常熟農商銀行：基于規則、AI模型、知識圖譜三層智能反詐系統

來源：鑫智獎·2025第六屆金融機構數智化轉型優秀案例評選

獲獎單位：常熟農商銀行

榮獲獎項：數字風控優秀案例獎

一、項目背景

近年來，電信詐騙案件頻發，給社會和銀行客戶帶來了巨大的經濟損失，同時，犯罪團隊逐漸隱蔽化、團伙化、專業化，日益演化成一條分工明確、結構完整的成熟產業鏈，給電信詐騙的防控工作帶來了前所未有的挑戰。據報道，2022年全國電詐損失總金額高達2萬億，2023年依舊超萬億。在此背景下，我行積極響應國家反詐號召，致力于通過先進的數據挖掘、機器學習和圖計算技術，構建了一套“規則+模型 +知識圖譜”的三層智能防控體系，以保護客戶資金安全，維護金融秩序穩定。

二、需求分析

1.模型粒度

模型需覆蓋賬戶和交易兩個層面。首先，需要從賬戶角度出發，識別高風險涉案賬戶，并進行管控；其次，需要從交易角度，實時監測和攔截可疑交易，實現高效精準防控；最后，從關聯關系角度，通過知識圖譜挖掘跨賬戶、設備、網絡等關聯關系，實現對犯罪團隊的挖掘。

2.模型輸出目標

根據模型的底層方法、運行方式和業務場景的不同，會輸出不同的關鍵信息，以下是不同場景下，模型的輸出要素：

實時規則模型：該類模型用于運用在對風險交易進行實時攔截的場景，需要較強的可解釋性，因此輸出包括：結論、處置建議（僅攔截、凍結賬戶、賬戶限額等）、觸發規則、運行指標、時間、基礎入參等數據，同時在模型觸發，進行交易攔截后，會同步下發預警流程至網點進行核實。

離線機器學習模型：該類模型主要運用在涉案賬戶事后的識別和管控上，有一定可解釋性要求，因此主要輸出包括：賬戶、風險系數、分類、重要特征、時間。

離線圖模型：該類模型主要基于關聯關系識別風險關聯賬戶，識別結果會推送給開戶機構進行分析，輸出要素包括：賬戶、關聯賬戶、風險類型、傳導系數等。

3.模型調度周期

根據不同模型、算法的執行性能和效果，模型的調度周期分為實時和離線兩個調度周期，具體包括：

實時：針對具備良好的執行性能，能夠支持毫秒級響應時效的模型（規則模型為主），實時嵌入到每一筆交易過程中，實現風險實時的識別、預警和阻斷。

離線：針對執行性能稍差或需要進行大規模數據計算的模型，如：機器學習模型、圖模型等。采用每日更新一次，作為實時模型的補充，提升整體風險事件識別的覆蓋率。

同時，會不定期回溯模型運行的歷史數據，分析最新的通報案例，針對新的犯罪手法和特征，對模型持續進行更新。

三、創新點

采用“規則+AI模型+知識圖譜”的三層智能風控體系，結合多種建模方法。首先，基于專家經驗構建規則模型，對明顯的異常交易進行實時攔截；其次，運用機器學習算法（如邏輯回歸、隨機森林、XGBoost等）構建分類模型，整合行內所有數據，對復雜的風險特征進行學習和識別，實現T+1風險預警；最后，利用圖算法構建知識圖譜，挖掘賬戶之間的關聯關系，識別團伙作案等復雜風險場景。

體系中的各個部分互相聯動，AI模型在迭代過程中，通過實時變量檢測持續輸出高價值特征變量反哺專家規則，專家規則也會結合人工校驗對AI模型的訓練進行矯正，實現同步優化。另外基于知識圖譜可以有效挖掘關聯關系特征變量以及團伙或黑產社群等輔助判斷指標，同樣可以作為模型變量用于AI模型訓練，進一步提高AI模型的甄別范圍，信息熵較高的特征或條件也會直接作用于專家規則。通過這樣聯動的方式形成動態的防控體系，識別效果隨著不斷使用會持續提升。

四、項目技術方案

1.樣本規則

樣本分為正樣本和負樣本。正樣本來源于公安部門，下發的涉案賬戶及關聯的具體涉案交易；負樣本則通過隨機抽取與涉案交易相同時間內的正常賬戶交易數據獲得。同時，根據賬戶用途（如貸款賬戶、工資卡賬戶等）對樣本進行分層，以構建針對性模型。

2.標簽規則

賬戶維度以公安部門確認的涉案賬戶為正標簽，以正常賬戶為負標簽，具體為：

賬戶正標簽：賬戶在公安下發名單中，用1表示；

賬戶負標簽：賬戶不在公安下發清單中，用0表示；

交易維度，以公安部門下發的涉案賬戶，發生的具體涉案資金的進、出賬交易為正標簽，以非涉案賬戶或非涉案資金交易為負標簽，具體為：

交易正標簽：根據公安下發的涉案賬戶清單，結合下發時間、金額等數據，對涉案賬戶的交易流水數據進行分析，由相關業務領域專家，基于專家經驗結合典型異常特征，人工標注出涉案資金的交易，為正標簽，用1表示；

