这两种方法可能会训练多个模型，会有很多分到底给哪个是一个问题。一般情况会融合一下给一个分，具体操作有两点原则，第一点来源不同的数据一般不统一训练模型，因为数据不同源本来就会对数据就会有一个约束，如APP上数据本来就有前置约束，有一个数据分布约束，而普通方式采集数据是没有分布约束的，分布数据会在训练时对某些数据有优待或忽视，就会体现在某些特征上。

举个例子如覆盖率，一个源覆盖率是10%,另一个是80%，两个源的数据放在一起训练，无论第一个源特征如何好会因为覆盖率直接被干掉。第二个就是源特质导致本身特征强弱，判断一个人有没有逾期在批款是一个很重要的事情，这种数据很少，大多拿到的是申请的数据，这个时候模型出来不能说申请的特征强。我们希望多源都能对模型进行单独训练得到的分再用自策略或stacking进行同步调整，这样每个源带来的信息都能在最终分里体现。

多模型融合的目标第一个就是融合多个模型的结果，使结果更为全面可信。不同模型有不同的特质，部分模型可能更倾向于召回，部分模型可能更倾向于准确，融合能集多家之长。第二个就是融合多源的结果，提高覆盖率。采取stacking的方法，让模型覆盖率突破单一源的覆盖率到多源最大覆盖率。这种方式不仅能融合多种模型效果，还能将源的特征带过来，对于两个源交叉部分判断更为准确，非交叉部分继承对应单模型的效果。

多模型融合方法，第一个就是从策略上进行融合，第二种就是stacking多模型融合。结果更加稳健，在各大比赛及具体应用上均被证明有较好的效果，在多源融合的时候，将不同模型出来的结果统一到一个量纲上。在客户使用方面一种是直接拿分，有些客户希望将分作为一个子feature进入上层模型。第二种是需要准确率、召回率自己把控。有的用户是直接拿结果，直接用该分数对应的结果对客户进行判断，简单明了。

接下来介绍下数美天网的客户分/广告行为分，希望通过行为上的数据对客户进行评分。实现方法就是有一个行为计算器，来一个事件计算一个得分，风险是一个逐渐累加的过程，但是评分会越来越稳定。

优点有很多：

（1）计算量小，可线上实时计算。每有一个event事件就更新一次，不用存储事件。

（2）存储空间小，不需要线下存储。

（3）部署简单，只需要对线上event事件接收那里接一个脚本写RNNcell。

（4）人工介入少，因为其为事件纬度，所以特征只需要对事件本身负责，无需太多特征工程，相较于传统的评分模式，该方法只需要线下训完RNN参数后即可上线，无需人工去分析各种case，各种调试加减分等。

几点注意，主要涉及到算法上的妥协：

（1）正常RNN对与样本event长短有定式要求，所以这里需要一个假设：线下训练用一个较长的事件长度，来近似无限长度，一般是100、1000、1500等。

（2）第二个就是很难在RNN这一点做一个妥协，不同人的在相同位置的事件并不代表同一时间的事件，且不同人的前后两次事件在时间域上也不相同。如一个人可能在事件2和3间隔一秒，另一个人可能在前天上午间隔10分钟，但是在RNN期望这个是一样的，解决方法需要从特征层面为模型提供一个参照点。

（3）由于线下有padding过程，而线上并无padding，因此在线下会有bias累加，而在线上没有bias累加，所以需要RNNcell丢掉bias。

第三个讲一下数美天网—反欺诈，反欺诈主要是反部分人通过一些策略薅羊毛、钻空子。目前业内的通用做法还是分析case，人工做策略，算算术，卡阈值。反欺诈本来是一个黑白对抗的过程，依据历史badcase分析得出策略、阈值滞后于欺诈。我们目前探索采用无监督的方式自动发现异常用户，采用诸DBSCAN，iForest等方法对海量的客户数据进行自动化分析，尽可能节省人的介入和成本。

实际过程采用多维维护，这里有两种更为高效，人工介入更少。一种是SiftScience，一种是Datavisor，SiftScience属于传统机器学习中监督学习的范畴，解决方案是双模型 Live Machine Learning模式，利用通用模型收缩问题的target，对召回的部分会采用特化模型Live Machine Learning实现线上自学习。第二种就是DataVisor，该公司主打的是无监督学习，类DT自动化选择策略，相互互补、相互验证，为客户提供建议。数美方面结合这两者，会有全局/特化监督学习模型，或策略，精确定位欺诈行为及用户，涉及RNN或者策略分析将问题找到。同时会用非监督学习方法探测可能存在的潜在异常行为，这种潜在异常行为可能是判断异常爆发的行为。如黑产先注册一百个账户等有需求自动激活，但是可以通过无监督的方法抓取。