解决方案:细雨算法2.0将会打击多少SEO优化问题

　　解决方案:细雨算法2.0将会打击多少SEO优化问题

　　百度算法的每一次更新都是一次网络环境的清理，净化互联网环境，而站长们则战战兢兢，时刻担心自己的网站会被降级，而即将推出的小鱼算法2.0版本，势必会对一些网站造成冲击.

　　毛毛雨算法2.0版

" />

　　从百度公布的算法内容来看，Drizzle Algorithm 2.0将覆盖百度搜索引擎下的PC站、H5站、智能小程序内容，针对采集

不良页面内容、发布软文信息、无法满足用户需求的内容. 页面空白、商品信息不正确、功能不可用、图片内容质量低劣、页面内容质量低劣等。

　　从小鱼算法2.0不难看出，百度在不断提升用户体验，改善互联网搜索环境，保护搜索用户的阅读浏览体验，保障优质内容的搜索展示，而网站可能受到算法升级的冲击将首当其冲。有很多具有类似内容的 B2B 网站。幸运的是，该算法尚未推出。网站管理员仍有弥补的余地。修改建议包括：

　　1、站长自行检查网站内容，清除拼凑、合集等低质量内容，删除误导用户的软文；

" />

　　2、对产品价值、功能描述的详细介绍等内容修改为与实际产品一致，价格等敏感点可替换为“待谈”、“询价”；

　　3、小程序开发者对交互功能进行全面自查，确保按钮真实、有效、可点击，清除无效虚假按钮；

　　4.. . . . .

　　从百度给出的例子可以看出，小鱼算法2.0来源于b2b领域网站的文章内容，对其质量提出了新的要求。奉劝各位站长，优质内容为王。

　　解决方案:智能风控是什么，与传统风控有哪些区别？有哪些案例能说明它的优势？

　　01 风控中心设计背景

　　首先，大风控系统或风控中心的建设本质上是针对业务的，所以我们需要建设以业务为中心的风控中心体系。

　　以业务为中心的风控体系应具备以下六大特征：

　　基于以上趋势，我们构建了一个完整的风控体系，可以用两句话来概括：一个叫五权双核，一个叫数融有智。

　　五全是指覆盖。在建设全景风控中心时，需要考虑对不同子公司不同业务条线的全覆盖，如普惠金融、*敏*感*词*业务等；对于集团旗下的各个子公司，需要考虑所有客户服务的全覆盖；对于大群体，需要考虑不同场景的全覆盖；从渠道上看，还要考虑柜台、手机银行、网上银行、微信银行等渠道的全覆盖；最后，在流程上，要做到事前、事中、事后全流程覆盖。

　　双核是指将规则引擎和AI算法引擎结合起来构建决策流程。另外，我们需要在应用架构层面实现原子化和模块化，以支持双核。最后，必须处理最关键的数据。数据部分主要是构建客户画像和风险画像。用户画像部分需要整合所有渠道构建综合画像；风险画像部分需要整合所有业务风险数据。

　　构建完备的风控体系带来的核心价值是提升风险决策水平。一方面是建立闭环的风控策略体系，另一方面是决策引擎与AI算法的结合。接下来会做详细的分享。

　　02 策略全周期管控

　　首先是人机协作的概念。表达了专家规则与AI算法相结合的思想。在传统的决策引擎中，规则通常列在最前面。因为规则有以下好处：

" />

　　但是仅仅规则覆盖是不够的。这时候就需要AI模型了。因为从特征利用的角度来看，规则的利用特征很少。因此，该模型可以通过大量特征深入挖掘长尾风险用户。另外，模型可以基于大数据进行挖掘，数据源相对较多。

　　在整个风控体系中，人工和机器学习适用于不同的场景。例如，以下适用于专家手册规则：

　　除了规则之外，还有以下更适合机器学习的，比如：

　　在闭环方面，策略的闭环和机器学习的闭环非常相似。策略流程是策略制定、测试、上线、监控优化，最后测试上线优化后的策略的闭环。机器学习首先产生一种行为，然后对行为进行反馈。基于这些行为数据和反馈数据，学习模型。模型学习完成后，在线应用。可以看出，这两个圆非常相似。

　　接下来，让我们看一下策略管理系统。

　　（1）在策略配置方面，将制作规则记分卡、决策表、决策流，支持鼠标点击可视化和代码开发进行配置；

　　(2)在政策版本管理方面，对政策进行版本区分；

　　(3) 在策略测试阶段，会发布一系列ABTests；

　　(4) 测试发布后，将对策略进行整体效果监控。

　　首先，策略的基石是指标的计算。可以根据指标制定一些规则，并在此基础上制定独特的风控计分卡和决策表。机器学习模型也可以从指标或特征计算中获益。定义策略组件后，可以启动决策流。

" />

　　从指标的定义上，系统内置了一些指标处理功能，比如平均值、大小，或者计算年龄、性别或者*敏*感*词*首位数字，或者一段时间内的消费总额， ETC。

　　另外，我们还定义了一套DSL实现。其中一部分是内置功能，另一部分支持当内置功能无法满足时，通过外部加载插件的方式在线热加载。另一种更直观的方法是通过定义的 DSL 来定义不是内置的函数。如上例，我们首先定义了步骤列表，然后使用一个函数来进行列表处理。图中展示了我们是如何遍历表达式语法树的（目前我们的单个表达式还是串行计算的，后期我们可以通过并行进一步优化提高执行速度。）

　　上面提到的指标定义是通过DSL实现的，所以定义完指标后，我们设置指标阈值或者指标组合。这里可以使用视觉操作。如图所示，我们定义了更复杂的与（AND）和或（OR）关系，将指标组合成规则，进一步将规则组合成规则包使用。计分卡的设置也有友好的可视化操作。DSL定义和策略制定完成后，可以将策略组合组合起来形成决策流。

　　在整个决策流程中区分不同类型的节点。最开始是输入节点，然后是转换节点，简单转换变量，然后是规则节点，还有一个也可以应用机器学习模型的节点，后面是决策表，分裂等。之后定义，终止节点输出最终结果。

　　策略定义后，用于保证策略满足预期的策略测试。包括接口单测、批量集成测试（用批量历史数据回测）、champion challenger（用历史数据挑战线上规则，看能不能比）、线上沙盒测试，最后会得到一份测试报告上线策略和上线策略的整体评价，用于人工判断是否适合上线。

　　上线阶段，需要一个灰度发布流程。该流程会随机调整流量，根据条件规则进行灰度发布，并在整个策略测试完成后提供便捷的策略打包服务，一键导入生产环境。最后是流程的ABTest。这里支持多组并行拆分ABTest，可以进行对比分析。

　　最后是对策略效果的监控。包括业务监控（如通过风险图放贷金额等），统计报表（如统计命中率、拦截率等），检查策略分段指标是否有异常和规则，最后标记异常。人工确认是否为诈骗*敏*感*词*。标记结果也将用于后期机器学习算法的迭代优化。