在9月27日于杭州云栖小镇举办的云栖大会“金融智能”专场上，人工智能专家宋乐教授分享了他在蚂蚁金服的人工智能研究及应用成果。宋乐教授不仅是蚂蚁金服人工智能部门的研究员，也是美国乔治亚理工大学的终身副教授和机器学习中心的副主任。他还担任国际机器学习协会的董事以及多个国际顶级会议的领域主席。

在蚂蚁金服，机器学习已经渗透到了各个业务场景，推动着多种业务的发展。宋乐教授详细介绍了金融特征的机器学习，特别是三个关键技术领域：面向海量图数据的深度学习系统、自动机器学习系统和多智能体对抗强化学习系统。

面向海量图数据的深度学习系统

金融领域的数据与互联网其他领域有所不同，它包含一个庞大的金融网络，其中资金在不同的实体间流动。这些实体包括用户、商家、公司等角色节点，还有虚拟节点、设备节点和物理节点。这些节点之间的关系和信息交互形式多样，构成了复杂的网络。对这个网络进行机器学习建模，以提取有效信息，是一项复杂的工作。

为了实现这一目标，需要一种平台将图数据转化为向量表示，再基于向量表示进行机器学习建模。蚂蚁金服的图数据极为庞大，涉及数百亿的节点和数千亿的边。为了应对这种规模的数据，需要高效的数据存储和处理系统。蚂蚁金服采用了一些先进的技术，如GraphFlat和PHStore，用于图数据的存储和快速查询。

此外，还需要设计一系列算法，例如随机采样算法，将图数据转化为稀疏或稠密矩阵，并在GPU和CPU上进行分布式计算。为了支持不同结构的网络建模，蚂蚁金服开发了一系列算法，包括：

• 面向无属性网络的xGrep：适用于大规模数据集，支持分布式随机游走和Word2Vec训练。
• 面向属性网络的GeniePath：一种自适应的深度/广度图神经网络，性能领先。
• 面向异质网络的HeGNN&IGNN：具有层次注意力机制，提供金融级别的可解释性。
• 面向知识图谱的KGNN：用于知识图谱的表达学习，结合图神经网络和图谱模型。

自动机器学习系统

蚂蚁金服内部有大量机器学习算法的应用场景，每天都有大量的模型在训练中。然而，算法人员的时间和精力有限，尤其是在面对复杂的产品和业务需求时。为了提高模型训练的效率，蚂蚁金服开发了自动机器学习（AutoML）平台。该平台通过自动化特征选择、超参数搜索、网络结构搜索和元学习，大大降低了新模型开发的成本。

其中一个具体的例子是autonet，这是一种针对推荐场景的深度神经网络算法。通过将成功的小的深度神经网络子模块自动化拼装起来，autonet能够构建出新的网络结构，并找到更高效的模型。实验表明，autonet在用户拉新的场景中取得了显著的效果，转化率提升了14%。

多智能体对抗强化学习系统

在金融场景中，许多节点不是静态的，而是动态交互的。在这种情况下，传统的强化学习方法并不适用，因为它们依赖于一个固定的模拟器。为了应对这种情况，蚂蚁金服开发了一种多智能体强化学习平台，通过模仿学习用户的行为特征和奖励函数，来进行机器学习。

该平台的一个具体应用是在推荐系统中。传统的推荐系统通常将用户的每次行为视为独立的预测任务，而多智能体强化学习则将用户的行为视为一个长期的优化过程。这种方法使得推荐系统能够更好地理解和优化用户的长期兴趣，从而提升用户体验和价值。

总之，蚂蚁金服在机器学习领域的创新和应用不仅提高了业务效率，也为未来的金融科技发展奠定了坚实的基础。