ID2Pattern: Pretraining Generalizable Identity Behavior Patterns for Transaction Risk Foundation Models· ID2Pattern：预训练身份行为模式
Large-scale behavioral pretraining offers a promising route to generalizable representations in online payment systems. However, high-cardinality identity fields such as card, device, and account IDs, though rich in behavioral signals, remain underexploited. Their continually growing vocabularies and limited semantic meaning make existing vocabulary-based and semantics-based encodings ill-suited. Their generalizable signal lies not in specific values, but in the identity behavior patterns they exhibit across a transaction sequence. Building on this insight, we propose ID2Pattern, a pretraining framework that brings these patterns into transaction foundation models. ID2Pattern first encodes identity fields with a Local Anonymous ID (LAID) tokenizer, which captures how each identity appears
论文提出一种预训练框架，通过捕捉身份行为模式提升在线支付系统中的风险预测能力。
- 核心方法
- ID2Pattern 使用 Local Anonymous ID (LAID) tokenizer 预处理高基数身份字段，捕捉其在交易序列中的行为模式，再将其集成到预训练模型中。
- 适合谁读
- 适合研究在线支付系统风险预测的研究者和工程师阅读。
- 要解决的问题
- 在线支付系统中的高基数身份字段（如卡号、设备号和账户ID）难以利用现有的词汇表或语义编码进行有效预训练。
- 关键实验
- 实验展示了 ID2Pattern 在多个在线支付风险预测任务上的性能提升，但具体数据和实验设置未完全提供。
- 主要贡献
- 提出了一种新颖的预训练框架 ID2Pattern，能够有效利用高基数身份字段的行为信号，提高模型的泛化能力和风险预测准确性。
- 意义与局限
- 对于在线支付系统的风险预测具有重要意义，能够更好地利用用户身份信息中的行为模式，但也存在对不同领域的适用性需要进一步验证的局限。