导读：本团队主要负责京东零售领域的风控算法模型构建，针对京东零售风控方面，业务要求不断地更新、模型失效快、更新迭代慢以及成本高昂等情况，我们提出了自己设计研发的 NLP 预训练架构模型和用户行为预训练模型，并进行预训练模型的平台化，方便一键部署开发，快速迭代，简单易用，推理速度提升等，有效解决了业务问题，并在公开数据集上也得到了很好的效果。
本文将对我们的一些工作进行介绍，并对未来京东零售风控的发展方向进行展望。主要包括以下几部分：
背景介绍
NLP 预训练
用户行为预训练
预训练平台化
展望
01 背景介绍
首先介绍一下京东零售风控的背景。
如上图所示，京东零售风控的任务是维护京东零售平台健康的交易生态环境，主要包括主站 APP、PC 端等。场景包括 C 端和 B 端两大部分。
C 端风控主要针对恶意刷券，使用外挂软件获取权益，比如用一些黑客软件抢茅台等，还有一些广告辱骂的内容，比如发小广告、不合规的内容等，以及价格方面的管控等。B 端风控主要是针对商家刷单行为、恶意套利行为，以及客服防骚扰。
如上图所示，零售风控算法能力整体上分为用户行为和文本两大部分。用户行为这一块，通过上面提到的场景，算法人员可以将这些场景的数据构建成统计特征、序列行为特征，比如浏览页面等。文本这一块，主要是内容风控，包含舆情，地址异常等场景识别作为基础，以 NLP 的文本特征作为识别的基础。风控领域相对于其他领域的 NLP 场景，其主要的特点是异音异形字的识别，比如加微信，如上图中所示，通过一些异形字体，+薇信，躲避文本的风控检测。
以上两大场景，存在以下几个问题：
第一，失效快，比如广告引流场景，模型很快就会有效果衰减，具体原因就是恶意攻击者，会反复尝试不同的字体和形式，用以破解算法模型，从而达到自己的目的，导致模型失效或者效果下降。
第二，针对新的业务场景，需要大量的人工标注数据，人工标注的成本会非常高，而且耗时比较长。
第三，建模的效率低，效果差，因为首先要做特征，特征完之后，再预训练模型，整个链条拉得非常长，等到模型做好之后，业务方可能不需要这个模型了，或是效果不能达到预期，有的模型效果要求准确率达到接近 100%。
针对这三个问题，我们做了一些思考研究。针对失效快的问题，是否可以建立一个长期有效的机制来解决；针对需要人工标注大量数据这个问题，是否可以建立一个小样本学习能力的模型，不需要标注那么多的标签数据，使用无监督的方式进行训练；针对建模效率低、效果差等，是否可建立一个特征，模型平台化自动生成的机制，使预训练模型和大模型更好地发挥作用，快速建模和生成模型。
基于以上思考，我们依赖于预训练技术，做了一些改进优化。
02 NLP 预训练
如上图所示，NLP 是风控内容、舆情、地址等风控能力的基础，而且，近年来，预训练技术是处理 NLP 的最常用的方式。整体的流程如上图所示：首先数据采集，然后进行模型预训练，最后对模型进行微调。
如上图所示，本团队也尝试在开源 Bert 上进行微调训练，发现效果很差，主要原因有三：第一，公开数据集覆盖的是普通文本，不是风控领域的数据，所以，收敛效果很差；第二，开源的数据集上没有生僻字等情况，导致训练出的模型容易失效，因为风控领域有很多的生僻字；第三，在小样本的训练集上效果不好。整体而言，就是数据偏差，即没有风控领域的数据进行训练，导致开源 bert 的效果无法发挥出来。
首先，常见的 bert 改进分为三个方面：
第一，数据方面，主要通过采用更多的数据集，或者有效数据的清洗策略；以及针对特殊领域引入领域内的数据，包括引入其他嵌入模型等，比如 Chinese-Bert,Ernie-T 等模型。
第二，改变训练任务，从而提高模型的泛化能力。主体上的改进方向有以下几种：删减 NSP 预训练任务，比如 Roberta；基于实体的掩码语言模型，比如 BERT-wwm 等；以及引入其他有效的预训练任务等，比如 ERNIE 等。
