大模型在百度電商機審應用的落地實踐 - 新聞 詳情

導讀

本文聚焦百度電商風控場景，針對傳統機審多模態識別弱、語義模糊難區分、審核體驗差等痛點，推進原有機審流程向AI化流程改造，基於業界MultiAgent範式在審核場景落地應用，提出 “多模態大模型 + 規則 + 知識庫” 協同的機審 Agent 方案。通過：1. 審核標準體系化、大模型化；2. 多模態大模型在領域典型問題上的抽象技術方案；3. 針對場景化問題精準優化。產出標杆式業務落地效果，為電商風控大模型落地提供可遷移能力強的技術方案。

01 背景與問題

1.1 背景

“百度優選”是百度旗下電商品牌，伴隨着近年百度電商的快速成長，在 “人、貨、場” 高速運轉的背後，風控體系始終面臨 “安全 - 效率 - 體驗” 的三角挑戰：

  • 對平台：風控是 “生命線”若未能準確及時的管控風險，可能引發監管處罰、用户信任流失，甚至影響百度的商譽。

  • 對商家：“快過審 + 明理由” 是核心訴求，在傳統人工審核流程中，商家提交信息後需等待2-4 小時（峯值期甚至 1 天），若被拒審僅收到 “內容違規” 的模糊反饋（在歷史的商家訪談中，部分不滿意指向了 “審核慢、理由不清”）。

  • 對用户：“看到靠譜內容” 是關鍵，若平台出現了不可靠或者低質的信息，用户可能會因 “被騙” 損失利益，從而進一步導致用户的流失 。

作為百度電商風控技術團隊，我們的目標很明確：用大模型重構機審體系，實現 “全機審覆蓋 + 即時反饋 + 高可解釋性”，讓平台 “安全”、商家 “高效”、用户 “放心”。

1.2 面臨的問題

在大模型落地前，我們的傳統風控流程是 “商家提交→機審（規則+小模型過濾）→人審（人工判定）”，這種模式在業務快速增長下：

  • 問題 1：人審瓶頸剛性，無法支撐業務增長

  • 問題 2：機審能力薄弱，為保證風險不露出人審覆蓋面大，審核時效長（小時級，極端情況下甚至長達1天）

  • 傳統機審依賴規則引擎（如關鍵詞匹配 “最佳”“第一” 判定虛假宣傳），但無法處理複雜場景：

  • 多模態違規：主圖顯示 “Nike”品牌，詳情頁顯示為”山寨品牌“—— 規則無法識別圖文不一致；

  • 模糊語義：“本品有助於睡眠”（合規）vs “本品治癒失眠”（違規）—— 規則無法區分 “程度差異”；

  • 問題 3：審核體驗差，商家申訴率高

  • 傳統機審拒審理由模糊，商家需反覆猜測修改方向。

為了解決上述提到的問題，本文將詳細介紹本次最佳實踐

02 技術方案

針對傳統流程的痛點，我們提出 “大模型 + 規則 + 知識庫” 協同的機審 Agent 方案，核心邏輯是：讓模型做 “語義理解”（擅長的事），規則做 “確定性判斷”（穩定的事），知識庫補 “外部信息”（精準的事）。

2.1 整體技術方案

流程上，我們重構了整個審核流程，實現了 “全機審覆蓋 + 即時反饋 + 動態校準”：

原流程 vs 新流程對比

圖片

圖片

2.2 亮點

2.2.1 審核標準對齊

要實現全機審，“人審標準可量化” 是前提。我們通過 “風險梳理→標準優化→動態更新” 三步，將 700 餘個零散風險點整合成 24 組核心風險，覆蓋了95%+的線上違規問題。

步驟 1：風險點梳理 —— 做 “減法”

我們採集2025年Q1的全部人審記錄，

  • 相似風險合併：採用層次聚類將相似違規進行歸類。

  • 風險分層：對”風險嚴重程度“較低，且不直接影響商品價值和用户購買決策的風險暫時不納入機審（人工巡查覆蓋）。

  • 長尾剪枝：對”發生頻率“較低的風險暫時不納入機審（人工巡查覆蓋）。

步驟 2：審核標準優化 —— “規範化”

我們把人審識別的風險劃分為三部分，明確違規/明確不違規/邊界樣本

圖片

步驟 3：動態更新 —— 做 “迭代”

