CN107993139A - 一种基于动态规则库的消费金融反欺诈系统与方法 - Google Patents

Abstract

本发明一种基于动态规则库的消费金融反欺诈系统与方法，该系统包括数据准备模块、基于动态规则库的反欺诈引擎模块及建模人机接口模块。该方法步骤如下：(1)、基于存量数据建立标签体系：(2)、对标签样本数据开展EDA探索：(3)、在入模变量初步筛选基础上，利用决策树获取变量特征重要性排序，确定最终入模变量；(4)、基于建立的决策树模型生成动态规则库：(5)、利用基于动态规则库的反欺诈引擎模块进行决策。本发明优点：提升了规则库的安全性和可用性，不易被破解；所需数据样本量较小，适合刚开展消费金融业务的公司或机构，降低消费金融反欺诈体系的冷启动难度；提升业务人员的参与程度，有助于规则库的快速迭代更新。

Description

一种基于动态规则库的消费金融反欺诈系统与方法

技术领域

本发明一种基于动态规则库的消费金融反欺诈系统与方法，涉及金融风控领域技术，具体涉及一种面向消费金融领域的反申请欺诈系统与方法。

背景技术

消费金融作为普惠金融的重要组成部分，在国家发展普惠金融的政策背景下具有广阔的市场前景。据国际权威数据统计机构IDC发布的数据显示，我国消费金融市场规模在2020年将达到12万亿以上的规模。然而，消费金融的客户群体为自然人个体和小微企业，呈现典型的下沉特征，具有复杂性特点。因此，在反欺诈环节，传统的依赖人工经验的反欺诈理论体系和技术已无法适用于消费金融。而对于申请反欺诈来说，作为消费金融风险控制的第一步，对于扩展自有获客渠道，提升利润空间具有重要意义。当前主流的消费金融反欺诈方法，根据实现技术的不同可以分为两类：一类是依托于经验和外部数据结合的方式，基于人工经验构建反欺诈的静态规则库，在规则中引入外部数据源，通过外部数据和申请数据的交叉比对来认定申请是否为欺诈行为(附图1所示)；另一类是纯数据驱动的方式，利用企业或机构自身积累的大量带有欺诈标签的数据，构建和训练神经网络等非线性预测模型，并基于训练完成的模型判断客户提交的申请是否为欺诈。前者的应用较为广泛，然而由于规则来源于经验，规则库的更新时间窗口也依赖于人工经验。在当前团体骗贷、违约等群体性欺诈行为逐渐高科技化、脚本化的严峻现实下，传统的静态规则库对突发性、群体性欺诈行为响应缓慢，且静态规则库一旦被破解，短时间内便能造成巨大损失。后一种基于纯数据驱动的方法虽然能够满足对群体性欺诈行为的快速响应，且不易被破解，但是对于大多数持牌消费金融机构或新兴的互联网消费金融公司来说，本身所积累的存量数据的数量和维度多样性很难支持构建反欺诈模型，且欺诈标签型数据多为黑名单数据，在消费金融企业和机构间存在较厚的壁垒，很难从外部引入用以构建和训练模型，即使有提供反欺诈服务的金融科技公司，提供的反欺诈模型也仅为黑盒形式，其反欺诈机制和原理无法获得，在当前监管日趋严格的趋势下，无助于消费金融企业和机构掌握和提升自主风控能力。

发明内容

基于以上在消费金融反欺诈领域存在的问题，本发明提出了一种基于动态规则库的消费金融反欺诈系统与方法，将人工经验和数据驱动的智能决策技术相结合，既通过数据驱动智能决策技术的应用，弥补了静态规则库响应慢、易破解的缺点；又通过人工经验的合理介入解决了纯数据驱动反欺诈模型数据应用门槛高，不易实施的难点。

为实现上述目的，本发明一种基于动态规则库的消费金融反欺诈系统与方法，采用如下之技术方案：

基于动态规则库的消费金融反欺诈方法依托于本发明提出的反欺诈系统平台实施，一种基于动态规则库的消费金融反欺诈系统，主要包括数据准备模块、基于动态规则库的反欺诈引擎模块及建模人机接口模块：具体如下：

