腾讯金融科技-基于知识图谱和大模型的异常特征模式挖掘

课题背景： 随着监管在反洗钱和风控合规领域监管力度的加强，黑灰产渗透对抗的日益激烈，我们面临的风险形势越来越严峻。这就需要我们对风险识别和管控要更全面、准确、快速，同时还要满足合规性要求。这些要求让我们的整个风险体系建设面临了前所未有的挑战，我们需要应用有更多的技术手段来解题。 当前挑战：

1. 01

   因为风险打击的不断加强和黑灰产手法的不断变化，识别黑灰产的作案模式愈发困难，从数据层面来看，原先的显著性特征区分度逐步变弱，我们需要从海量的支付数据中挖掘潜在的有效特征；

2. 02

   监管文件要求“案件特征化-特征指标化-指标模型化”，这就需要在反洗钱风控领域需要构建可解释性的特征体系，通过大模型构建端到端的分类模型方案不能适用；

3. 03

   既有的特征挖掘模式是通过人工分析案例后总结提炼，这必然带来特征生成不全、不及时的问题。 工作内容：

4. 01

   构建设计和构建基于支付本体的反洗钱和风控领域知识图谱，支持大模型和图计算等的下一步应用；

5. 02

   通过强化学习等手段对异常实体、账号和交易进行识别，获得语义级特征，并对特征进行可解释性描述和特征范式抽象；

6. 03

   推动新特征范式在风险识别中的应用，并获得风险识别效果的提升；

7. 04

   跟进业界前沿的大模型领域算法，包括但不限于强化学习、推理加速等。

1. 01

   包含但不限于计算机、信息工程、模式识别、人工智能、自动化、软件工程、电子工程、统计学、应用数学、物理学/量子计算、信息安全、信号与信息处理等专业的博士和优秀硕士；

2. 02

   熟悉常用图计算、大模型算法，尤其是强化学习等相关领域，对模式识别，概率统计、最优化等算法原理及应用，有扎实的基础，深入的理解和浓厚的兴趣；

3. 03

   熟练掌握C/C++、Java、Python等至少一门编程语言，有较强动手能力；

4. 04

   乐于动手，有良好的逻辑思维能力和数据敏感度，能够熟练阅读和编写英文论文，具有优秀的新技术研究能力。