林书瑶 · Anti-Fraud Algorithm Engineer

• 负责某头部互联网金融平台支付欺诈检测模型迭代，基于日均千万级交易流水，利用SQL与Python完成多表关联特征工程，重构设备、时序、关系图谱等200+维特征，将高伪装交易漏检率降低13%。

• 针对支付场景严重类别不平衡，在XGBoost中融合代价敏感学习与无监督异常得分，将盗刷、套现类欺诈召回率从71%提升至86%（相对提升15%），线上误报率仅增加0.3%。

• 设计基于时间滑窗的实时统计特征与异常模式规则，精准捕获夜间高频小额试卡、跨商户跳转等隐蔽行为，上线后日均额外识别高可疑交易150+笔，累计阻断欺诈损失逾1200万元。

• 搭建离线模型评估监控体系，输出按日分特征的KS、PSI及召回归因报告，推动双周迭代，将线上模型PSI稳定控制在0.18以下，特征失效导致的召回衰减恢复周期由5天缩短至1.5天。

• 针对平台虚假账号泛滥，主导设计基于图神经网络（GNN）的行为序列异常检测方案，使用PyTorch构建异构图模型捕获账号间的设备关联与行为共现模式，将虚假账号召回率提升至92%，较规则基线相对提升23%。

• 将离线GNN模型落地为实时流处理架构，借助Flink动态构建行为子图、TensorRT加速推理，实现用户行为触发后200ms内产出异常评分，支撑日均亿级事件的实时拦截。

• 构建融合模型分数、设备指纹与行为突变特征的多维风险评分卡，设计分层阈值策略替代单一硬规则，高风险账号误伤率下降30%，人审队列排序效率提升50%。

• 设计并执行严格的在线A/B测试，以虚假注册拦截率为核心指标，实验组拦截率提升17%且客诉量无显著差异，驱动模型全流量上线并固化为核心风控策略。

• 针对黑产对抗行为演化，引入图结构扰动对抗训练增强模型鲁棒性，在模拟攻击测试中将召回率衰减控制在5个百分点以内，显著延长模型生命周期。

• 针对某头部互联网金融平台交易欺诈风险，参与设计基于Flink的实时风控决策引擎，将规则引擎与模型在线推理串联为毫秒级流水线，利用Redis缓存用户实时特征，单笔交易平均决策耗时由200ms压缩至50ms以内。

• 实现双阶段拦防机制：规则引擎前置过滤80%以上的显式异常交易，模型推理通过预加载XGBoost模型与异步特征聚合，将模型评分延迟控制在10ms内，减轻下游压力并提升高并发下的服务稳定性。

• 优化Redis特征存取策略，采用分片哈希与管道批量读写，实时特征查询吞吐量提升3倍，在不增加硬件成本下支撑日均3000万笔交易的实时决策。

• 建立分层丢弃与熔断机制，结合日志回流与Flink背压监控，将引擎在峰值流量下的可用性维持在99.9%，同时降低误拦截率约12%。

• 针对某头部互联网金融平台存量信贷用户缺乏精细化分层，主导设计无监督行为画像方案，基于登录时段、交易间隔、额度使用率等时序特征构建特征矩阵，通过K-Means++聚类将用户划分为5级风险梯队。

• 引入DBSCAN算法挖掘离群样本，结合肘部法则与轮廓系数优化分群边界，精准识别出占比约9%的高风险客群，其后续逾期率为普通用户的3.1倍。

• 搭建基于t-SNE降维与Plotly的可视化监控看板，动态呈现客群分布与簇间迁移路径，辅助运营将风险定位响应时长从小时级压缩至分钟级。

• 基于画像开发自动化预警规则，提前7天生成高风险账户清单推送至贷中与额度管控节点，试点业务逾期率环比下降17%，月均减少潜在信贷损失约45万元。

• 针对某广告平台日均千万级曝光数据，设计基于点击序列的深度表征学习方案，采用时序卷积网络（TCN）提取用户点击行为的时间依赖特征，将非法流量识别AUC由0.87提升至0.93。

• 构建广告点击序列的稠密Embedding，引入位置编码与行为类型嵌入，通过多尺度一维CNN捕获局部异常点击模式与长程虚假流量轨迹，作弊流量召回率较基线提升22%。

• 提出基于对比学习的点击序列预训练任务，利用海量无标注明文日志构造正负样本对，增强序列Embedding对隐蔽刷量模式的判别能力，在减少人工标注成本40%的条件下维持线上AUC不下降。

• 支撑模型从离线实验到在线serving的全链路落地，开发特征实时拼接与模型热更新模块，保障单次推理耗时低于15ms，成功拦截作弊点击日均超12万次，预计每月减少广告主损失逾80万元。

• 融合点击序列深度特征与用户设备关联图特征，采用CNN与轻量图卷积双流网络，发现新型设备农场作弊团伙3个，辅助业务两周内封禁作弊账户逾600个。

以集成学习方法研究信用卡欺诈预测问题获全国一等奖。

因硕士阶段综合表现突出获评校级优秀毕业生。