数据准备模块：该部分提供了数据可视化的人机接口，支持对数据进行清洗、统计分析等EDA操作。存量交易数据作为样本数据可以通过数据源等数据接口方式批量导入该模块，同时也支持外部第三方数据源的导入。用户在使用时可以通过该模块完成数据融合，以及对导入数据各维度分布、离群点以及缺项情况进行探索和完善，并结合经验信息完成入模变量的筛选。该模块输出已经筛选过的入模变量，以及对应的训练样本。用户在使用时可以通过该模块完成样本数据准备工作。该模块包括以下子模块用以支持上述功能的实现：

数据导入子模块：该子模块提供了用于训练模型的样本数据的导入。包括csv、txt和JDBC等形式的外部数据导入。

数据处理/融合子模块：该子模块调用数据导入子模块，提供了对导入数据的初步处理以及融合。支持以拖拽的形式对已经导入的样本数据的维度进行组合和融合，从而构建新的样本数据集合。

数据EDA(Exploratory Data Analysis，探索性数据分析)子模块：该模块调用数据处理/融合子模块，提供了对新组合的数据样本进行探索性分析的功能。主要包括对数据样本集合中，各个变量维度的频率、众数、百分位数、均值、中位数、方差、标准差、偏度和峰度进行统计分析。

数据可视化呈现子模块：该模块通过调用数据处理/融合子模块和数据EDA子模块，提供了对数据导入子模块导入的原始数据、数据处理/融合子模块重新组合构建的样本数据集合和数据EDA子模块得到的数据EDA结果的可视化呈现。可以以表格、散点图、柱状图、饼图、等高线图和雷达图等方式对数据的EDA结果进行呈现。

基于动态规则库的反欺诈引擎模块：该部分提供了基于智能决策技术的算法支持，在用户的干预下，选择合适的决策树模型算法，对导入且完成数据准备的样本数据进行决策树建模并训练模型，而且能够在训练得到的模型基础上形式化输出可供人工干预的形式化规则。由于该模块输入的数据样本是动态变化的，因此在本模块所输出的规则库也是动态的。这样就大大降低了规则库被“破解”的几率，且借助于人工经验的干预，在数据样本有限的条件下，最大程度提升了对群体性欺诈行为的响应效率。在封装的算法类型上主要采用决策树模型算法，包括但不仅限于XGBoost、GBDT、RF等决策树算法。该模块在平台中以webservice的方式实现和部署，提升了系统的扩展性。该模块包括以下子模块用以支持上述功能的实现：

规则库模型子模块：该子模块实现了对常见的决策树算法的封装，包括但不限于XGBoost、GBDT、RF等决策树算法。该模块通过调用建模人机接口模块中的规则库配置子模块中传递过来的模型参数，结合调用数据准备模块传递过来的训练样本数据，实现对样本数据的建模和训练。该子模块的输出为训练完成的决策树(规则)、基于训练完成决策树的变量重要度排序。

规则库输出子模块：该子模块通过调用规则库模型子模块、数据导入子模块、规则库校正子模块，实现对已经训练完成的决策树模型进行形式化的输出，并支持对形式化输出的规则库直接进行人工校正干预。

决策子模块：该子模块通过调用建模人机接口模块，得到需要决策的申请人信息，并调用规则库模型子模块，将申请人信息输入已经训练和校正完毕的决策树模型，提供了基于规则库的决策结果输出。

建模人机接口模块：该模块提供了基于web的UI人机接口，用户可通过该模块实现动态规则库构建、动态规则库部署应用过程的全程可视化以及干预交互。该模块包括以下子模块用以支持上述功能的实现：

规则库配置子模块：该子模块提供了基于web界面的决策树模型选择，以及对应模型参数配置功能，用户可以通过该子模块实现对决策树模型建立过程的干预和设置。

规则库校正子模块：该子模块提供了基于web界面的规则库校正功能，通过调用规则库输出子模块，得到训练完成的形式化的决策树模型；通过调用规则库模型子模块，得到变量重要度排序，可作为对决策树校正的参考依据。最终能够支持决策树模型可视化、可编辑。用户可以通过该子模块对可视化呈现的决策树(规则库)进行校正，从而对规则库进行完善。

申请人信息采集子模块：该子模块提供了基于web界面的申请人信息输入功能。不仅能支持单条申请人信息的采集和输入，而且提供批量申请人信息的采集和输入。该子模块中采集到的申请人信息，通过调用决策子模块，输入到已经校正后的规则库中，可以实现对申请人欺诈行为的判定。

