岗位职责
- 风险识别模型研发：面向注册登录、营销反作弊、爬虫机刷、账号盗用等流量场景，构建有监督 / 半监督 / 无监督融合的风险识别模型，在高精准与高召回的双约束下完成实时判定与分级处置。
- 团伙与关联挖掘：基于设备、IP、邮箱、行为序列构建异构关联图，用 GNN、社区发现、稠密子图挖掘等手段识别规模化作弊团伙，从"单点拦截"升级为"团伙定性"。
- 离线风险挖掘平台建设：搭建异常模式挖掘能力，通过聚类、离群检测、时序突变分析主动发现尚未被策略覆盖的新型攻击手法，缩短从"黑产变招"到"策略上线"的响应周期。
- 策略与模型协同设计：与策略、运营共建黑白名单、频控、设备与 IP 画像分层的决策体系，量化每条规则的召回率与误伤率，持续做 A/B 与影子模式验证。
- 算法工程化落地：推动模型在线化，负责特征实时计算、模型服务化、降级与灾备设计，保障风控链路的稳定性与低延迟。
- 效果闭环与归因：建立漏杀 / 误杀双向归因机制，通过数据分析定位效果衰减根因并驱动模型迭代，输出可解释的风险举证。
- 前沿技术探索：跟踪大模型、Agent、图表示学习、联邦学习等方向在风控场景的落地可行性，形成技术预研与业务转化。
职位要求
- 计算机、数学、统计学、人工智能等相关专业硕士及以上学历优先（本科需具备突出项目背书）；5 年以上算法经验，其中 3 年以上风控 / 反作弊方向。
- 熟练掌握机器学习与深度学习原理，在树模型、异常检测、表示学习中至少一类有深度实践；理论功底扎实。
- 精通 Python（或 Java / C++ 之一），熟悉 Hive、Spark、Flink 等大数据处理工具与 PyTorch / TensorFlow 框架，具备优秀的编码与数据结构算法功底。
- 优秀的数据分析能力，能够从海量日志中理解作弊手法并抽取风险特征，而非仅做特征工程调参。
- 在复杂业务场景下能分解与抽象问题，独立完成从问题定义 → 建模 → 上线 → 效果归因的全流程闭环。
- 良好的沟通协作与抗压能力，能与产品、策略、运营、数据科学高效对齐。
