摘要：財(cái)富管理專(zhuān)場(chǎng)上，螞蟻金服財(cái)富事業(yè)群資深技術(shù)專(zhuān)家康宇麟做了主題為人工智能在財(cái)富領(lǐng)域的應(yīng)用與探索的精彩分享。使用人工智能技術(shù)可以幫助螞蟻金服決定給客戶(hù)理賠的金額，這大大提升了運(yùn)營(yíng)的效率。

摘要： 以“數(shù)字金融新原力(The New Force of Digital Finance)”為主題，螞蟻金服ATEC城市峰會(huì)于2019年1月4日上海如期舉辦。財(cái)富管理專(zhuān)場(chǎng)上，螞蟻金服財(cái)富事業(yè)群資深技術(shù)專(zhuān)家康宇麟做了主題為《人工智能在財(cái)富領(lǐng)域的應(yīng)用與探索》的精彩分享。

演講中，康宇麟分別從如何智能感知用戶(hù)的需求，生產(chǎn)豐富的內(nèi)容，動(dòng)態(tài)的服務(wù)分發(fā)和提供更好的財(cái)富管理服務(wù)等四個(gè)方面為大家介紹了螞蟻金服在人工智能方面的一些探索與嘗試。在這四個(gè)方向上，螞蟻金服希望能夠與金融機(jī)構(gòu)深度合作，通過(guò)螞蟻財(cái)富將金融機(jī)構(gòu)的優(yōu)質(zhì)內(nèi)容，優(yōu)質(zhì)服務(wù)和優(yōu)質(zhì)市場(chǎng)觀點(diǎn)接入到螞蟻系統(tǒng)，一起為用戶(hù)提供更好的服務(wù)。

以下內(nèi)容根據(jù)演講嘉賓視頻分享以及PPT整理而成。
https://tech.antfin.com/activ...

本次的分享主要圍繞以下兩大方面：

一、金融智能的核心能力

二、螞蟻金服AI中臺(tái)

感知用戶(hù)的需求

生產(chǎn)豐富的內(nèi)容

動(dòng)態(tài)的服務(wù)分發(fā)

更好的財(cái)富管理服務(wù)

人工智能技術(shù)這幾年非?；馃?，螞蟻金服也在AI領(lǐng)域做了很多的探索，同時(shí)取得了一定的結(jié)果，沉淀了一定的能力。下圖中可以看到人工智能技術(shù)基本已深入到了螞蟻金服各個(gè)業(yè)務(wù)中。

智能營(yíng)銷(xiāo)項(xiàng)目 。螞蟻金服經(jīng)常會(huì)做一些營(yíng)銷(xiāo)活動(dòng)，給用戶(hù)發(fā)放權(quán)益紅包。以前的做法是發(fā)放固定價(jià)值的權(quán)益紅包。但有了智能營(yíng)銷(xiāo)之后，可以根據(jù)用戶(hù)的特征，動(dòng)態(tài)的決定給用戶(hù)發(fā)放紅包的價(jià)值。智能營(yíng)銷(xiāo)大大的降低了螞蟻金服營(yíng)銷(xiāo)活動(dòng)的成本。

保險(xiǎn)智能理賠 。使用人工智能技術(shù)可以幫助螞蟻金服決定給客戶(hù)理賠的金額，這大大提升了運(yùn)營(yíng)的效率。

網(wǎng)商風(fēng)控大腦。人工智能幫助螞蟻金服根據(jù)借貸者的信用狀況，動(dòng)態(tài)的決定給借貸者的借貸份額，在控制風(fēng)險(xiǎn)的前提下最大化利潤(rùn)。

智能理財(cái)顧問(wèn)。螞蟻金服正在開(kāi)發(fā)一套系統(tǒng)，以人機(jī)交互對(duì)話(huà)形式為用戶(hù)提供一對(duì)一的個(gè)性化的理財(cái)顧問(wèn)服務(wù)。