一种基于动态规则库的消费金融反欺诈方法，主要步骤如下(如图2所示)：

步骤(1)、基于存量数据建立标签体系。通常情况下，欺诈标签数据反映了一个欺诈用户的各个维度的画像，大多来自于各大互金、消金公司的黑名单、灰名单数据库，属于这些公司或机构的核心资产，很难通过正常渠道获取。基于这种情况，如何得到欺诈标签数据成为构建动态规则库的关键。本发明在标签体系建立环节，充分依据已有的经验规则，在反欺诈系统平台上通过数据准备模块，对存量数据中的违约样本进行标签化处理，得到标签样本数据。

步骤(2)、对步骤(1)得到的标签样本数据开展EDA探索。主要是在反欺诈系统平台上，通过调用数据准备模块对各个变量的分布、离群点以及缺项情况进行探索和完善，并结合经验信息完成入模变量的初步筛选。

步骤(3)、在步骤(2)完成入模变量初步筛选的基础上，利用决策树获取变量特征重要性排序，从而确定最终入模变量。具体是在确定初步筛选入模变量后，将相应的样本数据输入决策树模型，经过多轮样本迭代训练，模型训练完成；根据决策树模型的定义，可以得到入模变量的重要性排序，用以支持规则库的生成和人工干预；并通过建模人机接口模块进行可视化输出；风控人员可以根据变量对于标签的重要程度来验证已有的经验规则，并为校正生成的动态规则提供参考依据。

步骤(4)、基于建立的决策树模型生成动态规则库。选择最终入模变量后，在系统中选用合适的智能决策算法构建决策树模型，并对模型进行训练，训练完成后输出形式化的规则以便人工干预校正，校正完成后的规则即可构成动态规则库，用于生产环境中对申请人欺诈风险进行决策。该规则库的构成方式为决策树，树中的节点为风控点，每个风控点和一个最终入模变量相关联，一棵子树代表一条用以判定欺诈行为的规则，树中的叶子节点为判定的决策结果(如附图3所示)。

步骤(5)、利用基于动态规则库的反欺诈引擎模块进行决策。在完成了动态规则库构建的基础上，用户(风控人员)通过调用申请人信息采集子模块，采集到用户的基本信息，在后台的规则引擎会利用步骤(1)～步骤(4)所构建好的动态规则库，能够单个或批量输出对当前申请客户是否具有欺诈风险的判定结果。

其中，步骤(4)的具体实现方法为：该步骤基于步骤(2)初步筛选的入模变量和步骤(3)用以对变量重要性排序的决策树模型，通过基于动态规则库的反欺诈引擎模块实现动态规则库的最终建立；

首先构建根节点，将所有的训练数据集都放在根结点，选择一个最优特征，按照这一最优特征将训练数据分割成子集，使得各个子集有一个在当前条件下获得最好的分类，如果这些子集已经能够被基本正确分类，那么构建叶结点，并将这些子集分到对应的叶结点中去，如果还有子集不能被基本正确分类，那么对这些子集选择新的最优特征，继续对其分割，构建相应的结点。如此递归下去，直到所有的子集被基本正确分类，或者没有合适的最优特征为止，最终每个子集都能被分到叶结点(种类)上。

其次，在进行最优特征选择时，采用Gini(基尼)系数来作为特征选择的依据，Gini系数越小表示集合中被选中的样本被错分的概率越小，也就是说集合的纯度越高。对于具有多个取值(超过两个)的特征，需要计算以每一个取值作为划分点，对比样本划分之后子集的纯度，然后从所有可能划分的集合中找出基尼系数最小的子集，作为最佳划分点。

最后，根据构建的决策树模型进行规则库的建立。对于第一次选择的最优特征，以根节点表示，并且根节点包含的最优特征以及相应的阈值进行分裂，这样以直线每次选择的特征进行划分后，利用直线连接划分后对应的叶节点(种类)与每一个内部节点(特征)，这样表示在该规则下，对应的类别，以决策树的形式直观表示模型的含义。

