Airbnb用机器学习打响金融诈骗战
极客时间编辑部
讲述：丁婵大小：1.29M时长：02:49
近日，Airbnb 的信任数据科学家大卫·普雷斯（David Press）介绍了 Airbnb 是如何利用机器学习技术来鉴别和阻止诈骗者，同时将对正常顾客的影响降到最低的。
诈骗检测对 Airbnb 团队非常关键，因为每晚大约有二百万人在分布于 191 个国家的 Airbnb 房源入住，这意味着他们全球性社区的快速发展很大程度上依赖于信任。他们打击诈骗的方法包括主动措施和被动支持。主动措施通常应用在交易前，并且通常在后台进行，包括利用机器学习、试验和分析等手段，防止欺诈者在网站上使用偷来的信用卡。
有时候交易会被直接拒绝，但在大多数情况下，Airbnb 会给用户机会，看他们是否满足附加验证条件，被称之为“摩擦”。 “摩擦”机制是用来阻止未授权用户的一种方法，但对于正常用户来说是很容易满足的。
为了防止信用卡盗用，会触发不同类型的“摩擦”机制来证明用户是信用卡的真正持卡人，主要包括微授权、3-D 安全、账单证明等。
普雷斯还介绍了他们是如何使用机器学习模型来触发针对诈骗犯的“摩擦”的，主要用过去已经被证实为良好消费和欺诈消费的例子来进行训练，模型的目标是预测订单属于诈骗订单的概率。
和其他机器学习模型一样，训练的模型并不是完美的，所以他们也需要处理不同的场景，分别为假阳性、假阴性和真阳性。
假阳性是指正常交易得分超过阈值，被模型分类成金融诈骗。假阴性是指诈骗情况得分低于模型阈值，被判断为正常交易。真阳性是指模型正确识别诈骗行为，其得分高于阈值。
对于真阳性交易，也就是诈骗行为，Airbnb 就会应用“摩擦”机制来防止诈骗犯使用其服务，若是成功阻止交易，就能防止造成损失。对此，普雷斯强调，直接拒绝交易和应用“摩擦“机制之间是不同的。
普雷斯也指出了这种机制可能会给 Airbnb 带来的损失，例如如果他们错误地对假阳性的正常用户使用了“摩擦”机制，用户很可能会选择不配合完成”摩擦“，放弃交易，然后不再使用 Airbnb，最后造成客户流失。
不过，Airbnb 会使用他们的实验报告框架（Experiment Reporting Framenwork）运行 A / B 测试，来衡量由于“摩擦”机制使用不当（假阳性）对正常用户造成的影响。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》，如需阅读全部文章，
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论