推薦陪伴服務(wù)。根據(jù)用戶(hù)的歷史的行為軌跡猜測(cè)出用戶(hù)的喜好。根據(jù)用戶(hù)的喜好動(dòng)態(tài)的推薦適合用戶(hù)的服務(wù)，產(chǎn)品以及內(nèi)容。

總體上，螞蟻金服主要在做以下兩件事，一是深度的洞察，二是實(shí)時(shí)決策。深度洞察是指多維度洞察，包括對(duì)投資者的洞察，對(duì)市場(chǎng)的洞察，對(duì)行業(yè)的洞察以及對(duì)產(chǎn)品的洞察等。了解了投資者和產(chǎn)品之后，在這個(gè)基礎(chǔ)上做實(shí)時(shí)決策。深度洞察和實(shí)時(shí)決策之間具有很強(qiáng)的依賴(lài)，通過(guò)高速的計(jì)算能力和智能決策平臺(tái)方便螞蟻金服測(cè)試新的規(guī)則和策略。

螞蟻金服在人工智能領(lǐng)域的探索過(guò)程當(dāng)中沉淀了強(qiáng)大的螞蟻金服中臺(tái)。聚焦到螞蟻財(cái)富在人工智能方面的探索，主要做了如下四件事情。感知用戶(hù)的需求，生產(chǎn)豐富的內(nèi)容，動(dòng)態(tài)的服務(wù)分發(fā)以及更好的財(cái)富管理服務(wù)。

智能問(wèn)答系統(tǒng)。探索感知用戶(hù)的需求有兩種方式。第一種是隱性方式，通過(guò)學(xué)習(xí)用戶(hù)的歷史行為軌跡，猜測(cè)用戶(hù)的需求。另外一種是顯性方式，用戶(hù)可以通過(guò)人機(jī)對(duì)話(huà)方式直接提問(wèn)，問(wèn)一些簡(jiǎn)單的問(wèn)題或者概念性的問(wèn)題，比如說(shuō)，什么是基金？什么是股票？或者更進(jìn)一步，用戶(hù)也可以問(wèn)現(xiàn)在有一萬(wàn)塊錢(qián)，應(yīng)該買(mǎi)什么理財(cái)產(chǎn)品？或者可不可以推薦一個(gè)最適合用戶(hù)的基金？

下圖為螞蟻金服智能問(wèn)答系統(tǒng)架構(gòu)圖。當(dāng)用戶(hù)提一個(gè)問(wèn)題之后，主要經(jīng)過(guò)五步。

Step1. 預(yù)處理。

a. 常用詞過(guò)濾。用戶(hù)在提問(wèn)題的時(shí)候，會(huì)使用一些常用詞，而這些詞對(duì)后面分析用戶(hù)的意圖沒(méi)有任何幫助。用戶(hù)可能會(huì)說(shuō)“早上好”，“麻煩問(wèn)一下”。系統(tǒng)需要將這些常用詞在預(yù)處理階段直接過(guò)濾掉。

b. 糾錯(cuò)。糾正用戶(hù)的拼寫(xiě)錯(cuò)誤。比如用戶(hù)經(jīng)常會(huì)把“基金”寫(xiě)成“機(jī)經(jīng)”。

c. 實(shí)體識(shí)別。簡(jiǎn)單來(lái)講，實(shí)體識(shí)別是對(duì)用戶(hù)輸入的句子進(jìn)行分詞，再對(duì)每一個(gè)詞打上相應(yīng)的標(biāo)簽。用戶(hù)問(wèn)“花唄如何開(kāi)通？”，這句話(huà)里面有三個(gè)詞，主語(yǔ)是花唄，問(wèn)題是如何是操作，動(dòng)詞是開(kāi)通。對(duì)用戶(hù)的問(wèn)題做實(shí)體識(shí)別會(huì)對(duì)后面具體識(shí)別用戶(hù)的意圖有很大的幫助。