本发明一种基于动态规则库的消费金融反欺诈系统与方法，与现有技术相比，其优点及功效在于：(1)相对于传统的基于经验的静态规则库，提升了规则库的安全性和可用性，使其不易被破解。(2)相对于传统的纯数据驱动的反欺诈方案，构建动态规则库所需的数据样本量较小，适合于刚开展消费金融业务的公司或机构，降低了消费金融反欺诈体系的冷启动难度。(3)综合了基于经验和基于数据驱动消费金融反欺诈方案的优点，通过形式化规则的方式将数据模型生成的规则库展示给业务人员，提升了业务人员在反欺诈体系中的参与程度，有助于规则库的快速迭代更新。

附图说明

图1传统基于静态规则库的反欺诈解决方案示意图。

图2本发明所提出的整体解决方案。

图3动态规则库形式化示意图。

图4基于动态规则库的消费金融反欺诈系统模块设计和技术框图。

图5基于某互联网消费金融平台公开数据的变量重要性排序样例。

图6基于某互联网消费金融平台公开数据的动态规则库形式化输出样例。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。基于动态规则库的消费金融反欺诈方法是结合本发明所提出的系统平台的应用。该系统平台的模块设计以及技术框图如附图4所示。

实施例：

下面以基于某互联网消费金融平台公开数据构建反欺诈动态规则库构建为例阐述本发明具体实施过程。

第一步，对现有数据做处理，建立标签体系。

以某平台公开数据中OVER_DUE(逾期账户)和BAD_DEBT(坏账)标签数据为作欺诈数据，设定为FRAUD(欺诈标签)，共175个数据(即175个用户)。以closed作为正常数据，共3273个数据集(即3273个用户)。

本实施例中原始数据包括的主要字段(列名称)和含义如下表1所示：

表1

第二步，对标签数据做EDA分析。

在该样例中，基于某互联网消费金融平台公开数据，对标签数据做EDA分析除了常规统计分析外，结合业务特点还包括以下步骤：

2.1用户的信用评分与信用评级是否匹配。

通过对AA,A,B,C,D,E,HR七类评级客户的信用评分分析获得，其中信用评级AA&A全部为CLOSED(表示该笔借款无逾期还清)，且AA对应的信用评分为210。信用评级为A的用户全部为CLOSED，信用评分为(-3,180,181，三种情况)。信用评级为B的为1个BAD_DEBT(表示该笔借款逾期未还清)，信用评分为-3；1个为CLOSED，信用评分为157。信用评级为HR(High Risk，高风险)的客户B:C:O＝122:110:39。

针对信用评级为HR的标签，对其信用评分分析，可获得如下信息：

HR信用评级客户本身应该匹配的信用分数为负值，但是有信用评分为正值的样本。信用评分与信用评级不相符的现象代表着用户通过造假信用，消费，收入等信息获得较高的信用评分，但是信用等级却无法改变。

2.2客户已经完成的认证方式分析。

身份认证应该属于基本条件，而其余的收入认证、实地认证、工作认证则是后来需要客户主动添加，客户是否主动添加认证方式对辨别用户是否为欺诈用户影响较大。多种认证方式能够有效杜绝欺诈的发生。

理由：所有的BAD_DEBT都只有身份认证。

2.3客户在填写个人信息时自己的角色描述，即岗位。

通过分析BAD_DEBT和OVER_DUE所构成的欺诈数据集的岗位描述来看，出现频率大于等于2的名称如表2所示，其中科员与员工比例出现的次数频率非常高。

工作岗位	欺诈样本个数
		总经理	2
组长	2
		副主任	3
技术员	3
		教师	3
站长	3
		主管	3
销售经理	5
		员工	7
科员	8

表2

可以以此推测，该平台在描述自己岗位名称时角色设置有限，而选定自己为员工与科员的用户出现逾期与坏账的可能性较高。

2.4客户提交信用报告情况分析。

对于提交信用报告的客户而言，其中包括了正常与欺诈客户。而没有提交报告的客户而言，其全部为正常客户。

可合理推断：欺诈分子为了提高欺诈成功几率，往往会选择提交齐全的申请材料来提高通过几率。

2.5样本中用户的逾期次数分布。

标签为B的客户，其逾期次数如下：

标签为C的客户，其逾期次数如下；

标签为O的客户，其逾期次数如下；

对于一个客户来讲，其曾经是否有逾期行为对于判断其是否为正常客户具有较大影响。

第三步：利用决策树获取变量特征重要性排序，从而确定最终入模变量。

在选择入模变量后，将相应的样本数据输入决策树模型，经过多轮样本迭代训练，模型训练完成。根据决策树模型的定义，可以得到入模变量的重要性排序，用以支持规则库的生成和人工干预。通过对某平台公开数据的EDA分析，选择了第三方信用评分、曾逾期金额等11个变量(该等变量的含义请见上述表1)作为入模变量，经过决策树模型分析，以决策树个节点的权值为标准，各个变量在规则库中的重要性(权重)排序如附图5所示。