第三，其他的应用方向，比如一些跨语言模型，跨模态模型等。
结合以上问题，以及常用的 BERT 改进方向，本团队设计出一个适用于风控领域的自适应模型。
如上图所示，结合调研的情况，本团队在数据和字典这一块，做了风控领域的数据和字典。如上图左图所示，主要是零售领域的业务数据，以及电商领域的数据，为了具有泛化能力，需要社区互动、对话数据以及百度百科等的数据，总共采集了 10 亿条数据；在字典方面，如上图右图所示，增添了异音异形字、电商高频字、生僻字等。
如上图所示，第一步将语料和字典构建好，但是，如果仅仅引入生僻字，还是不具备足够的泛化能力， 如果输入换了一批生僻字，还是不能很好的识别，本团队进行充分实验和调研，针对异音异形字，有很多情况是形不一样，但是音一样，比如“+”和“加”，是一个音，所以添加了拼音的编码。另一块就是字形，比如“京东”的“京”，再加一个单人旁，变成“倞”，和“京”很相似，所以也引入了字形的编码，从而提高对异音异形字的识别。
接下来，针对任务调度进行规划。引入任务调度，主要是为了解决不同的业务场景，比如评论、舆情、地址、咨询、直播等十几个场景效果不均衡的问题。如上图左图所示，是本团队调研的开源的解决方案。方案1主要是通过多任务的学习方式进行学习，所以，会导致不同任务的收敛程度不一致；方案2是通过持续学习，但是，但是，比如 task1 已经学习的非常好了，但因为后面的 task 并没有训练好，共享的BERT部分的参数还是会不断的调整，可能会破坏 task1 已经学到的特征；方案3是结合了方案1和方案2，有一定的优化，但是，task 的难易程度是人为定义的，具有很大的主观性，而且，也还是会存在 task1过度训练的情况。
针对前面几个方案的分析，本团队提出了上图右图的方案，构建内循环可持续学习任务调度方案。首先，针对不同的任务进行分组，然后在训练过程中，感知到不同的组的训练情况，比如某一个 task 的效果变差，即针对性的去训练这个组，从而提升模型的能力。
接下来，如上图所示，是本团队针对训练加速的方案设计。如果按照传统的训练方式，从头训练一个亿级的规模模型需要十几天的时间，如果是 T5 模型需要几十天，耗时过长。本团队基于京东自己的架构，并对数据和模型进行改进。首先，使用 ZeRO 的框架，可以在不影响通信效率的情况下，让模型的内存均匀的分配到每个 GPU 上，减少单个 GPU 的显存个，提高并行效率。其次，在操作融合方面，通过将多个操作进行融合，一次执行多个计算逻辑，减少全局内存的访问，有效的提高训练吞吐。最后，基于多源头数据读取能力，充分发挥 A100 显卡潜能。
推理加速方面，因为模型部署主要是实时场景，对时延要求比较高，所以需要对模型进行蒸馏，提高推理速度。基本上使用业界的主流方式，将模型参数压缩 90%，推理速度提升 3 倍，效果接近于原始预训练模型。
上图是本团队预训练模型的效果展示。因为使用了开源数据集的缘故，所以具有泛化性，在开源的 6 个数据集上，基本上都达到了最好的效果。在内部数据集上，广告识别，以及异常地址识别，有非常明显的提升。在业务指标上，模型更新以及建模速度有了非常大的提升，并且小样本训练的效果有了非常大的提升。
03 用户行为预训练
接下来介绍用户行为预训练。前面讲到，用户行为是风控能力识别能力的基础，行为模型的深度决定了风控能力的上限。预训练模型使用以前，不同的业务场景，会各自建设一个风控的模型，存在重复性的劳动，而且特征选择不尽相同，各个场景都是从 0 到 1 独立的建模。该方式存在的问题：
第一，效率低，统计特征构建速度慢、人工浇筑慢，未能有效利用庞大细分场景标签；
