在电诈资金拦截工作中，支付风控的核心风险之一，是对诈骗资金最终受益人的准确识别。传统风控多聚焦交易行为本身，易忽视收款方身份与资金用途的真实性核查，导致诈骗资金通过多层转账、虚假账户套现等方式流失。受益人多维可信性评估框架目的是可构建一套兼顾效率与准确性的评估模型，为支付业务提供可落地的风控解决方案。
一、模型定义与核心描述
电诈受益人可信性评估模型，是依托支付全链路数据，整合受益人身份属性、交易行为、关联关系、风险标签四个维度特征，通过规则与机器学习算法，量化评估收款方是否为电诈资金最终接收方的风控工具。其核心价值在于区分合法交易受益人与诈骗资金代收、套现账户，输出可信性评分及对应风险等级，为风控决策提供数据支撑。
该模型以受益人为核心节点，搭建身份真实性、行为合理性、关联风险性三维验证体系。输入层涵盖用户实名信息、银行卡信息、交易流水、设备指纹、账户关联图谱、公安反诈黑名单等多源数据；处理层通过规则引擎完成初筛，再借助机器学习算法开展深度风险挖掘；输出层以0-100分可信性评分映射四级风险标签，直接服务于实时拦截、延迟转账、人工复核等风控动作。
二、模型适用范围
从场景来看，模型可覆盖个人对个人支付场景的实时转账、红包、扫码付款，个人对商户支付场景的虚假商户排查，以及事后涉案资金流水中最终受益人的溯源工作。从机构来看，适用于持牌支付机构、商业银行、清算机构等具备资金划转权限的金融与支付主体。
三、模型目标、约束与实现路径
（一）核心目标
模型首要目标是提升诈骗受益人识别质量，控制漏判率与误拦截率，同时满足实时风控效率需求与监管合规要求。具体而言，诈骗受益人识别准确率和漏判率控制，合法交易受益人误拦截率；适配支付交易实时处理需求，且风控决策具备可回溯、可解释性。
（二）实现路径
数据层需构建多源融合的受益人风险数据池，整合内部实名信息、交易流水、设备指纹等数据，对接公安反诈黑名单、央行反洗钱系统等外部数据，完成数据清洗、脱敏与标准化，构建多维度关联图谱。
特征层围绕身份、行为、关联三大维度设计特征体系，身份特征包括实名核验通过率、证件有效期、地址稳定性等；行为特征涵盖交易频率、金额分布、资金留存时间等；关联特征涉及账户关联数量、关联账户风险等级、资金链路长度等。
模型层采用规则+机器学习融合建模，规则引擎通过黑名单匹配、异常交易规则完成初筛，机器学习模型借助XGBoost、LightGBM等构建基础评分模型，结合图神经网络（GNN）分析账户关联网络风险。应用层依据评分结果执行差异化风控动作，形成完整应用。