案例名称

大小模型协同，时序精准识诈—交通银行新一代智能反诈防控实践

案例简介

本项目聚焦交通银行数字金融反诈风控体系建设，通过时序深度神经网络、大模型微调及大小模型协同三大创新，构建新一代智能交易反欺诈防控体系。

一是建设时序反诈模型，采用Transformer架构，以账户为维度、以时间为顺序，将用户历史交易行为构造成连续行为序列，自动捕捉交易行为的周期性、连续性、突变性特征，并通过表征增强、字段扩展、多模型集成等创新，突破传统静态机器学习仅依赖单条交易特征的局限。二是探索反诈微调大模型，将生成式语言模型通过SFT微调适配为交易风险评分模型，围绕提示词优化、训练策略和配置优化等方向协同设计，提升长尾疑难案件的识别能力。三是大小模型协同机制，业务规则与专业模型识别主体欺诈，大模型专注覆盖专业模型难以识别的复杂案件，实现资源高效利用。

项目有效提升渠道欺诈交易召回率，压降涉案资金与反诈排名，切实守护老百姓钱袋子，同时降低误预警，减少人工复核与客户投诉。

创新技术/模式应用

1. 建设时序模型提升专业模型的能力

时序反诈模型核心采用时序深度神经网络算法，相较于传统 LightGBM 等静态机器学习算法，不再局限于单条交易静态特征拼接打分。算法核心逻辑为以账户为维度、以时间为顺序，将用户历史多笔交易行为构造成连续行为序列，通过对时序信息的编码学习，自动捕捉用户交易行为的周期性、连续性、突变性特征。在算法框架上，采用transformer架构，包括embedding表征->transformer时序建模->预测任务头三个基本部分。

模型从以下几个层面进行创新：（1）通过表征增强，辅助任务迫使编码器学习交易机制，提升黑样本和困难白样本表征区分度；（2）通过字段扩展优化，增加统计特征，提升信息密度；（3）通过多专家集成，解决单维打分依赖导致的白判黑误报。

2. 建设反诈微调大模型提升长尾欺诈案件识别

探索将生成式语言模型通过SFT微调适配为交易风险评分模型，将交易信息、历史行为等相关业务背景组织为模型输入，以涉诈标签作为监督信号，引导生成式语言模型适配分类与风险评分任务。围绕分类判别与风险排序开展训练策略及参数组合优化。

创新重点在于将任务表达、样本组织、优化目标与训练配置协同设计，通过实验筛选适配业务指标的训练方案，探索最佳训练策略和参数组合。具体包括：提示词层面，优化指令设计与输入信息组织；训练策略层面，对比黑白样本随机混排与先黑后白训练，利用样本回流增训及BCE＋Rank联合损失，兼顾分类准确性与风险排序能力；训练配置层面，评估学习率、Batch Size与迭代次数的组合效果，为模型大模型微调提供实验依据，逐步形成适用于交易反欺诈任务的微调方案。

3. 大小模型协同，构建多层次反诈识别体系

结合各个模型的效果特点，综合运用各个模型提升整体欺诈识别能力。首先通过业务规则和客群分类过滤白交易，再经过专家规则和专业模型识别主体欺诈交易，同时传统机器学习模型结果与时序模型有机集成组合保证最好准确率和召回率，最后剩下的较难识别案件通过反诈微调大模型进行识别。

项目效果评估

当前渠道交易实时防控主要以专家规则、传统静态机器学习模型为主，多聚焦于单交易维度的特征识别，在账户连续交易行为序列、时序演变模式及复杂隐藏手段的挖掘能力方面存在不足。

通过专业模型与大模型微调能力的创新，一方面提升了反电诈场景的识别能力，整体提高了渠道欺诈交易的召回率，显著压降了反诈涉案资金及全行反诈排名，切实守护老百姓的钱袋子。另一方面优化了客户体验，通过时序行为建模有效区分真实客户的正常交易习惯与黑产的异常行为模式，降低了静态规则带来的误预警问题，切实减少了人工复核量与客户投诉量。

从反诈风控建设效率角度来看，大模型普遍存在调用推理耗时长、难以支撑高并发场景等问题。通过大小模型协同，使大模型更专注于专业模型难以覆盖的范围，进一步减少资源开销，提升使用效率。同时，通过微调方式的探索，为后续反诈智能体在欺诈特征挖掘、案件回溯及解释性输出等方面提供了方向。

责任编辑：佟桃梨