在反洗钱（AML）场景中，规则引擎长期面临高误报的困扰：一条阈值规则往往产生数十倍于真实可疑案例的告警，复核人力被大量消耗在低信息量样本上。金融AI实验室近期围绕可疑交易识别开展了一组实验性探索，重点验证图结构建模能否在保持召回的前提下压降误报。
实验以脱敏的账户与交易流水为输入，构建「账户—交易—对手方」异构图：节点承载客户画像与历史统计特征，边承载金额、频次、时段与渠道等属性。模型侧采用图神经网络聚合多跳邻居信息，使资金链路中「分散转入、集中转出」等团伙性模式能够被结构化表达，而不依赖单笔交易的孤立阈值判断。
阶段性进展：在内部留出的测试集上，与现行规则基线相比，同召回水平下误报告警量下降约三成，复核队列的排序质量（Top-N 命中率）提升明显。当前主要误差集中在正常经营主体的高频对公往来，需要引入工商、司法等外部信息辅助区分。
下一步计划：将交易时序特征与人工复核结论纳入反馈闭环，按季度重训并跟踪模型漂移，同时保留规则通道作为可解释兜底。
评论