金融风控的护航员——聊聊ERNIE在度小满用户风控的应用

现在，随着技术的发展，对于普通消费用户来说，想在网上借点钱花变得愈来愈容易，技术带给咱们的便利性日渐突显。同时，随着消费金融的兴起，征信体系成为了消费金融公司发展背后的主要障碍之一，信贷欺诈大量涌现。这给金融行业的发展带来了极大的阻碍，导致不少借贷行为没法圆满解决。

 

这个问题有多严重？

 

央行发布的《2018年第三季度支付体系运行整体状况》显示，我国信用卡逾期半年未偿信贷总额880.98亿元，环比增加16.43%。

 

这意味着金融行业的风控需求异常迫切。面对更加下沉的客户群体、更加复杂的用户信息，既须要保证业务安全合规，也须要把控风控尺度和客户体验之间的平衡。

 

那么如今的金融机构是如何作这些的呢？

 

传统金融机构里会请金融风控师、审核员等对借贷资质进行人工审核，但该工做对相关从业人员的要求极高，既要有相关的背景知识可以对客户的资信情况作全面了解，又要求严谨认真，有独立的判断能力。同时，随着互联网金融的发展，天天在平台上发上的借贷行为数以万计，对于人力的消耗很是巨大，审核标准的统一性、效率都难以保证。

 

另外，传统的风控建模技术是基于小样本的监督学习，依赖于特征挖掘，须要耗费大量人力且依赖我的经验。同时，对于小样本的文本类数据处理每每缺少对上下文的理解，没法提取其重点，致使对用户的理解出现误差。

 

那怎么办？这些难题如何破？

 

度小满目前为用户提供教育贷和教育现金贷等业务，旨在“让每个梦想有钱花”，帮助用户进一步深造本身或者学习新的职业技能，属于很是普惠的项目。

 

度小满本次与百度的合做，目标是将百度自研的持续学习语义理解框架ERNIE应用到度小满的用户风控场景中。

 

 

ERNIE经过建模超大规模数据中的词、实体以及实体之间的关系，可以学习到真实世界中丰富的语义知识，于是对于中文语义理解相较于传统神经网络更深刻。预训练语言模型ERNIE蕴含丰富的语义知识，于是可以将其应用于须要文本语义理解的场景，只需将预训练ERNIE在少许的人工标注数据上进行Finetune，就能够获得一个任务定制化的ERNIE模型。定制化的ERNIE模型不只学习到特定任务训练数据中的信息，还蕴含其预训练的语言模型信息，所以该模型可以达到很是好的效果。

 

在度小满用户风控场景中，经过ERNIE对用户行为信息进行语义层面深度建模，定制化产出一个用户风控ERNIE模型。利用ERNIE模型的长文本建模能力和预训练语义知识，结合小规模用户行为文本和用户风控标签的标注数据进行ERNIE精细Fine-tune，在训练2轮左右的时间内便可完成用户风控模型的收敛，而传统模型动辄须要训练100轮模型才能收敛。模型收敛速度提高50倍，因而可知ERNIE具备收敛快、拟合强、泛化好等优势。

 

基于ERNIE的度小满金融风控模型KS指标绝对提高1.5，AUC指标绝对提高1.5，优化了21.5%的用户排序，有效地提高了优质客群人数，有效地下降了贷款风险而且大幅度减小审核人力。

 

将来双方还将进一步深刻合做，将ERNIE强大的语义理解能力应用到更多的金融领域应用场景中，如：金融获客、贷中管理等，助力金融行业的健康发展。

>> 访问 PaddlePaddle 官网，了解更多相关内容。