1. 课程导入
欢迎进入《Transformer交易序列欺诈识别实战》。在金融风控与反欺诈场景中，交易数据天然具有时序性、事件性、强关联性：一笔欺诈往往不是孤立发生的，而是由注册、登录、绑卡、转账、提现、退款等多个事件在时间轴上串联形成。传统基于单条交易的特征工程与树模型，擅长处理静态表格特征，却难以充分刻画“行为序列中的异常模式”。本课程的核心，就是使用Transformer及其序列建模思想，把交易事件序列转化为可学习、可解释、可上线的欺诈识别能力。
本章不涉及复杂模型推导，而是帮助你建立全局认知：这门课要解决什么问题、需要哪些前置知识、30章内容如何组织、最终你能交付什么。请把本章当作一张“作战地图”，后续每一章都会在这张地图上落位。
一、学习目标：从会调用到能落地
完成本课程后，你应当能够独立完成一条从数据到模型的交易欺诈识别流水线，并具备工程化与复盘能力。具体目标分为四层：
- 概念层：理解交易序列、事件、位置编码、自注意力、掩码、序列分类与序列标注等核心概念，能区分它们与普通表格建模的差异。
- 方法层：掌握交易序列的构造、特征工程、词表/嵌入设计、Transformer编码器搭建、训练目标选择与类别不平衡处理。
- 实战层：能够使用PyTorch实现一个可训练的Transformer欺诈识别模型，完成数据加载、训练、验证、推理与指标评估。
- 工程层：理解离线评估与在线推理的差异，掌握模型导出、阈值选择、漂移监控、可解释性分析与常见故障排查。
课程定位：本课程不是“Transformer论文精读课”，也不是“风控业务概论课”，而是一门以交易序列欺诈识别为目标的实战课。所有模型知识都服务于一个明确任务：在大量正常交易中，尽可能早、尽可能准地识别出欺诈行为，并控制误杀。
二、核心概念：先建立正确的“语言体系”
在进入代码之前，必须先统一术语。交易欺诈识别中的Transformer，并不是直接处理“金额、时间、商户号”这些原始字段，而是先把每笔交易或每个事件转化为一个，再把用户一段时间内的行为组织成序列，最后让模型学习序列中的上下文依赖。
| 概念 | 在本课程中的含义 | 常见误区 |
|---|---|---|
| 交易序列 | 按时间排序的用户行为事件集合，如登录→浏览→下单→支付→退款 | 把无序交易集合直接当作序列，忽略时间顺序 |
| 事件 | 将一笔交易或一个行为编码为向量，包含类型、金额、渠道、设备等字段 | 只做ID嵌入，丢失数值特征的连续信息 |
| 位置编码 | 向模型注入事件发生的先后顺序与时间间隔信息 | 认为Transformer自带顺序感知，忽略位置编码 |
| 自注意力 | 让序列中每个事件与其他事件交互，捕捉长距离依赖 | 把注意力权重直接等同于业务因果解释 |
| 掩码 | 训练时遮住未来事件，防止信息泄漏；或屏蔽填充位置 | 训练集和验证集构造方式不一致，导致指标虚高 |
| 序列分类 | 输出整个序列是否欺诈的概率，适合账户级/会话级判断 | 与序列标注混淆，标注是给每个事件打标签 |
其中，位置编码和掩码机制是交易序列建模中最容易出错的两个点。交易数据的时间间隔并不均匀：两笔交易可能相隔1秒，也可能相隔3天。如果只用简单的顺序位置编码，模型无法感知真实时间跨度。因此本课程会专门讨论时间感知的位置编码与时间差特征。
学习建议：每学完一个概念，都问自己三个问题：它在交易场景中对应什么？如果去掉它会怎样？它可能引入什么偏差？这三个问题能帮你避免“只会调包、不会排错”。
三、整体框架：30章如何组织
课程按照“认知—数据—模型—训练—评估—工程—复盘”的路径展开，共30章。你可以把它理解为一条逐步加压的实战路线，而不是零散知识点堆叠。
