基于移动互联网的线下支付、保险、理财等新型金融服务发展迅速，互联网金融业不断取得

突破和创新。与此同时，潜伏在网络阴影下的黑产品势力也在不断升级，威胁着整个行业，其

中信息泄露导致的电子账户安全问题最为严重，而且趋势越来越糟糕。被黑客窃取的用户信息

包括社保号、地址、信用卡信息等。，而这些泄露的信息被用来试图登录盗取账户资金或盗取

银行卡，直接导致银行和第三方支付公司用户的大量经济损失。如何更好地利用海量交易数据

和有限样本识别迁移中的黑产方式，从而高效准确地识别交易风险，是人工智能和大数据在控

风场景下需要不断解决的技术问题。

 

 

 

在此背景下，此次竞赛希望聚焦信息泄露引发的账户安全威胁，收集最智能的行业安全解决方

案，引领互联网风险控制核心技术的发展。此次大赛将提供一段时间内有正反标识的支付行为

样本和无标识的支付行为样本组成的训练数据集，以及一段时间后一定时间范围内有正反标识

的支付行为样本组成的测试数据集，数据集已经过严格处理。竞争数据为支付宝交易数据，根

据历史交易(17.09-17.10)中的欺诈情况预测未来交易行为(18.02)的欺诈情况。评价指标是反欺

诈评价指标的覆盖率。

 

 

 

以下是此次大赛的原创特色，可以看出基本都来自设备信息。在这场大赛中，数据具有以下特

点，我们需要根据数据的特点提出有针对性的处理方案。从图中可以看出，数据样本的标识类

别极不均衡，缺失值也不均衡，欺诈率与缺失值的关系明显。无论是机器学习还是深度学习，

都需要有一个合适的应用场景。熟悉it中的业务知识可以更快或更好地制作模型。我们根据事

务的业务对字段进行排序和分类，然后从业务的角度在多个维度上构建特性。

 

 

从多个维度和角度思考特征，思考欺诈交易中通常出现的变化和异常。考虑到多维度，我们

做了以下特征作为基本特征、信息验证、用户行为、即时特征、设备特征、时间特征、IP属性

特征、收款人特征。其实可以看出成交量是周期性变化的。训练集中有两个完整月的数据，测

试集中有一个完整月的数据。为了充分利用数据，保证训练验证测试的一致性，我们每月将训

练集和测试集拆分在同一个结构中，分别制作off_val，然后分别对测试集进行预测，以便更好

地根据周期进行训练和预测。由于半决赛在线平台训练速度太慢，拆分预测也是一种更合理的

充分利用数据的方式。