Artificial intelligence-supported fraud management engine

Abstract

Methods, systems, and computer storage media for providing an AI-supported fraud detection engine in an item listing system are described. The M-supported fraud detection engine leverages language models (e. g., LLMs) to interpret unstructured data as language model output (i. e., language model output comprising context-free annotation tags including observations, tags, category, case summary, and reasoning annotations). The language model output (i. e., context-free annotation tags) is mapped to context-aware target tags without explicit tagging (i. e., zero-shot approach) to generate structured domain-specific tags. The zero-shot approach allows the AI-supported fraud detection engine to recognize and categorize new fraud pattems dynamically. The structured domain-specific tags can be integrated into traditional fraud detection models that leverage the insights from the structured domain-specific tags to generate fraud detection recommendations. The Al-supported fraud detection engine's ability to generate fraud detection recommendations based on structured domain-specific tags leads to more targeted and accurate responses to potential fraud cases.

Description

ARTIFICIAL INTELLIGENCE-SUPPORTED FRAUD MANAGEMENT ENGINEBACKGROUND

[0001] Users can interact with generative artificial intelligence technologies in different types of applications and services to accomplish computing tasks. Generative AI refers to a class of AI systems and algorithms that are designed to generate new data or content that is similar to, or in some cases, entirely different from data they are trained on. Generative AI systems can create support text generation, image generation, music and audio generation, video generation and data synthesis. In particular, generative AI systems can support an item listing system in several ways to improve operational efficiency, customer engagement, and online shopping. For example, an item listing system may employ a generative AI system for content generation (e.g., product descriptions) , personalized shopping experiences (e.g., recommendation engines) , product discovery (e.g., visual search) , and security management (e.g., fraud detection) . The item listing system can leverage generative AI through Application Programming Interfaces (APIs) , pre-trained models, and custom AI solutions to enhance item listing system functionality.SUMMARY

[0002] Various aspects of the technology described herein are generally directed to systems, methods, and computer storage media for, among other things, providing an AI-supported fraud detection engine in an item listing system. The AI-supported fraud detection engine leverages language models (e.g., LLMs) to interpret unstructured data as language model output (i.e., language model output comprising context-free annotation tags including observations, tags,  category, case summary, and reasoning) . The language model output (i.e., context-free annotation tags) is mapped to context-aware target tags without explicit tagging (i.e., zero-shot approach) to generate structured domain-specific tags. The zero-shot approach allows the AI-supported fraud detection engine to recognize and categorize new fraud patterns dynamically. The structured domain-specific tags can be integrated into traditional fraud detection models that leverage the insights from the structured domain-specific tags to generate fraud detection recommendations.

[0003] In operation, communications data associated with an item listing system is accessed. The communications data comprises unstructured data. Using a language model (LM) and a plurality of tagging prompts, a language model output comprising a plurality of context-free annotation tags associated with the communications data is generated. The plurality of context-free annotation tags are mapped to a domain-structured format associated with a plurality of context-aware target tags. Based on mapping the plurality of context-free annotation tags, structured domain-specific tags are generated. The structured domain-specific tags are integrated into a fraud detection model that generates notifications based on the structured domain-specific tags and communications data. Using the fraud detection model a notification associated with the structured domain-specific tags and communications data is generated. The notification is communicated.

[0004] This Summary is provided to introduce a selection of concepts in a simplified form that are further described below in the Detailed Description. This Summary is not intended to identify key features or essential features of the claimed subject matter, nor is it intended to be used as an aid in determining the scope of the claimed subject matter.BRIEF DESCRIPTION OF THE DRAWINGS

[0005] The technology described herein is described in detail below with reference to the attached drawing figures, wherein:

[0006] FIGS. 1A and 1B are block diagrams of an artificial intelligence system for providing AI-supported fraud detection management in an item listing system, in accordance with aspects of the technology described herein;

[0007] FIG. 1C-1F are schematics of an artificial intelligence system for providing AI-supported fraud detection management in an item listing system, in accordance with aspects of the technology described herein;

[0008] FIG. 2 is a block diagram of an artificial intelligence system for providing AI-supported fraud detection management in an item listing system, in accordance with aspects of the technology described herein;

