對互聯網風控感興趣的人員閱讀。

王永會，2012年畢業於北航，先後任職於騰訊、百度，長期從事風控工作，依託大數據和機器學習技術建立了以健康度模型為中心的智能風控體系，在黑灰產打擊方面積累了豐富經驗。

第1章
解密黑產
1.1 認識黑產 / 2
1.1.1 黑產的危害 / 2
1.1.2 黑產的產生 / 4
1.1.3 黑產的類型 / 5
1.1.4 黑色產業鏈 / 6
1.1.5 黑產的焦點 / 9
1.2 黑產運作 / 10
1.2.1 外賣領域的黑產運作 / 11
1.2.2 出行領域的黑產運作 / 13
1.2.3 金融領域的黑產運作 / 14
1.2.4 黑產的特點 / 15
1.3 黑產技術演變 / 16
1.3.1 風險控制的發展階段 / 16
1.3.2 黑產的發展階段 / 17

第2章
風控解決方案
2.1 風險的範圍和種類 / 20
2.1.1 風險的範圍 / 20
2.1.2 風險的種類 / 20
2.2 風控的團隊配備 / 21
2.3 智能風控的技術思路 / 23
2.3.1 智能風控的定義 / 23
2.3.2 設備指紋 / 23
2.3.3 規則引擎 / 25
2.3.4 監督學習模型 / 28
2.3.5 無監督學習模型 / 30
2.3.6 知識圖譜 / 36
2.3.7 深度學習 / 37
2.3.8 聯防聯控 / 39
2.3.9 系統化解決方案 / 41
2.4 風控系統框架實例 / 44
2.4.1 外賣風控系統框架 / 44
2.4.2 電商風控系統框架 / 45
2.4.3 金融風控系統框架 / 47
2.4.4 視頻風控系統框架 / 49
2.4.5 小結 / 50
2.5 智能風控系統的構建要點 / 50

第3章
核心：理解業務、服務於產品
3.1 風控、業務和產品 / 54
3.1.1 風控工作的生存困境 / 54
3.1.2 如何理解業務 / 55
3.1.3 業務理解的認知表現 / 56
3.1.4 業務理解的行動表現 / 58
3.1.5 數據和模型論 / 60
3.1.6 理解業務的風控實例 / 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 模型相關的解釋方法 / 72
3.2.4 模型無關的解釋方法 / 75
3.3 引導型風控 / 87

第4章
關鍵：數據的重要性
4.1 數據的價值 / 91
4.2 大數據風控誤區 / 92
4.2.1 大數據風控污名化 / 92
4.2.2 被忽視的數據質量問題 / 93
4.2.3 大數據並不“大” / 93
4.3 數據的蒐集 / 94
4.3.1 數據源 / 94
4.3.2 埋點採集 / 95
4.4 風控數倉 / 97
4.4.1 風控數據流程 / 97
4.4.2 大寬表與數據指標 / 100
4.5 特徵工程 / 102
4.5.1 特徵構造 / 102
4.5.2 特徵加工處理 / 103
4.5.3 特徵選擇和降維 / 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 風控的數據輸出 / 118
4.8 數據可視化分析 / 120

第5章
手段：規則、模型和監控
5.1 設備指紋 / 124
5.1.1 Hook 機制 / 125
5.1.2 反 Hook / 128
5.1.3 設備指紋技術 / 131
5.1.4 模擬器 / 135
5.1.5 群控 / 雲控系統 / 138
5.2 規則引擎 / 141
5.2.1 規則引擎的總體架構 / 141
5.2.2 規則引擎的核心技術 / 143
5.3 風控模型方法 / 146
5.3.1 評分卡 / 146
5.3.2 監督學習模型 / 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 社區發現 / 178
5.3.7 異構網絡的密集子圖挖掘 / 190
5.3.8 圖神經網絡（GNN） / 200
5.3.9 知識圖譜 / 210
5.3.10 其他算法模型 / 218
5.4 監控 / 220
5.4.1 大盤指標監控 / 221
5.4.2 規則監控 / 222
5.4.3 模型穩定性監控 / 224
5.4.4 變量級監控 / 228
5.4.5 情報和輿情監控 / 230

第6章
場景：反製手段的應用
6.1 系統性防禦 / 233
6.2 刷銷量、好評、排名、榜單 / 234
6.2.1 背景 / 235
6.2.2 技術手段 / 237
6.2.3 案例 / 240
6.3 刷紅包、優惠券 / 243
6.3.1 背景 / 243
6.3.2 技術手段 / 245
6.3.3 案例 / 245
6.4 刷團伙、群控、BC 聯合套現 / 255
6.4.1 背景 / 256
6.4.2 技術手段 / 257
6.4.3 案例 / 259
6.5 虛假商戶、虛假申請、虛假賬號、多角色聯合的虛假孤島 / 274
6.5.1 背景 / 275
6.5.2 技術手段 / 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 技術手段 / 286
6.6.3 案例 / 291
6.7 舞弊刷業績—銷售 / 296
6.7.1 背景 / 296
6.7.2 技術手段 / 298
6.7.3 案例 / 299
6.8 內容風險 / 311
6.8.1 背景 / 312
6.8.2 技術手段 / 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 業務損失和收益評估 / 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
管理平台：直觀的可視化工具和管控工具
8.1 管理平台的重要性 / 342
8.2 可視化看板 / 343
8.3 可解釋性與可視化 / 347
8.4 查詢分析平台 / 354
8.5 監控和引擎配置平台 / 356
8.6 其他工具 / 357
8.7 小結 / 358

第9章
風控的挑戰與智能風控系統的搭建原則
9.1 風控的痛點與挑戰 / 360
9.2 搭建智能風控系統的原則 / 362
9.3 搭建智能風控系統的注意事項 / 364

第 10 章
風控的未來技術
10.1 未來的技術趨勢 / 370
10.2 智能風控公司的機遇 / 373