- 导入与问题定义（第1—3章）：建立学习目标、核心概念、欺诈识别任务定义与评价指标。
- 数据与特征（第4—9章）：交易数据解析、序列构造、时间特征、类别特征、数值特征、词表与嵌入设计。
- 模型原理与实现（第10—17章）：自注意力、多头注意力、位置编码、编码器堆叠、序列分类头、损失函数与不平衡处理。
- 训练与调优（第18—23章）：数据划分、训练循环、学习率调度、正则化、早停、超参数搜索与消融实验。
- 评估与解释（第24—27章）：离线指标、阈值选择、注意力可视化、特征重要性、误杀与漏杀分析。
- 工程落地与复盘（第28—30章）：模型导出、在线推理、漂移监控、A/B测试、故障排查与课程总结。
为了让你更直观地看到整体结构，下面给出一个简化的课程框架图。它不涉及具体代码，只表达从原始交易到欺诈决策的主链路。
这张图强调了两个关键点：第一，Transformer只是链路中的一环，前面的序列构造和特征嵌入决定了模型上限；第二，欺诈识别不是“训练完就结束”，训练与评估闭环、阈值选择和监控同样决定业务效果。
四、案例场景：一个典型的交易欺诈序列
假设某用户账户在短时间内出现如下事件序列：
时间 事件类型 金额 设备ID 地理位置
10:00:01 登录 - D-8812 城市A
10:00:15 修改密码 - D-8812 城市A
10:01:02 绑定新卡 - D-8812 城市A
10:02:10 转账 9800 D-8812 城市A
10:02:40 转账 9900 D-8812 城市A
10:03:05 提现 5000 D-8812 城市A
如果只看单笔转账，金额可能并未超过风控阈值；但把整个序列输入Transformer后，模型可以捕捉到“登录→改密→绑卡→连续转账→提现”这一高风险模式。自注意力会让“修改密码”和“绑定新卡”对后续转账事件产生较高关联权重，从而提升整段序列的欺诈概率。
与之相对，一个正常用户的序列可能是：登录→浏览→下单→支付→确认收货，事件类型分布、时间间隔、金额分布都与欺诈序列存在差异。课程后续会使用类似结构的数据集进行实战演练。
重要提醒：交易数据涉及隐私与合规。实战中必须使用脱敏数据或公开模拟数据，禁止将真实用户敏感信息上传到第三方平台。课程示例数据均为构造数据，仅用于教学。
五、常见误区与复盘：初学者最容易踩的坑
在正式进入后续章节前，先列出几个高频误区。它们看似基础，却直接影响模型是否可信。
- 误区一：把序列当表格。直接把每笔交易的特征拼接成宽表，丢失事件顺序和上下文，Transformer的优势无法发挥。
- 误区二：忽视时间泄漏。构造训练样本时使用了未来事件的信息，导致离线指标很高，上线后效果骤降。
- 误区三：只看准确率。欺诈样本通常极少，准确率会被正常样本主导。应重点关注召回率、精确率、F1、AUC与PR-AUC。
- 误区四：注意力权重等于解释。注意力高不代表因果强，解释性分析需要结合梯度、遮挡实验和业务规则。
- 误区五：忽略阈值选择。模型输出概率后，阈值决定误杀与漏杀的平衡，必须结合业务成本确定。
复盘方法：每完成一个实验，记录四件事——数据版本、特征版本、模型配置、评估指标。没有记录的实验等于没有发生，后续无法复现，也无法定位问题。
本章建立了课程的整体认知：学习目标聚焦“能落地”，核心概念围绕“序列、、位置、注意力、掩码、分类”，整体框架覆盖数据、模型、训练、评估与工程，案例场景展示了交易序列欺诈识别的典型形态，误区复盘则提前标出了高风险区域。接下来，你将进入任务定义与评价指标的学习，把“识别欺诈”这一模糊目标转化为可计算、可优化的具体问题。