在本步骤中构建决策树的具体步骤如下(以随机森林模型为例)：

3.1生成单棵决策树：

(1)训练总样本的个数为N，则单棵决策树从N个训练集中有放回的随机抽取n个作为此单颗树的训练样本。

(2)令训练样例的输入特征的个数为M，m远远小于M，则我们在每颗决策树的每个节点上进行分裂时，从M个输入特征里随机选择m个输入特征，然后从这m个输入特征里选择一个最好的进行分裂。m在构建决策树的过程中不会改变。这里注意，要为每个节点随机选出m个特征，然后选择最好的那个特征来分裂。

(3)每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类。不需要剪枝。由于之前的两个随机采样的过程保证了随机性，所以就算不剪枝，也不会出现过拟合。

3.2.按照3.1的方式产生t棵决策树加入到森林中。

3.3对于每个新的测试样例，综合多个决策树的分类结果来作为随机森林的分类结果。

(1)目标特征为数字类型：取t个决策树的平均值作为分类结果。

(2)目标特征为类别类型：少数服从多数，取单棵树分类结果最多的那个类别作为整个随机森林的分类结果。

第四步：选择入模变量后，在系统中选用合适的智能决策算法构建决策树模型，并对模型进行训练，训练完成后输出形式化的规则以便人工干预校正，校正完成后即可得到可以用于生产环境的动态规则库。需要说明的是，本步骤可以采用现成的第三步中用以对变量重要性排序的决策树模型，直接输出形式化规则库，也可以选用另外的决策树算法实现模型的构建、训练和规则形式化输出。

构建决策树模型的步骤不再赘述。本步骤的核心部分是基于训练完成的决策树模型对规则库的形式化输出。在本样例中以构建CART树模型为例进行具体实施步骤和原理的说明。

对决策树形式化输出，其实是对决策树分裂规则的形式化，根据决策树算法的建立步骤：

首先构建根节点，将所有的训练数据集都放在根结点，选择一个最优特征，按照这一特征将训练数据分割成子集，使得各个子集有一个在当前条件下获得最好的分类，如果这些子集已经能够被基本正确分类，那么构建叶结点，并将这些子集分到对应的叶结点中去，如果还有子集不能被基本正确分类，那么对这些子集选择新的最优特征，继续对其分割，构建相应的结点。如此递归下去，直到所有的训练数据子集被基本正确分类，或者没有合适的特征为止，最终每个子集都能被分到叶结点(种类)上。

在进行特征选择时，采用Gini系数(基尼系数)作为选择的标准，该指标表示在样本集合中一个随机选择的样本被错分的概率。Gini系数的值越小表示集合中被选中的样本被错分的概率越小，也就是说集合的纯度越高，换句话说，Gini不纯度表示该Gini度量是指随机选择集合中的元素，根据集合中label的分布将该元素赋予分类，该元素分类错误的几率。对于具有多个取值(超过两个)的特征，需要计算以每一个取值作为划分点，对样本划分之后子集的纯度，然后从所有可能划分的集合中找出基尼指数最小的划分子集，这个划分的划分点，便是使用某特征对样本集合进行划分的最佳划分点。

根据构建的决策树模型进行规则库的建立。对于第一次选择的特征，以根节点表示，并且根节点包含的特征以及相应的阈值进行分裂，这样以直线每次选择的特征进行划分后，利用直线连接划分后对应的叶节点(分类)与每一个内部节点(特征)，表示在该规则下对应的类别，最终以决策树树枝分岔的形式直观的表示了决策模型的逻辑含义，具有较强的可读性，便于人工干预校正后规则库的部署使用。

