跳转到主要内容
匹配分数是一项加权置信度指标,用于确定潜在的 AML 匹配项与被筛查个体的吻合程度。该分数用于将各个匹配项分类为误报或需要进一步审核的可能匹配项。
Didit AML 匹配分数配置展示了加权名称、出生日期和国家/地区阈值
⚠️ 重要提示:匹配分数决定的是单个匹配项的分类,而不是最终的 AML 状态。最终的 AML 状态(已通过/审核中/已拒绝)由非误报匹配项的风险评分决定。

概述

在针对 AML 观察名单筛查人员时,每个潜在匹配项都会获得一个 0-100 的匹配分数。该分数回答了这样一个问题:“该匹配项实际上是不是我们正在筛查的同一个人?”

匹配分数与风险评分


匹配分数如何确定审核状态

每个匹配项都根据其匹配分数进行分类:
默认阈值:93%
示例:阈值为 93 时:
  • 分数为 85 的匹配项 → 误报(自动忽略)
  • 分数为 95 的匹配项 → 未审核(需要审核,风险评分决定紧迫性)

审核状态详解

所有 AML 匹配项都会根据其匹配分数获得以下两种初始状态之一: 人工审核后,合规官可以将状态更新为:

提示: 您可以在控制台中通过查看 AML 概览或点击特定匹配项查看其详情来更改匹配项的审核状态。


匹配分数的计算方式

步骤 1: 基础分数计算

基础分数使用三个具有可配置权重的组件进行计算:
注意:权重之和必须始终为 100%。

步骤 2: 证件号码“金钥匙”逻辑

计算出基础分数后,将使用特殊的覆盖逻辑单独评估证件号码: 这种方法认识到匹配的证件号码是身份的决定性证明(“金钥匙”),而证件类型不匹配则不应扣减分数。

评分构成要素详情

姓名相似度(0-100)

姓名匹配使用来自 RapidFuzz 的 WRatio 算法,该算法能够较好地应对以下情况:
  • 打字错误与拼写错误
  • 词序差异(“John Smith” 对比 “Smith, John”)
  • 中间名变体(“Robert J. Smith” 对比 “Robert James Smith”)
  • 长度差异

出生日期评分

重要说明: 当匹配项仅提供年份(例如 “1974”)时,与该年份匹配将计为完全匹配,因为可供核验的信息仅此而已。

国家/地区/国籍评分

系统会自动在以下格式之间进行转换:
  • ISO alpha-2 代码(ES)
  • ISO alpha-3 代码(ESP)
  • 完整的国家/地区名称(Spain)
除了 countries 之外,系统还会检查 citizenship 字段。

分数归一化(重新分配权重)

当被筛查人员或匹配项缺少数据时,系统会使用分数归一化来避免因信息缺失而对其进行扣分。

示例:仅限姓名筛查

如果您仅使用姓名进行筛查(无出生日期或国家/地区): 结果: 姓名得分即构成整个匹配分数。

示例:匹配项缺少国家/地区数据

如果匹配项没有国家/地区数据但有出生日期: 这确保了无论数据完整程度如何,评分都保持公平。

配置选项

您可以通过 API 或工作流设置自定义匹配分数的计算方式:

匹配分数阈值

权重(总和必须为 100)


API 请求示例


响应:分数明细

响应中的每个匹配项均包含:
  • match_score — 计算出的匹配分数(0-100)
  • risk_score — 计算出的风险评分(0-100)- 参见 风险评分
  • review_status — 基于匹配分数阈值判定为 “False Positive” 或 “Unreviewed”
  • score_breakdown — 匹配分数计算的详细明细

完整流程:从匹配分数到最终 AML 状态


计算示例

示例 1: 强匹配 → 未审核

筛查数据:
  • 姓名:“Robert J. Smith”
  • 出生日期:“1985-03-15”
  • 国家/地区:“US”
匹配数据:
  • 姓名:“Robert James Smith”
  • 出生日期:“1985”
  • 国家/地区:“United States”
计算:
  1. 姓名得分:90%(模糊匹配)
  2. 出生日期得分:100%(匹配项仅有年份,且年份匹配)
  3. 国家/地区得分:100%(完全匹配)
结果: 匹配分数 (94) ≥ 阈值 (93) → 未审核 → 将计算风险评分并用于最终 AML 状态

示例 2: 弱匹配 → 误报

筛查数据:
  • 姓名:“John Smith”
  • 出生日期:“1990-05-20”
  • 国家/地区:“US”
匹配数据:
  • 姓名:“Johnny Smithson”
  • 出生日期:“1975”
  • 国家/地区:“Canada”
计算:
  1. 姓名得分:72%(弱模糊匹配)
  2. 出生日期得分:-100%(年份不匹配惩罚)
  3. 国家/地区得分:-50%(国家/地区不匹配惩罚)
结果: 匹配分数 (11) < 阈值 (93) → 误报 → 该匹配项将从风险评估中排除

示例 3: Golden Key 覆盖

筛查数据:
  • 姓名:“John D. Smith”
  • 证件号码:“A12345678”
匹配数据:
  • 姓名:“Jonathan David Smith”
  • 证件号码:“A12345678”
计算:
  1. 基础得分:约 70(姓名模糊匹配)
  2. 证件号码:匹配(完全匹配)
结果: 分数被覆盖为 100(Golden Key 匹配)→ 未审核

管理审核状态

初始分类完成后,您可以手动更新每个匹配项的审核状态:

在控制台中

  1. 前往会话的 AML 概览页面
  2. 点击特定匹配项以查看详情
  3. 使用状态下拉菜单更改审核状态:
    • 已确认匹配 — 确认匹配项为同一人
    • 误报 — 将匹配项标记为不匹配
    • 无法定论 — 无法确定

最佳实践

  1. 从默认阈值 (93) 开始 — 这在捕获真实匹配与过滤误报之间提供了良好的平衡。
  2. 针对高风险场景降低阈值 — 如果您需要更加谨慎,请降低匹配分数阈值以捕获更多潜在匹配。
  3. 有证件号码时使用证件号码 — 它们能提供最强有力的身份确认,并可以覆盖较低的匹配分数。
  4. 查看归一化权重 — 检查分数明细中的归一化权重字段,以了解缺失数据如何影响最终得分。
  5. 监控误报率 — 如果有过多合理匹配项被标记为误报,请调低阈值。
最后修改于 2026年11月7日