4. 规则语言与表达：DRL、决策表、决策树、评分卡

在风控规则引擎中，规则的语言与表达形式直接决定了业务人员与系统之间的沟通效率、规则的维护成本以及推理性能。本章深入剖析四种主流的规则表达形式：DRL（Drools Rule Language）、决策表、决策树和评分卡，并对比其适用场景与优劣。

4.1 DRL（Drools Rule Language）

DRL 是 Drools 规则引擎的原生规则语言，是一种声明式编程语言，允许用户以“当条件满足时执行动作”的方式定义业务逻辑。DRL 文件通常以 .drl 为后缀，包含规则包（package）、导入（import）、全局变量（global）、函数（function）以及规则（rule）等核心元素。

4.1.1 DRL 基本结构

package com.example.fraud.rules

import com.example.fraud.model.Transaction
import com.example.fraud.model.Account

global com.example.fraud.service.AlertService alertService

rule "High Amount Transaction"
    when
        $t: Transaction(amount > 10000, currency == "USD")
        $a: Account(accountId == $t.accountId, riskLevel == "HIGH")
    then
        alertService.sendAlert("High risk transaction detected: " + $t.getTransactionId());
        $t.setFlag("MANUAL_REVIEW");
end

4.1.2 DRL 高级特性

4.2 决策表（Decision Table）

决策表是一种以表格形式表达规则集合的方式，特别适合条件维度较多、动作组合固定的场景。Drools 支持基于 Excel（.xls/.xlsx） 或 CSV 的决策表，通过 spreadsheet compiler 编译为 DRL 规则。

4.2.1 决策表结构

4.3 决策树（Decision Tree）

决策树是一种树形结构的规则表达方式，每个内部节点代表一个属性测试，每个分支代表测试结果，每个叶子节点代表一个决策结果。在风控中，决策树常用于构建可解释的评分模型或规则集。

4.3.1 决策树与规则引擎的映射

决策树可以等价转换为一系列 if-then 规则，每条从根到叶子的路径对应一条规则。这种转换使得决策树既能保持可视化可解释性，又能直接部署到规则引擎中执行。

4.4 评分卡（Scorecard）

评分卡是一种基于权重的线性评分模型，广泛应用于信用评估和欺诈评分。在规则引擎中，评分卡通常以 特征-分值映射表 的形式存在，引擎根据输入特征查找对应分值并累加，最终根据总分阈值做出决策。

4.4.1 评分卡结构示例

4.5 四种表达形式对比

4.6 混合使用策略

在实际风控系统中，通常不会只使用一种规则表达形式，而是根据场景混合使用：

• 顶层决策：使用决策树快速分流（如区分新用户/老用户、高/低风险渠道）。
• 中间层规则：使用 DRL 处理复杂交叉条件（如设备指纹 + 地理位置 + 交易行为组合）。
• 底层评分：使用评分卡对用户信用、交易风险进行量化打分。
• 配置层：使用决策表让业务人员快速调整参数化规则（如黑名单、白名单、限额配置）。