金融風控的護航員——聊聊ERNIE在度小滿用戶風控的應用

現在，隨着技術的發展，對於普通消費用戶來說，想在網上借點錢花變得愈來愈容易，技術帶給咱們的便利性日漸突顯。同時，隨着消費金融的興起，徵信體系成爲了消費金融公司發展背後的主要障礙之一，信貸欺詐大量涌現。這給金融行業的發展帶來了極大的阻礙，導致不少借貸行爲沒法圓滿解決。

 

這個問題有多嚴重？

 

央行發佈的《2018年第三季度支付體系運行整體狀況》顯示，我國信用卡逾期半年未償信貸總額880.98億元，環比增加16.43%。

 

這意味着金融行業的風控需求異常迫切。面對更加下沉的客戶羣體、更加複雜的用戶信息，既須要保證業務安全合規，也須要把控風控尺度和客戶體驗之間的平衡。

 

那麼如今的金融機構是如何作這些的呢？

 

傳統金融機構裏會請金融風控師、審覈員等對借貸資質進行人工審覈，但該工做對相關從業人員的要求極高，既要有相關的背景知識可以對客戶的資信情況作全面瞭解，又要求嚴謹認真，有獨立的判斷能力。同時，隨着互聯網金融的發展，天天在平臺上發上的借貸行爲數以萬計，對於人力的消耗很是巨大，審覈標準的統一性、效率都難以保證。

 

另外，傳統的風控建模技術是基於小樣本的監督學習，依賴於特徵挖掘，須要耗費大量人力且依賴我的經驗。同時，對於小樣本的文本類數據處理每每缺少對上下文的理解，沒法提取其重點，致使對用戶的理解出現誤差。

 

那怎麼辦？這些難題如何破？

 

度小滿目前爲用戶提供教育貸和教育現金貸等業務，旨在「讓每個夢想有錢花」，幫助用戶進一步深造本身或者學習新的職業技能，屬於很是普惠的項目。

 

度小滿本次與百度的合做，目標是將百度自研的持續學習語義理解框架ERNIE應用到度小滿的用戶風控場景中。

 

 

ERNIE經過建模超大規模數據中的詞、實體以及實體之間的關係，可以學習到真實世界中豐富的語義知識，於是對於中文語義理解相較於傳統神經網絡更深刻。預訓練語言模型ERNIE蘊含豐富的語義知識，於是可以將其應用於須要文本語義理解的場景，只需將預訓練ERNIE在少許的人工標註數據上進行Finetune，就能夠獲得一個任務定製化的ERNIE模型。定製化的ERNIE模型不只學習到特定任務訓練數據中的信息，還蘊含其預訓練的語言模型信息，所以該模型可以達到很是好的效果。

 

在度小滿用戶風控場景中，經過ERNIE對用戶行爲信息進行語義層面深度建模，定製化產出一個用戶風控ERNIE模型。利用ERNIE模型的長文本建模能力和預訓練語義知識，結合小規模用戶行爲文本和用戶風控標籤的標註數據進行ERNIE精細Fine-tune，在訓練2輪左右的時間內便可完成用戶風控模型的收斂，而傳統模型動輒須要訓練100輪模型才能收斂。模型收斂速度提高50倍，因而可知ERNIE具備收斂快、擬合強、泛化好等優勢。

 

基於ERNIE的度小滿金融風控模型KS指標絕對提高1.5，AUC指標絕對提高1.5，優化了21.5%的用戶排序，有效地提高了優質客羣人數，有效地下降了貸款風險而且大幅度減小審覈人力。

 

將來雙方還將進一步深刻合做，將ERNIE強大的語義理解能力應用到更多的金融領域應用場景中，如：金融獲客、貸中管理等，助力金融行業的健康發展。

>> 訪問 PaddlePaddle 官網，瞭解更多相關內容。