案例名称

基于人工智能大小模型协同的金融风控创新实践

案例简介

中信银行以银行事后对话诈骗文本识别为切入点，针对多轮对话风险演化难捕捉、边缘样本易误判、诈骗话术更新快等痛点，构建“语义理解—知识增强—多模型裁决—结果解释”的智能风控框架。项目融合双曲空间建模、知识图谱检索增强生成（RAG）及大小模型协同机制，由小模型快速筛查、大模型对疑难样本深度推理，输出风险分类、置信度、关键证据和评估报告。消融实验中，叠加知识图谱RAG与双曲映射后，精确率达84.21%、召回率达100%。项目为复杂反诈场景提供可更新、可解释的辅助识别能力，探索以人工智能提升客户资金安全保护和数字金融风险防控水平的实践路径。

图1 面向银行诈骗识别的核心技术框架

创新技术/模式应用

围绕反诈与客户资金安全保护需求，构建“数据预处理—双曲映射—知识检索—模型判断—结果输出”技术链路，推动风控从单一规则命中转向语义、知识与模型协同判断。

一是双曲空间风险表征。运用庞加莱球模型，将对话文本、交易日志、风险知识和案例样本映射至负曲率空间，保留诈骗类型与行为链路的层级关系；通过双曲距离捕捉从正常咨询转向异常转账、屏幕共享等行为的语义突变，增强复杂分支、隐性诱导和边缘样本的区分能力。

二是知识图谱RAG动态增强。围绕“行业—类型—实体”组织领域知识，关联话术、行为、规则、案例和处置建议，以双曲距离优化检索，将匹配知识注入模型推理。新增诈骗类型、话术变体及风险提示可通过更新图谱与案例库纳入，降低对模型重新训练的依赖。

三是大小模型分层协同。机器学习小模型承担批量样本初筛和置信度判断，大语言模型针对高风险、低置信度及边缘案例，结合检索结果开展深度语义推理，再由混合裁决机制输出风险类别、等级和建议处置方式，兼顾识别效率、复杂语义理解与解释能力。

四是证据输出与业务复核协同。将判断结论关联至对话片段、知识节点、行为特征及规则依据，为业务人员复核、质检和策略优化提供支持；以真实业务问题牵引、产学研协同支撑，形成可更新、可解释、可推广的智能辅助识别模式。

图2 双曲空间与知识图谱RAG反诈风控闭环

项目效果评估

一、痛点解决与需求满足。针对传统规则和扁平文本分类难以刻画多轮对话风险演化、相似话术易混淆、风险知识更新滞后等问题，项目增强了层级语义理解、知识匹配和疑难样本分析能力。通过输出风险类别、证据片段及判断依据，支持风险人员开展事后排查和复核，回应客户资金安全保护与业务可解释性需求。

二、实验效果。项目开展消融实验，逐步引入检索增强、知识图谱及双曲映射，结果如下：

与基础大模型相比，叠加知识图谱RAG与双曲映射后，精确率提高19.50个百分点、召回率提高31.25个百分点；较知识图谱RAG方案，分别再提高1.86和12.50个百分点，体现了知识增强与层级表征的叠加价值。

三、方案优化与典型价值。相较传统方案，识别对象由静态文本扩展为多轮对话中的风险结构；知识获取由固定规则或普通向量匹配升级为图谱增强与双曲检索；判断机制由单一模型升级为小模型初筛、大模型推理和业务复核协同；输出由风险标签扩展为分类、证据与解释报告。该模式有助于提升新型话术响应和人工复核能力，并为反洗钱、异常交易识别及信贷欺诈识别等场景拓展提供参考。

以上指标为本次实验结果，100%召回率仅对应本次实验样本，不代表生产环境零漏判；其他场景推广属于后续拓展方向。

责任编辑：佟桃梨