正文

请到「今天看啥」查看全文

反洗钱

另外一个很大的问题是反洗钱， 怎么 通过机器学习的角度，自动地系统化地来学习 ，是非常有意思的一个问题。所以我们建立了反洗钱模型，用的是无监督或者弱监督图算法，用于资金交易网络特征挖掘和无监督隐案挖掘。这都用到了真实的这案例中。

垃圾账户识别

举一个具体化的例子：垃圾账户识别。垃圾账户注册防控能够降低后端风险基数，稳定大盘指标，极大地提高整体的账户质量。 控制垃圾账户的注册，确定账户是一个真实的有效的账户，是一个很关键的问题。

对于新注册用户，怎么来判定这是不是一个垃圾用户？ 我们的想法是从系统的角度来考虑人和这个社会之间的关联，然后构造网络，从网络结构来思考，一个人的信息不会很多，那么可以借整个网络的信息来一起分析。具体来讲就是组里老师开发了一个叫Struc2vec的算法，核心思想非常简单：把网络和深度学习结合起来。

Struc2vec算法的规则，很好地平衡了预测准确率和预测召回率。基本上是在90%的召回率情况下，准确率也基本能达到90%左右。

说明这个算法有非常强的区分能力，能够比较准确地区分一个账号的好坏，同时和经典的规则以及Node2vec比较，预测召回率也有所提升。

智能营销

再说一下智能营销中的应用。很多公司都有增长用户的需求，那怎么来促进增长？平台怎么把商家和用户连接起来，那是非常关键的一个问题。

这里面我们就考虑到强化学习和加强学习， 它的核心思想是：把现实的决策问题，放在数学的框架下来考虑。 它的优势是能精准刻画用户状态、多渠道组合决策和全人群差异化决策。

去年提过，深度学习有一个非常大的提升，现在比深度学习的方法又有了一个很大的提升。在推荐卡片点击率上，实时深度强化模型较深度学习提升了70%；在最终签约率上，提升了50%。

再讲另外一个跟营销相关的问题。在现实生活中，大家可以看到不同的信息，那能不能把所有的信息源融合在一起？也就是怎么把信息融合在一起，使我们能看到更全面的细信息，来帮助更加精准地理解和判断。在金融的场景里，怎么把不同的行为结合起来。

这是非常有意思的一个问题。在这上面也可以理解为把很多数据源都接进来，然后在隐含空间里面把数据做一个综合，用统一的框架来表示。

举个真实的例子。看右边这张图，大家看到什么共同的特征？是很多穿着紧身牛仔裤的年轻女孩子，分析这个行为，发现买紧身牛仔裤的女孩，较其他人，买手机碎屏的服务的概率比较高。

于是我们就开发了叫做“碎屏险”的产品，这是非常小但很创新的产品，我们做推荐的人群就是左图这群人。

还有非常多类似的事情，一旦发现数据间的强关联之后，就能用很多应用来解决一些小的问题。

保险

举一个定损宝的例子。

请到「今天看啥」查看全文