第二，效果差，模型简单、建模方式简单，鲁棒性差等；
第三，底层支持少，缺少统一建模方案。
预训练模型的特点，可以克服以上几个问题，毕竟预训练是站在巨人的肩膀上，底座模型加细分场景微调，可以快速建模；并且效果好，有监督、无监督预训练可以充分挖掘存量标签、数据知识等；由于特征和模型统一建设，底层具有强支撑。
预训练模型主要应用于 NLP 领域和 CV 领域，其他的领域方面，还处于起步阶段。在业界，谷歌和腾讯等有行为预训练在推荐和画像等场景有应用，但是行为预训练在风控领域处于空白状态。风控领域的用户行为特征，主要还是浏览、搜索等序列特征，以及大量手动设计的统计特征。
上图展示了用户行为预训练模型的整体算法模型。首先，将用户的行为、类别等多模态信息进行融合，通过 Transfermer 将其转化成统一的行为特征，输入到 bert 中进行预训练。总的参数量达到了 5 亿多，表达能力远超 Bert 模型。未来使用预训练模型达到业务目的，本团队也应用了很多对比学习的方法，比如 NSP、MLM、有监督等方法，放到内循环的学习系统里面，使模型充分地学习到数据的知识。下一个阶段，是进行微调。当微调的样本不是很多，由于参数量很大，为了防止微调调偏，需要定制化的操作，比如冻结部分参数等，使模型具有更好的泛化性能。
上图是整个用户行为预训练的框架。风控的场景有很多，比如恶意订单、刷单等，异常的散乱复杂，而且碎片化，每个场景的准确度、召回率等要求不尽相同，所以需要考虑框架的适用性和泛化性。如上图右边所示，在自动化数据转换过程中，直接将用户的数据封装起来，不同场景的输入，作为参数，输入到数据中，然后输出转换后的行为数据。并且将预训练模型训练过程也进行封装，主要是对微调阶段进行训练处理。在微调阶段，根据自定义模式，对模型进行微调，这样不管业务是几十个，甚至几百个场景，底层的训练是保持不变的，微调阶段可以部署到不同的业务场景。
用户行为预训练模型的效果如上图所示。首先在效率方面，建模效率大大提升，周期降低 8 倍以上；其次，在效果上，模型效果长期稳定，鲁棒性非常强，而且在同等精度下，召回率提高一倍以上；在标注样本方面，支持小样本标注数据；在技术和数据沉淀方面，持续做大做强预训练模型，提升风控全场景识别能力。
04 预训练平台化
预训练平台化的目的，是为了解决之前存在的问题：之前的模型框架的使用，只存在于代码阶段，存在阅读代码费时间、费人力，并且接口混乱，杂乱无章等问题。搭建平台之后，支持一键式使用，方便高效。
如上图所示，本团队将 NLP 这块的内容封装到 RiskNLP 包中，非常简单易用，而且功能十分健全，比如支持多种模型类型转化，多任务模型，NER 等复杂的功能，都可以一键式训练出来；并且训练速度，推理速度等，都可以一键式的配置，非常方便。
上图是本团队提出的 RiskCDA 工具包，主要是提高异音异形字的对抗能力。这个工具包，既支持 Python 安装包一键部署，还支持本地线上扩充方式，并且支持自定义词典，最重要的是支持多种基于深度学习的前沿扩充方式，比如 TextFooler 等。
最后，如上图，是用户行为预训练模型的工具包——RiskBehavior 包。一键部署使用，与前面包所不同的地方就是这边的特征展出，也是部署成为服务的形式，针对内部需要的特征，都可以进行产出。并且在速度优化方面，也得到了很好地实现。
05 展望
对于未来的展望，主要分为以下几个方面：
第一，预训练模型不能只停留在 NLP 和 CV 领域，可以在更多的领域，比如风控，多模态等特征，容纳更多的数据知识，赋能业务。
第二，更强大的模型，包括更大的参数、更强结构模型以及蒸馏能力等。
第三，更强大的易用能力，更加快速便捷地应用到业务。
第四，拥抱开源，将框架，以及数据和模型脱敏之后进行开源。