我們每月例行巡查、回收商家申訴和人審處理數據，若發現新違規類型，則補充到風險組，及時更新線上機審agent。

2.2.2 基於多模態大模型的機審agent設計

大模型是機審 Agent 的 “大腦”，我們選擇大語言模型+多模態大模型為基礎，輔助知識庫（品牌授權庫、類目樹、資質庫），實現 “多模態理解 + 精準判定”。

輸入層：多模態數據整合

接收商家提交的全量商品數據，包括：

  • 文本數據：商品標題、詳情頁描述、規格參數、商家資質名稱；

  • 圖像數據：主圖、詳情圖、資質圖片（如《授權許可證》）；

  • 結構化數據：商家資質庫（如品牌授權記錄、進口報關單）、平台類目樹、風險規則庫。

特徵抽取層：多模態特徵融合

特徵抽取是機審的 “感知層”，我們採用 “規則抽取 + LLM 文本理解 + 多模態模型圖像理解” 的組合方式，覆蓋所有維度的商品信息：

  • 規則抽取：用正則表達式提取標題中的品牌（如 “Nike”）、類目（如 “運動鞋”）、關鍵詞（如 “進口”）；

  • LLM 文本理解：用文心大模型提取詳情頁中的模糊語義（如 “治癒失眠” 的違規表述）、邏輯矛盾（如 “進口商品” 但未提報關單）；

  • 多模態大模型圖像理解：使用多模態大模型模型識別主圖中的品牌 logo（如 Nike 的 Swoosh 標誌）、資質圖片中的 OCR 信息（如《授權許可證》編號）。

風險判定層：大模型 + 規則 + 知識庫協同

風險判定是機審的 “決策層”，核心邏輯是 “讓專業的模塊做專業的事”：

  • 規則引擎處理確定性邏輯：針對 “絕對化用語”“資質必填項” 等確定性規則，直接用代碼判斷（如 “含‘進口’關鍵詞必須提交《進口報關單》”）；

  • 知識庫查詢外部信息：關聯商家資質庫、平台類目樹等領域知識（如查詢商家是否有 Nike 的授權記錄）；

  • LLM 綜合判定：融合多模態特徵、規則結果、知識庫信息，輸出最終結論（如 “主圖含 Nike logo + 無授權記錄 → 品牌侵權違規”）。

輸出層：精準反饋 + 可解釋性

輸出層是機審的 “交互層”，需滿足商家的 “明理由、能整改” 需求：

  • 審核結果：通過 / 拒絕；

  • 拒審理由：自然語言描述（如 “您發佈的商品主圖含 Nike 品牌 logo，但未提交 Nike 品牌的《授權銷售許可證》”）；

  • 整改建議：輸出給發品端前端，提供自動整改能力（如刪掉對應違規位置違規信息）。

圖片

任務拆分：讓模型 “專注擅長的事”

我們將機審任務拆分為三類，以同時保證審核結果的高召回，高準確，清晰可解釋：

  • 特徵抽取：提取商品的關鍵信息（如從主圖提取品牌 logo、從詳情頁提取材質等）；

  • 風險判定：規則引擎結合知識庫，判斷特徵是否違規（如 “logo 是 Nike，但無授權→侵權”）；

  • 理由生成：模型生成自然語言拒審理由（如 “未提交xx品牌的授權許可證，請補充”）。

圖片

03 實踐案例

在典型問題的文本問題判定，圖片問題判定，圖文融合問題判定上，經過我們的技術方案演進，均可達到幾乎對標人審能力的效果。

3.1 資質缺失風險判定

場景描述

針對高危商品行業如三品一械行業，售賣相關商品時要求商家提供清晰可辨、且信息完整的對應資質（如《保健食品批准證書》、《國產特殊用途化妝品行政許可批件》、《醫療器械備案證明》、《委託進口協議》等）。

傳統流程痛點

  • 規則策略：僅能檢查 “是否含‘進口’關鍵詞”，無法關聯商家資質庫，漏檢率高；

  • 人審需人工查詢和核對資質，耗時長，易因 “漏看” 導致誤判。

機審方案：領域微調 + Prompt Engineering

對於此類複雜判定類問題，領域知識深度深，我們基於基座模型進行了模型微調，通過高質量樣本收集 -> Prompt Engineering -> 數據增強 -> 模型微調 得到了專注於電商風控場景的領域AI模型