交易負標簽：非涉案賬號的交易或非涉案資金的交易，為負標簽，用0表示。

3.規則模型構建

在進行規則模型構建時，包括下列主要過程：

特征提取：根據業務經驗和數據分析結果，從專家經驗對特征進行定性分析，同時，從IV、相關性系數、特征分布、PSI等進行定量分析，最終提取出高有效性特征；

確定閾值：基于歷史數據分布情況，確定規則的閾值，制定出一系列規則，如“單筆交易金額大于50萬元”“交易對手為陌生賬戶”“賬戶在短時間內頻繁發生大額轉賬交易”等；

規則組合：再將多條規則組合形成模型，如“單筆交易金額大于50萬元且交易對手為陌生賬戶且賬戶在短時間內頻繁發生大額轉賬交易”等；

模型驗證：通過樣本數據對模型進行驗證，統計模型的召回率、精確率，驗證效果達標后，如：召回率>30%且精確率>1%，提交研發部署。

模型部署：部署在風控中臺系統內，對所有交易進行實時監測，直接對滿足規則的交易進行攔截。

4.機器學習模型構建

本次項目中，嘗試使用邏輯回歸、隨機森林、XGBoost等多種算法進行訓練，大致過程如下：

數據清洗：分析收集到的基礎樣本數據，對其中的異常值、缺失值等數據進行處理，具體包括：樣本過濾，如：剔除無法關聯的樣本數據；數值轉換，如：核心記賬交易金額為負數，轉換成正數；異常值處理，如：交易備注包含逗號，導致CSV解析異常，替換成中文；缺失值處理，交易對手名稱為null時，用空字符串填充；缺失字段過濾，核心記錄的交易對手銀行所在地有大量缺失，去除該字段等等。

特征工程：首先，對基礎字段通過維度交叉或時間窗口的方式進行加工，衍生出更多特征，如：近5天同金額進出賬次數、近2天大額陌生交易次數、交易對手卡bin所在地等；其次，使用LabelEncode、One-Hot等方法，對分類字段進行標簽編碼，如：交易類型；再次，對交易金額、賬戶余額、累計金額、累計次數等連續特征進行分箱，以便模型識別特征的非線性關系，如：近2天交易次數分為十分頻繁、頻繁、低頻、很低；最后，通過IV值、相關性系數分析特征的有效性，通過PSI等指標分析特征的穩定性，調選合適的特征入模。

模型構建：對特征進行歸一化、標準化處理后，分別使用邏輯回歸、隨機森林、XGBoost等算法進行訓練，通過交叉驗證和網格搜索等方法優化模型超參，如：evak_metric、learning_rete、depth、l2_leaf_reg、loss_function等，提高模型的精確率和召回率。

模型驗證：模型訓練完成后，使用訓練集初步驗證模型的精確率、召回率、AUC，在初步驗證通過后，保存訓練好的權重。另外編寫測試代碼，加載權重，使用測試集數據進行進一步驗證。

5.圖知識圖譜構建

數據入圖：利用知識圖譜技術，接入行內交易流水數據，輔助中心人員對發現的可疑客戶線索，挖掘是否有關聯交易對手等關聯關系、相同IP交易客戶，加強團伙作案線索的挖掘。

集成圖算法：運用圖算法、圖模型、知識解析等知識圖譜技術，構建反洗錢團伙識別、反洗錢線索挖掘、黑中介識別等模型，深挖黑灰名單的多層關系網絡，進一步發現潛在風險。

五、項目過程管理

六、運營情況

在不同月份的數據測試中，模型的精確率和召回率波動較小，均在合理范圍內，表明模型對不同時間、不同業務場景下的數據具有較強的適應能力。

通過特征工程構建了60余個特征，進行分析發現其中30個為有效特征，因保密性要求僅挑選部分行業內常用特征進行展示。

本次項目研發規則模型7套，其中4套已在系統內部署運行，3套在部署中，下圖為我行通過系統內部署的規則模型，進行實時風險交易攔截的展示：

本次項目研發機器學習模型1套，通過T+1的方式離線運行，運行結果會發送給業務，由業務進行核實確認和處置。

本次項目研發圖模型1套，通過T+1的方式離線運行，運行結果會提供可視化頁面，同步會給業務發送消息提醒，由業務查看頁面，結合其他數據判斷是否確實可疑。

七、項目成效

穿透反詐的技術的縱深：融合專家規則、機器學習模型以及知識圖譜關聯推理，形成縱深反詐防御體系，反詐識別層級進一步提高，涉案資金攔截率提升至63.67%。

全場景生態覆蓋：落地1154項規則，精準識別洗錢、非法集資、團伙詐騙等電信詐騙場景，接入公安、運營商、三方數據、行內信息等多個數據源，構建億級實體關系的反詐生態圖譜。高危賬戶識別半徑擴大3倍。

風險賬戶精準狙擊：通過三層防控體系，模型整體干擾率從行業平均的0.01%降至0.004%，避免正常用戶交易摩擦。

毫秒級響應攔截：每日實時監測交易近400余萬筆，實現了涉案交易的毫秒級攔截。

八、經驗總結

本項目以“規則引擎+AI模型+知識圖譜”三位一體為核心，分階段推進智能反詐系統建設，實現技術攻關與業務落地的協同增效。

項目在需求調研階段重點完成規則引擎動態攔截、AI模型風險評分、知識圖譜關系挖掘等模塊的技術可行性論證；在實施階段通過三階段迭代開發，逐步構建“實時攔截-深度分析-動態調優”的全鏈路能力：一階段聚焦規則邏輯配置與監督學習模型訓練，二階段引入知識圖譜實現資金網絡穿透與團伙識別，三階段打通模型反饋閉環，形成規則與AI的雙向優化機制。項目通過團隊協作，最終實現毫秒級交易風控響應、未知欺詐模式識別、跨層級資金鏈治理等突破，打造了“技術防御-數據洞察-業務運營”的自動化閉環，為金融機構建立可持續進化的智能風控體系提供實踐范本。

更多金融科技案例和金融數據智能優秀解決方案，請在數字金融創新知識服務平臺-金科創新社案例庫、選型庫查看。