Step2. 模型層。將用戶(hù)的問(wèn)題轉(zhuǎn)化成事先定義好的意圖。比如說(shuō)，用戶(hù)想查詢(xún)市場(chǎng)行情或者想購(gòu)買(mǎi)基金，事先定義好這些意圖。如何把用戶(hù)問(wèn)的問(wèn)題轉(zhuǎn)化成意圖？分別通過(guò)規(guī)則和算法。規(guī)則方式一般使用FST模型和Fuzzy match（模糊匹配）來(lái)提高覆蓋率。規(guī)則模型最大的好處是一旦與用戶(hù)的意圖匹配上了，準(zhǔn)確率會(huì)非常高，但劣勢(shì)是覆蓋率會(huì)很低。如果只是依賴(lài)規(guī)則模型，很難理解用戶(hù)所有的問(wèn)題。在規(guī)則模型基礎(chǔ)之上，螞蟻金服開(kāi)發(fā)了基于算法的模型，如XG B， Fast Text，及RNN,和CNN等深度學(xué)習(xí)模型。算法類(lèi)模型的好處是覆蓋率比規(guī)則類(lèi)模型高。所以通過(guò)將規(guī)則類(lèi)和算法類(lèi)模型結(jié)合在一起，便可以得到滿(mǎn)意的覆蓋率和準(zhǔn)確率。

Step3. 要素提取。用戶(hù)想在平臺(tái)上購(gòu)買(mǎi)一支基金，這是一個(gè)意圖，意圖中有三個(gè)要素。第一個(gè)是想買(mǎi)什么基金，第二個(gè)是想什么時(shí)候買(mǎi)，第三個(gè)是想購(gòu)買(mǎi)的份額。用戶(hù)輸入了一個(gè)問(wèn)題之后，系統(tǒng)如果判斷得出這個(gè)問(wèn)題是一個(gè)購(gòu)買(mǎi)基金的意圖，就會(huì)嘗試抓取抽取以上三個(gè)要素，如抽取到了三個(gè)要素，便可以直接幫助用戶(hù)下單。有時(shí)用戶(hù)可能只告訴系統(tǒng)一個(gè)或兩個(gè)要素，其中有一些要素缺失，系統(tǒng)會(huì)反問(wèn)用戶(hù)，直到用戶(hù)把所有要素信息提供給系統(tǒng)，系統(tǒng)再幫助用戶(hù)下單。

Step4. 對(duì)話(huà)管理。對(duì)話(huà)管理主要做了兩件事情，意圖的切換以及將當(dāng)前意圖中的要素進(jìn)行存儲(chǔ)。假設(shè)用戶(hù)在之前的意圖中缺失要素，系統(tǒng)反問(wèn)用戶(hù)收取要素信息，用戶(hù)沒(méi)有回答這個(gè)問(wèn)題，而問(wèn)了另外的問(wèn)題，即轉(zhuǎn)到了另外的意圖。這種情況下，系統(tǒng)會(huì)把當(dāng)前意圖要素先進(jìn)行存儲(chǔ)，等下一個(gè)意圖完成之后，用戶(hù)如果回到前一個(gè)意圖，系統(tǒng)再把之前的要素讀取出來(lái)，避免讓用戶(hù)進(jìn)行重新輸入。

Step5. 排序和對(duì)話(huà)生成。Step3中提到的每個(gè)模型都會(huì)生成期望答案，在Step5中將它們的答案進(jìn)行精排再做最后的決定。如下圖，用戶(hù)問(wèn)基金分析，系統(tǒng)中匹配到基金分析的意圖。從“基金分析”這個(gè)意圖中需要知道“基金名字”這個(gè)要素，由于用戶(hù)沒(méi)有告訴系統(tǒng)基金名字，所以反問(wèn)“你想知看看哪個(gè)基金呢？”，用戶(hù)告訴系統(tǒng)是“中證白酒”，系統(tǒng)就可以提取“中證白酒”基金的相關(guān)信息并返回給用戶(hù)。之后用戶(hù)問(wèn)了一句“有什么新聞”，實(shí)際上這是另外一個(gè)意圖，但是因?yàn)樵谇耙粋€(gè)意圖中用戶(hù)已經(jīng)明確的告訴系統(tǒng)對(duì)“中證白酒”基金感興趣，所以系統(tǒng)返回的新聞也是關(guān)于“中證白酒”的新聞。