  • 高質量樣本收集 ：我們將真實場景下經人工核驗的高質量樣本沉澱為模型訓練語料。這一環節是模型訓練的核心，保障了訓練數據的真實性、多樣性，以及對各類場景的覆蓋豐富度。

  • Prompt Engineering：基於不同樣本類別，設計場景化提示詞，引導模型關注風控領域知識：

  • 數據增強：我們採用SOTA思考模型，動態生成Cot並對生成內容進行精細化糾偏，提升模型的推理能力：

  • 模型微調：對比百度自研文心基座模型和開源Qwen系列模型，我們分別對比和採用了全參數微調和指令微調方式，加速訓練過程，進一步提升模型效果，獲得風控領域專家模型。

圖片

3.2 品牌授權風險判別

場景描述

商家發佈的商品信息，涉及限售品牌，但實際未獲得品牌授權（易引發假貨投訴等體驗問題）

傳統流程痛點

  • “山寨 logo”較難以識別（如 “Nlke” 冒充 “Nike”）；

  • 授權書需人工手動核驗，耗時久，漏檢率較高；

  • 管控品牌庫變動升級較多

機審方案：多模態特徵匹配 + 知識庫關聯

採用 “多模態模型圖像識別 + LLM 字符相似度對比 + 知識庫查詢” 的方案：

  1. 多模態模型圖像識別：採用多模態模型提取主圖中的 logo 特徵；

  2. 知識庫查詢：關聯限售品牌庫，確認品牌是否限售，是否有授權記錄；

  3. LLM 圖文信息融合判斷：確認提取品牌信息是否限售且無授權；

圖片

3.3 類目錯放風險判定

場景描述

1）因電商商業流量推薦等場景中列類目特徵權重極高，類目準確性嚴重影響流量變現效率；2）平台佣金政策和資質/定向准入等管控要求與類目強關聯；因此要求商家發佈商品必須選擇到平台類目體系內最準確的類目；

傳統流程痛點

  • 圖文特徵融合困難：傳統方案一般僅使用標題識別類目，商家對抗後容易繞過機審

  • 平台類目龐雜：審核員需非常瞭解平台近5000個類目結構，極容易誤審

方案演進

方案一：基礎方案

  • 圖文特徵融合推薦平台top相似度類目

圖片

方案二：解決類目推薦不準確問題

  • 改為召回+rank 兩階段方案，提升精準選擇類目可能性

  • 升級相似度計算模型為bge-large-emb，解決部分情況下相似度召回精準不足問題

圖片

方案三：解決部分高風險商品在第一輪候選集召回不足問題

  • 增加定向召回通路，提升高風險商品召回能力

  • 升級風險判定方案，結合大模型判定和識別規則，進一步提升精準判別能力

圖片

04 總結與展望

4.1 落地效果

超預期的 “三升三降”

三升

  • 機審覆蓋率提升

  • 審核時效提升

  • 商家滿意度提升

三降：

  • 人審量減少

  • 申訴率減少

  • 用户投訴率減少

4.2 經驗總結

大模型不是 “取代人”，而是 “解放人”—— 讓審核人員從 “重複勞動” 轉向 “標準制定、風險預判”。

本次落地實踐較為成功的要點

  • 多模態融合：電商數據 80% 是多模態的，單模態模型無法覆蓋所有場景；

  • 可解釋性優先：大模型的自然語言生成能力是提升商家體驗的關鍵 —— 傳統規則的 “內容違規” 無法讓商家整改，而 LLM 生成的 “未提交 Nike 授權許可證” 能直接指向問題，進一步的我們業務團隊為商家提供了一鍵整改功能，大大提升商家使用平台工具的滿意度；

  • 閉環迭代：用巡查、申訴數據持續優化模型，形成 “數據→模型→效果提升” 的飛輪；

4.3 展望

agent的自我優化：利用大模型生成能力生成難樣本，解決風控場景的大難題——小樣本問題，輔助少量人工干預使得agent自我演進和優化。

05 結語

過去的1年裏，大模型技術突飛猛進的發展，為電商風控帶來了 “質的飛躍”—— 從 “被動堵風險” 轉向 “主動防風險”。在百度電商風控技術的實踐中，我們乘着時代的技術紅利，落地 “多模態大模型 + 規則 + 知識庫” 解決了傳統機審的痛點，實現了 “平台安全、商家高效、用户放心” 的平衡。未來，我們將繼續探索 “AI + 風控” 的邊界，提供可快速遷移的大模型落地方案。