以本样例中采用的某互联网消费金融平台公开数据为例，形式化输出规则的具体案例如下：

对于目前存在的特征(需要列出)的数据样本D，以规则1：yuqijine(当前客户逾期金额)是否小于等于142.8划分整个样本为两个样本集时，基尼系数为0.097，相较于其他特征划分样本时，基尼系数最小，所以选择该规则对数据样本进行第一次划分，变为两个数据集D1(左)，D2(右)，对于D1样本的所有特征继续进行划分，当以huanqingbishu(当前客户已还清借款笔数)进行划分的时候小于等于0.5的时候，以此规则进行递归划分直到获得的数据集的基尼系数为0，停止划分可以获得如附图6所示之决策树。

第五步：利用基于动态规则库的反欺诈引擎进行决策。

在完成第四步后，基于动态规则库的反欺诈引擎输出了用以判定申请用户是否欺诈的规则，接下来就可以依托系统平台利用该规则对当前申请用户是否具有欺诈风险进行决策。仍以第四步中形式化输出规则(附图6)的具体案例为例：

根据附图6，可以看到不同类别对应的规则，尤其是对于数量样本较少的类别，可以作为欺诈规则判断的依据。如附图6所以，y0为正常用户，y1为逾期用户(这种行为被看作是一种欺诈行为)，y2为坏账用户(这种行为被看作是另一种欺诈行为)在目前的数据集中，如果用户的历史逾期积纳金额超过了142.8元，同时他的信用分数小于35.5分，那么这类用户会被认为第二类欺诈行为，如果用户的历史逾期积纳金额超过了142.8元，同时他的信用分数大于等于35.5分，同时他们的信用额度小于等于5500元，大概率会是第一种欺诈行为。需要说明的是，最终进行决策时通常不直接使用模型输出的形式化规则(除非样本数量和多样性足够丰富)，而是使用通过系统平台，经过人工经验干预校正后的规则库。

以上所述，仅为本发明的较佳实施样例，并非对本发明的技术范围做任何限制，故凡是依据本发明的技术实质对以上实施样例所做的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (3)

1.一种基于动态规则库的消费金融反欺诈系统，其特征在于：该系统主要包括数据准备模块、基于动态规则库的反欺诈引擎模块及建模人机接口模块：具体如下：

其中，数据准备模块提供了数据可视化的人机接口，支持对数据进行清洗、统计分析等EDA操作；该模块输出已经筛选过的入模变量，以及对应的训练样本；该模块包括以下子模块：

数据导入子模块：该子模块提供了用于训练模型的样本数据的导入；

数据处理/融合子模块：该子模块调用数据导入子模块，提供了对导入数据的初步处理以及融合；

数据EDA子模块：该模块调用数据处理/融合子模块，对新组合的数据样本进行探索性分析，主要包括对数据样本集合中，各个变量维度的频率、众数、百分位数、均值、中位数、方差、标准差、偏度和峰度进行统计分析；

数据可视化呈现子模块：该模块通过调用数据处理/融合子模块和数据EDA子模块，提供了对数据导入子模块导入的原始数据、数据处理/融合子模块重新组合构建的样本数据集合和数据EDA子模块得到的数据EDA结果的可视化呈现；

其中，基于动态规则库的反欺诈引擎模块提供了基于智能决策技术的算法支持，在用户的干预下，选择合适的决策树模型算法，对导入且完成数据准备的样本数据进行决策树建模并训练模型，而且能够在训练得到的模型基础上形式化输出可供人工干预的形式化规则；该模块包括以下子模块：

规则库模型子模块：该子模块实现了对常见的决策树算法的封装，包括XGBoost、GBDT、RF决策树算法；该模块通过调用建模人机接口模块中的规则库配置子模块中传递过来的模型参数，结合调用数据准备模块传递过来的训练样本数据，实现对样本数据的建模和训练；该子模块的输出为训练完成的决策树、基于训练完成决策树的变量重要度排序；

规则库输出子模块：该子模块通过调用规则库模型子模块、数据导入子模块、规则库校正子模块，实现对已经训练完成的决策树模型进行形式化的输出，并支持对形式化输出的规则库直接进行人工校正干预；

决策子模块：该子模块通过调用建模人机接口模块，得到需要决策的申请人信息，并调用规则库模型子模块，将申请人信息输入已经训练和校正完毕的决策树模型，提供了基于规则库的决策结果输出；