單純了解用戶(hù)意圖還遠(yuǎn)遠(yuǎn)不夠，智能問(wèn)答系統(tǒng)中需要有豐富的內(nèi)容。對(duì)于內(nèi)容的部分，螞蟻金服通過(guò)社區(qū)得到了優(yōu)質(zhì)的內(nèi)容，以及通過(guò)爬蟲(chóng)從網(wǎng)上抓取了更多信息，再對(duì)信息進(jìn)行了處理加工。螞蟻金服本身并不是一家專(zhuān)業(yè)的內(nèi)容生產(chǎn)公司，所以在內(nèi)容方面更多的依賴(lài)于合作伙伴和機(jī)構(gòu)。希望通過(guò)螞蟻財(cái)富，將機(jī)構(gòu)的優(yōu)秀內(nèi)容接入到螞蟻系統(tǒng)中，再通過(guò)智能問(wèn)答系統(tǒng)傳遞給用戶(hù)。網(wǎng)絡(luò)上有海量的信息，最大的問(wèn)題海量信息都是以碎片化的方式很無(wú)序的散落在各個(gè)角落。這給用戶(hù)帶來(lái)了兩個(gè)問(wèn)題，首先，他們不知道到從哪里找到這些信息。其次，因?yàn)檫@些信息太過(guò)于零散，不知道如何發(fā)掘它們之間的關(guān)系，幫助用戶(hù)做更好的投資決策。螞蟻財(cái)富一直在嘗試克服海量信息帶來(lái)的困難，從下圖可以看到螞蟻財(cái)富主要做的兩件事情。一是將無(wú)序的信息變得有序，二是在有序信息基礎(chǔ)之上，讓內(nèi)容產(chǎn)生更多價(jià)值并服務(wù)于用戶(hù)。首先，散亂無(wú)序的內(nèi)容片斷進(jìn)入系統(tǒng)，系統(tǒng)通過(guò)各種各樣的嘗試將信息變成有序的事件體系。對(duì)內(nèi)容進(jìn)行聚類(lèi)和挖掘分析，最后提取出更有價(jià)值的信息提供給客戶(hù)。

事件抽取。理解一個(gè)新聞或者一個(gè)事件有兩種范式，標(biāo)準(zhǔn)化事件通路和開(kāi)放式事件通路。標(biāo)準(zhǔn)化事件通路，可以簡(jiǎn)單的理解為類(lèi)似的事情以前已經(jīng)發(fā)生過(guò)或者見(jiàn)過(guò)，而且已經(jīng)被系統(tǒng)梳理過(guò)，對(duì)這類(lèi)事件和事件的要素進(jìn)行定義。比如“上市公司高管離職”的事件中有三個(gè)要素，公司名字，高管姓名以及離職時(shí)間。如果事件已經(jīng)遇到過(guò)，可以通過(guò)模板定義事件，即使用深度學(xué)習(xí)的方法，將事件映射到一個(gè)標(biāo)準(zhǔn)的模板，從模版中抽取要素。如果能夠抽取到事件要素，可以認(rèn)為這個(gè)事件匹配成功，即事件變成了結(jié)構(gòu)化的信息，而且系統(tǒng)知識(shí)圖譜庫(kù)對(duì)這個(gè)事件有一定了解。但有時(shí)會(huì)發(fā)生突發(fā)事件，如中美貿(mào)易戰(zhàn)就從未發(fā)生過(guò)，標(biāo)準(zhǔn)庫(kù)中并沒(méi)有這類(lèi)事件的定義，可以通過(guò)開(kāi)放式的事件通路來(lái)實(shí)現(xiàn)這類(lèi)事件的抓取。開(kāi)放式通路是將事件中的主謂賓抽取出來(lái)，把這些信息存到知識(shí)圖譜庫(kù)中。假設(shè)“國(guó)民生產(chǎn)總值明年會(huì)上升”事件以前沒(méi)有遇到，從這句話(huà)中把相關(guān)要素提取出來(lái)。主語(yǔ)是“國(guó)民生產(chǎn)總值”，謂語(yǔ)是“上升”。如果后面發(fā)現(xiàn)類(lèi)似事件出現(xiàn)的頻率很高，可以將開(kāi)放式事件轉(zhuǎn)化成標(biāo)準(zhǔn)式事件。

