当金融服务遇上ai，人工智能会碰撞出怎样的火花？

智能催收
顾名思义，此项目使用人工智能技术辅助催收，以提升催收效果、节约催收人员培训成本。目前我带着一个实习生呼延伟在做：话术生成，来年继续完善并着手探索催收机器人。话术生成
根据案件信息自动生成一份催收话术范文，举个简单的例子：
例子：a向**借钱2w，如今逾期了两期，期间打过一次电话催他还钱，通话中提了逾期对个人信用的影响等等，那么下次何时给他打电话、通话时聊什么能使他尽快还钱呢？模型就是用来解决这个问题的，把历史的催收数据喂给模型让它学会绩优催收人员的惯用套路，后续使用时将案件信息告诉它，它就会分析案件并输出一份标准的话术模板。当然，实际情况要比例子复杂的多，对于不同的产品、催收对象、逾期数、前置铺垫等等 讲的topic和力度都会差很多，这些条件的组合是指数级的，用技术可以更好hold住所有情况也可以做的更细粒度；模型也没有私心、它比人更愿意分享、生成的话术也更规范、更合规；抽的句子级、主题级话术也是后续做chat bot的语料。话术生成主要包括“话术抽取”和“范文生成”，主要使用了：词权重模型、bow、topic model（lsa、lda）、关键词/句抽取、层次聚类、自动摘要、语义连贯性度量模型等。其中，词权重模型是后续很多步骤的基础，现有的算法与我们的场景不太match、实际效果也不好，比如tf-我发现好的话术/词与其在一次催收中出现的频率并不成正比（这里也毙掉了一堆基于语义+图+pagerank的算法，如textrank等，它们本质雷同“词本身/同义词出现越多越关键”）、idf-没有考虑类别信息（绩优or绩差）、icf-考虑了类别信息、但在二类情况下不够**ooth、等等，所以我根据业务先验知识重新定义了token的local weight和global weight。（小心得：现有的学术模型虽然很多，但并不一定与工业界的具体场景match，还是要多看数据、多看数据、多看数据，归纳先验，根据实际情况选择or重制model）
话术抽取：有了上面的词权重模型后就可以用bow、topic model对文档向量化、做聚类，使内容雷同（如打给相同对象、具有相同话题 等）的文本大概率聚到一类中，从催收效果好的类中抽取topic（谈个人影响、谈法律、谈上门催收等等），再从各topic中抽取范句。范文生成：先根据案件信息决定本次通话的topic slot（一个简单的基于统计的bayes就可以搞定），根据既定的topic选出候选sentences，通过语义连贯性度量模型+beam search把句子组合成更流畅的范文。这里的语义连贯性度量模型是可以在chat bot中复用的，暂时用的是一个简单的end2end模型，主要包括两部分：1，hierarchical bilstm encoder，分别做sentence级别的和paragraph级别的encode；2，topic encoder，对topic编号、embedding、通过rnn对topic sequence做encode；concat起1和2的vector后接dnn做评分。为了提高范文的质量与多样性防止以后用到bot上后净回复废话（源于mle固有的缺陷），用强化学习策略网络对模型retrain，根据句子的质量（用之前的词权重模型度量）做good/bad reward，这一块还在实验。（我去，一个项目就啰啰嗦嗦写了这么多，下面的得简练一些）
反欺诈
这个好理解：根据进件特征判断进件人（即申请贷款的人）是不是欺诈用户。我主要从特征和模型两方面做了些实验。特征挖掘：利用community detection算法对社交网做分团、以发现欺诈团伙、为决策模型提供特征。技术方面见这篇文章：图计算1:社区发现(分团)-python(networkx、igraph)，不赘述了。模型：实验了一下 传统ml的lr、随机森林等以及dl的多层的nn做欺诈预测。其中在深层网络中实验了多种trick：比如为了减少原始信息在中间各层传递时的损失，参考了residual network以及highway network的思路、有时甚至直接把原始input concat上当前层的输出传递给下一层。结论就是：.嗯.业务上的东西不能写、那么结论就是~用pytorch写各种脑暴的“非主流”模型最爽！可以灵活的拼各种奇形怪状的模型，而且升级时api的变动也不会像tensorflow那么大！（讲真、tensorflow的api老是变来变去、我想说脏话）
信审机器人
业内对客户的信息审核一般都是通过人工打电话校验，现在也有些产品能通过让客户答题的方式自动对地址类信息做验证，我司要出一款信审机器人~它功能更完善~吸取了竞品的优点、改进了竞品的缺点.（不敢透露太多）
对话管理的实现这块主要是我和王灿做的，包括：webservice、知识图谱、语义计算（比如用户说他是做面包的的，则需要把他归一化到西餐厨师）等等。主要就是一些深度学习、语义增强、距离度量（cosine、word mover‘s d**tance等）等方面的东西。（不敢透露太多）
智能营销
用人工智能辅助做营销。我做了：观点分析模型，从电销与客户的通话数据中**用户对各产品/活动/优惠/风险等方面的观点，如客户a对体验金不感兴趣、对满减券感兴趣、担心p2p跑路、对养老产品感兴趣 等等，可以用来做用户画像、精准推销等。技术：挺传统的、其实就是个情感分析模型，一部分是粗粒度的判断情感极性、一部分是细粒度地**实体词及态度词，基于 依存句法 和 业务 写规则->统计->写规则.而且，口语对话中存在大量的间断、重复、颠倒使得依存分析的召回低的可怕.
智能客服demo
hackathon时，做了个智能客服toy，详见这里：做个聊天机器人/智能客服，木想到还赚了三千块钱、并且当做demo挂在了团队的网站上。nlp基础服务
做了个简单语义相似度模型、综合使用了统计nlp和deep nlp、懒得写详情了、配了个简单的web demo挂着团队主页、等待有需求的业务方来定制。