1.1 文档目的

本文档旨在系统总结风控策略算法的实战经验，帮助读者：

1.2 核心结论

选型基本原则：
- 在风控场景中，算法效果不仅取决于模型本身，还取决于业务目标、数据形态、实时性要求、可解释性等等约束条件，因此并不存在一个最优的算法适用于解决一切问题，而是需要根据特定场景选择最合适的方案。
- 风控天然是一个“多约束优化问题”，需要从多角度对问题进行权衡抉择：
  - 精度 vs 召回
  - 拦截率 vs 用户体验
  - 实时性 vs 模型复杂度
  - 可解释性 vs 效果

通过树形结构进行决策的模型，每个节点代表一个特征判断，叶子节点代表最终决策结果。

业务背景：面对电商与补贴场景下的黄牛攻击风险，风控会基于多维度进行风险识别，对于黄牛用户下单进行砍单处理。
核心问题：
- 与正常用户相比，黄牛用户具有什么样的特点？
- 如何利用已有信息快速识别出黄牛风险？
数据准备：
- 来源：机审事件日志表（聚合模型推理与特征快照日志）
- 特征：从特征池中筛选有明确业务含义与信息量的核心维度
- 标签：将砍单订单作为黑样本，其余为白样本，设定样本标签 $y$
模型训练与调参：

规则提取与评估：
- 提取决策树中从根节点到每个叶子节点的路径，即为一条策略规则
- 统计每个路径对应策略的黑样本比例，作为该策略的准确率参考
- 评估规则集在测试集上的表现，并在生产环境全量流量上做影子推演

基于图论，将用户、设备、IP 等实体作为节点，关联关系作为边，通过图结构识别团伙作弊。

这是一种“基于文本相似图 + 社区划分 + PageRank 排序”的策略挖掘方法，可以快速发现地址聚类关系和关键节点，更偏探索性分析。

优点：

缺点：

利用大模型辅助对训练样本进行打标，训练小模型（BERT/BiLSTM）进行高效线上推理。

业务背景：黄牛文本与变体暗语内容识别
核心结论：大模型适合离线打标（代替人工打标），线上推理建议用小模型，兼顾效果和成本。
样本准备：
- 粗筛（保召回）：基于正则过滤疑似样本
- 大模型离线打标：Prompt 设计、首轮标注、质量校验与二次人审校验
小模型训练：
- 模型选择：BERT 中文轻量基座模型
- 训练流程：数据划分、训练参数微调、测试集准召验证
- 结果评估：重点针对模型错误分类的样本进行二次人工审核，若属于标签错误则调整标签重新训练
线上部署：通过高可用模型推理容器集群提供低时延在线服务。

风控策略配置平台，支持规则配置、策略开发、实验评估、监控告警等功能。

模块	功能	使用场景
策略中心-事件管理	接口事件开发、错误码管理	在新业务场景需要对外提供新的风控接口时，开发新的接口事件
策略中心-策略配置	策略规则配置	利用特征、函数和逻辑组合开发新的策略
策略中心-事件查询	接口事件请求日志查询、策略命中归因等	案例排查命中策略归因、参数传递确认
特征中心	特征配置、接入、监控、测试等	新建编辑特征、聚合类特征配置 Redis 存取、服务类特征配置 RPC