事件推理

基于因果事件的定性影響推理。在事件抽取的基礎(chǔ)上做事件推理。一則新聞中提到“新能源車(chē)補(bǔ)貼有望十月出臺(tái)，鋰電池需求激增可期”。首先，從這句話(huà)中提取因果事件的單元對(duì)，了解到新能源車(chē)補(bǔ)貼出臺(tái)會(huì)導(dǎo)致鋰電池的需求劇增。然后在知識(shí)圖譜庫(kù)里查詢(xún)，發(fā)現(xiàn)鋰電池需求激增對(duì)鋰電池行業(yè)有利好。再?gòu)闹R(shí)圖譜庫(kù)中找到鋰電池行業(yè)龍頭股，即贏合科技和東源電器。從這件事情上可以推理出“新能源車(chē)補(bǔ)貼有望十月出臺(tái)”是利好贏合科技和東源電器的。
基于統(tǒng)計(jì)回測(cè)的事件影響推理。有一則新聞?wù)f“2018年7月6日，上市公司高管李宏盛被抓”。首先從知識(shí)圖譜庫(kù)中尋找“李宏盛”，發(fā)現(xiàn)“李宏盛”是“登海種業(yè)”的高管，而登海種業(yè)的股票代碼為002041。通過(guò)規(guī)則可以知道這是一個(gè)上市公司高管不能履職的事件。根據(jù)這類(lèi)事件進(jìn)行回測(cè)，查看這類(lèi)事件歷史發(fā)生次數(shù)，發(fā)生之后股價(jià)在未來(lái)一個(gè)星期內(nèi)的變化量，進(jìn)行統(tǒng)計(jì)，推理出002041這支股票在未來(lái)一周之內(nèi)會(huì)下降。

情感分析。情感分析實(shí)際上分兩類(lèi)，篇章級(jí)和實(shí)體級(jí)。篇章級(jí)指的是給定一段文本，判斷這段文本情感上是正面還是負(fù)面。實(shí)體級(jí)情感分析是給定一段文本和句子，同時(shí)給定一個(gè)實(shí)體，判斷這段文本和句子對(duì)實(shí)體的影響是正面還是負(fù)面的。

篇章級(jí)的情感分析主要有兩條通路?；谇楦兄R(shí)庫(kù)通路和基于機(jī)器算法通路?；谇楦兄R(shí)庫(kù)通路可以理解為有一堆規(guī)則模板，從文章中會(huì)抽取出若干個(gè)情感單元，計(jì)算情感單元計(jì)情感分，最后匯集起來(lái)得到這篇文章的情感分?；跈C(jī)器學(xué)習(xí)通路使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法，把文章直接映射到它的情感分，最后把兩條通路得到的情感分進(jìn)行加權(quán)，一并輸出，作為整個(gè)篇章級(jí)的情感分。

實(shí)體級(jí)的情感分析也有兩條通路。第一條是直接確定，它依存語(yǔ)法分析，建立語(yǔ)法樹(shù)，通過(guò)事件要素提取，得到文章對(duì)實(shí)體是正面還是負(fù)面的影響。另外一條是通過(guò)概率相關(guān)方式，如采用啟發(fā)式方法，根據(jù)情感信息與對(duì)象實(shí)體的距離，篇章結(jié)構(gòu)關(guān)系等，得到所對(duì)應(yīng)的情感分。用戶(hù)查詢(xún)基金501000，即中國(guó)平安，系統(tǒng)了解到中國(guó)平安最近發(fā)生了“平安好醫(yī)生申請(qǐng)IPO”事件，這個(gè)事件對(duì)中國(guó)平安是偏利好的事件，所以可以告訴用戶(hù)“平安好醫(yī)生申請(qǐng)IPO”事件對(duì)該基金的影響度是四星。

