AI可疑交易识别：图网络与规则融合实验

在反洗钱场景中，规则引擎可解释、覆盖明确，但对拆分转账、多层过账、团伙互转这类模式容易漏报，单条规则命中往往也缺少上下文。金融AI实验室近期的一项实验，尝试把交易关系建成异构图：账户、商户、设备、IP 作为节点，转账、登录、绑卡作为边；节点特征取金额分布、活跃时段、对手方集中度与历史规则命中情况，用图神经网络输出可疑度打分，再将打分作为补充特征回灌原规则引擎，形成“规则兜底 + 模型排序”的双层结构。

要点：

• 进展：在脱敏的历史上报案件上回溯，模型对团伙型可疑交易的召回较规则基线提升约 12 个百分点，同等召回下待人工复核队列压缩约三成；拆分转账的识别主要依赖时序聚合特征，而非单点阈值。
• 下一步：引入时间衰减与人工复核反馈闭环，把调查员的“确认/排除”作为弱标签迭代模型；同时补齐可解释输出（关键邻居路径），以满足合规留痕与审计要求。