其中，建模人机接口模块提供了基于web的UI人机接口，用户可通过该模块实现动态规则库构建、动态规则库部署应用过程的全程可视化以及干预交互，该模块包括以下子模块：

规则库配置子模块：该子模块提供了基于web界面的决策树模型选择，以及对应模型参数配置功能，用户可以通过该子模块实现对决策树模型建立过程的干预和设置；

规则库校正子模块：该子模块提供了基于web界面的规则库校正功能，通过调用规则库输出子模块，得到训练完成的形式化的决策树模型；通过调用规则库模型子模块，得到变量重要度排序，可作为对决策树校正的参考依据；最终能够支持决策树模型可视化、可编辑；用户可以通过该子模块对可视化呈现的决策树进行校正，从而对规则库进行完善；

申请人信息采集子模块：该子模块提供了基于web界面的申请人信息输入功能；该子模块中采集到的申请人信息，通过调用决策子模块，输入到已经校正后的规则库中，可以实现对申请人欺诈行为的判定。

2.一种基于动态规则库的消费金融反欺诈方法，其特征在于：该方法主要步骤如下：

步骤(1)、基于存量数据建立标签体系：充分依据已有的经验规则，在反欺诈系统平台上通过数据准备模块，对存量数据中的违约样本进行标签化处理，得到标签样本数据；

步骤(2)、对步骤(1)得到的标签样本数据开展EDA探索：具体是在反欺诈系统平台上，通过调用数据准备模块对各个变量的分布、离群点以及缺项情况进行探索和完善，并结合经验信息完成入模变量的初步筛选；

步骤(3)、在步骤(2)完成入模变量初步筛选的基础上，利用决策树获取变量特征重要性排序，从而确定最终入模变量；具体是在确定初步筛选入模变量后，将相应的样本数据输入决策树模型，经过多轮样本迭代训练，模型训练完成；根据决策树模型的定义，可以得到入模变量的重要性排序，用以支持规则库的生成和人工干预；并通过建模人机接口模块进行可视化输出；风控人员可以根据变量对于标签的重要程度来验证已有的经验规则，并为校正生成的动态规则提供参考依据；

步骤(4)、基于建立的决策树模型生成动态规则库：选择最终入模变量后，在系统中选用合适的智能决策算法构建决策树模型，并对模型进行训练，训练完成后输出形式化的规则以便人工干预校正，校正完成后的规则即可构成动态规则库，用于生产环境中对申请人欺诈风险进行决策；

步骤(5)、利用基于动态规则库的反欺诈引擎模块进行决策：在完成了动态规则库构建的基础上，用户通过调用申请人信息采集子模块，采集到用户的基本信息，在后台的规则引擎会利用步骤(1)～步骤(4)所构建好的动态规则库，能够单个或批量输出对当前申请客户是否具有欺诈风险的判定结果。

3.根据权利要求2所述的一种基于动态规则库的消费金融反欺诈方法，其特征在于：所述步骤(4)的具体实现方法为：该步骤基于步骤(2)初步筛选的入模变量和步骤(3)用以对变量重要性排序的决策树模型，通过基于动态规则库的反欺诈引擎模块实现动态规则库的最终建立；

首先构建根节点，将所有的训练数据集都放在根结点，选择一个最优特征，按照这一最优特征将训练数据分割成子集，使得各个子集有一个在当前条件下获得最好的分类，如果这些子集已经能够被基本正确分类，那么构建叶结点，并将这些子集分到对应的叶结点中去，如果还有子集不能被基本正确分类，那么对这些子集选择新的最优特征，继续对其分割，构建相应的结点；如此递归下去，直到所有的子集被基本正确分类，或者没有合适的最优特征为止，最终每个子集都能被分到叶结点上；

其次，在进行最优特征选择时，采用Gini系数来作为特征选择的依据，Gini系数越小表示集合中被选中的样本被错分的概率越小，也就是说集合的纯度越高；对于具有多个取值的特征，需要计算以每一个取值作为划分点，对比样本划分之后子集的纯度，然后从所有可能划分的集合中找出Gini系数最小的子集，作为最佳划分点；

最后，根据构建的决策树模型进行规则库的建立；对于第一次选择的最优特征，以根节点表示，并且根节点包含的最优特征以及相应的阈值进行分裂，这样以直线每次选择的特征进行划分后，利用直线连接划分后对应的叶节点与每一个内部节点，这样表示在该规则下，对应的类别，以决策树的形式直观表示模型的含义。