了解了用戶(hù)意圖和有了足夠的內(nèi)容之后，現(xiàn)在可以反饋用戶(hù)，即服務(wù)分發(fā)。服務(wù)分發(fā)解決三個(gè)問(wèn)題，給用戶(hù)提供什么樣的服務(wù)？怎么給用戶(hù)提供這個(gè)服務(wù)？在什么時(shí)候給用戶(hù)提供這個(gè)服務(wù)？這部分工作是基于比較成熟的算法，基本上整體過(guò)程是召回，干預(yù)，召回和再干預(yù)。如下圖，在使用螞蟻財(cái)富的APP時(shí)，資深投資人都在看系統(tǒng)推薦的內(nèi)容，這部分內(nèi)容和服務(wù)都是動(dòng)態(tài)的，系統(tǒng)可以根據(jù)用戶(hù)的個(gè)人喜好，推薦的最適合的信息和服務(wù)。

資產(chǎn)配置

完成了感知用戶(hù)意圖，生成豐富內(nèi)容和服務(wù)分發(fā)之后，就和用戶(hù)建立了一定的信用關(guān)系，其中某些用戶(hù)已經(jīng)購(gòu)買(mǎi)了一些金融產(chǎn)品。螞蟻財(cái)富想更進(jìn)一步結(jié)合金融工程與AI機(jī)器學(xué)習(xí)，完成優(yōu)質(zhì)資產(chǎn)組合，為客戶(hù)量身打造資產(chǎn)配置方案。資產(chǎn)配置方案第一步是進(jìn)行數(shù)據(jù)匯集。其中有三類(lèi)數(shù)據(jù)，一類(lèi)來(lái)自市場(chǎng)上的公開(kāi)數(shù)據(jù)，放在資產(chǎn)檔案中。另外一類(lèi)是機(jī)構(gòu)數(shù)據(jù)。螞蟻金服作為一個(gè)科技公司，一直信奉的觀點(diǎn)是讓專(zhuān)業(yè)人去做專(zhuān)業(yè)的事，螞蟻金服相信這些金融機(jī)構(gòu)在金融領(lǐng)域的專(zhuān)業(yè)性和權(quán)威性。希望通過(guò)螞蟻財(cái)富號(hào)，將金融機(jī)構(gòu)的觀點(diǎn)引入到螞蟻系統(tǒng)中，幫助螞蟻財(cái)富更加全面的對(duì)市場(chǎng)進(jìn)行宏觀和微觀分析。最后一類(lèi)是輿情觀點(diǎn)數(shù)據(jù)，即在內(nèi)容生產(chǎn)階段拿到的關(guān)于輿情的信息。通過(guò)數(shù)據(jù)匯總，對(duì)數(shù)據(jù)進(jìn)行特征提取，包括衍生特征計(jì)算，時(shí)序特征歸納，和機(jī)構(gòu)的觀點(diǎn)量化。假設(shè)機(jī)構(gòu)觀點(diǎn)不可量化，在這一步首先要將機(jī)構(gòu)的觀點(diǎn)進(jìn)行量化。特征提取以后會(huì)得到超高維的特征集，由于超高維的特征集并不能夠直接被用來(lái)預(yù)測(cè)市場(chǎng)走勢(shì)，所以在下一步采取傳統(tǒng)的分析方法或者人工智能算法，對(duì)超高維的特征集做聚類(lèi)，相關(guān)性分析和回歸分析，生成相應(yīng)的因子，相應(yīng)因子才是真正可以用來(lái)做市場(chǎng)預(yù)測(cè)。得到相關(guān)因子之后，配合常見(jiàn)的模型，如MPT，ML等，生成各種各樣的投資組合，它們適用于不同投資風(fēng)格投資者。最后通過(guò)研究用戶(hù)的行為，采取匹配算法，得到最適合用戶(hù)的投資組合。

點(diǎn)擊閱讀更多，查看更多詳情