一个反作弊风控团队，往往需要配备一定人力的审核团队，主要的作用有两个
1）对已发现的样本进行人工确认和样本标记，从而用于各种监督学习模型的训练
2）对疑似作弊但无法机器自动封禁的case进行人工确认和处理
为了保证业务场景的作弊率低于一定标准，需要使用策略+人工双规方式才能比较好的满足要求，尤其人力审核，这个即便是再牛的大厂如Facebook也没法免俗，具体参考：
https://zhuanlan.zhihu.com/p/130489814?utm_source=wechat_session&utm_medium=social&utm_oi=818144965241757696&from=timeline&isappinstalled=0&wechatShare=1&s_s_i=sshhET7OXug%2FXLbfWHGruqk11mvC8BZrJ0TWDlTPjsA%3D&s_r=0
具体的风控流程大致有几个步骤
1）首先需要对作弊有比较明确的定义，比如色情问题，就需要界定其他类似的如低俗直播类，模特泳装类算不算色情问题，等
2）熟悉业务，反作弊业务是服务业务的，是业务和数据分析的结合，所以一定要熟悉业务场景，这是也分析数据所必须的。
2）对问题有了明确定义以及熟悉业务场景之后，就需要对线上的作弊问题进行分析，在这个过程中还需要大量的标注数据，因为目前主要的风控策略和机器学习算法大多是有监督学习，这个过程中可以对整体的作弊问题类型有大致的了解，也便于分析人员更好的总结有哪些特征可能会比较有用，从而用户后续特征工程的建设。当然绝大部分的标准工作还是需要审核标注团队来完成，量级可能从几千到几十万甚至上百万级别。这也就是审核人力的第一个重要作用（标注准确率是一个非常重要的指标，一次错误的标注都可能对策略造成巨大影响）
3）通过各场景的特征工程建设拉取需要的数据并整合出尽量多的特征，当然这里要权衡获取数据的难度和收益。
以下部分可以参考下图：
4）对于线上场景，首先需要一个高召回策略进行覆盖，保证线上遗漏的作弊问题在一个可接受的范围（这个要看对具体作弊类型的容忍度）。当然这个策略的精确率要尽可能高这样才好节省审核人力。（我们业务的高召回场景召回率一般在80%+，精确率一般在30%-60%，看具体召回率的要求）
5）高召回策略召回的数据，再经过高精确策略进行自动化处理（为了降低审核人力成本），由于这个高精确策略是自动处理的，因此对精确率（precision）要求比较高，具体也要看业务的需求，我们业务一般要求99.9%+，再高的话很可能出现过拟合。
6）对于高召回命中但是高精确没有命中的部分，就需要审核人力进行覆盖，从而保证相关问题得到及时解决，同时也提供更多的无法确定的正样本数据集。