[0009] FIG. 3 provides a first exemplary method of providing AI-supported fraud detection management in an item listing system, in accordance with aspects of the technology described herein;

[0010] FIG. 4 provides a second exemplary method of providing AI-supported fraud detection management in an item listing system, in accordance with aspects of the technology described herein;

[0011] FIG. 5 provides a third exemplary method of providing AI-supported fraud detection management in an item listing system, in accordance with aspects of the technology described herein

[0012] FIG. 6 provides a block diagram of an exemplary item listing system computing environment suitable for use in implementing aspects of the technology described herein;

[0013] FIG. 7 provides a block diagram of an exemplary distributed computing environment suitable for use in implementing aspects of the technology described herein; and

[0014] FIG. 8 is a block diagram of an exemplary computing environment suitable for use in implementing aspects of the technology described herein.DETAILED DESCRIPTION OF THE INVENTION

[0015] Overview

[0016] An item listing system and platform support storing items (products or assets) in item databases and providing a search system for receiving queries and identifying search result items based on the queries. An item (e.g., physical item or digital item) refers to a product or asset that is provided for listing on an item listing platform. Search systems support identifying, for received queries, result items from item databases. Item databases can specifically be for content platform or item listing platforms such as EBAY content platform, developed by EBAY INC., of San Jose, California. An item listing system may also provide generative-AI-supported applications ( “generative AI applications” ) that leverage generative AI models (e.g., Large Language Models - “LLM” ) to create, generate, or produce content, data or outputs. LLMs are a specific class of generative AI models that are primarily focused on generating human-like text. Generative AI models, like GPT (Generative-Pre-trained Transformer) and its variants, are designed to generate human-like text or other types of data based on the input they receive (e.g., via a prompt interface) . These applications use generative AI to perform various task across different domains to provide improvement in automation, efficiency, and human-like interaction.

[0017] Conventionally, item listing systems are not configured with a comprehensive logic and infrastructure to effectively understand and interpret unstructured data (e.g., member-to- member messages, return messages, fraud claim messages) and often overlook unstructured data when performing fraud detection. Extracting actionable insights from unstructured data, which lacks predefined tags, is particularly challenging and must also meet diverse user requirements. Additionally, traditional fraud detection mechanisms do not integrate AI-based models capable of interpreting unstructured data for enhanced fraud detection functionality.

[0018] Moreover, in the rapidly evolving field of fraud detection, the advent of language models (e.g., Large Language Models -LLMs) has opened new avenues for innovation. Traditional item listing system have not explored the integration of LLMs with established fraud detection frameworks, focusing on their application in annotating buyer claim notes to leverage unstructured datasets and enhance the detection of fraudulent activities on item listing platforms. In this way, these item listing systems lack effectiveness of LLM-generated summaries, while also lack sophisticated techniques for unsupervised tagging and the development of domain-specific tags optimized for fraud detection. It is contemplated that incorporating insights from LLMs into traditional seller risk detection models can lead to significant improvements in precision and a recall for identifying “sloppy sellers, ” and an increase in recall for detecting fraudulent sellers. These enhancements mark a critical advancement in refining fraud detection methods, establishing a new standard for accuracy and reliability in the industry. As such, a more comprehensive item listing system -with an alternative basis for performing item listing system security operations -can improve computing operations and interfaces for providing AI-supported fraud detection management with prompt interface security.

[0019] Description of Technical Solution

[0020] At a high level, an AI-supported fraud detection engine in an item listing system utilizes advanced language models (such as LLMs) to interpret unstructured data by generating  language model outputs composed of context-free annotation tags. These tags include key elements like observations, tags, categories, case summaries, and reasoning. The AI-supported fraud detection engine employs a zero-shot approach to map these context-free annotation tags to context-aware target tags, dynamically generating structured domain-specific tags without requiring explicit tagging. This zero-shot methodology enables the fraud detection engine to recognize and categorize emerging fraud patterns in real-time. The resulting structured domain-specific tags are then integrated into conventional fraud detection models, enhancing their ability to leverage these insights for more accurate fraud detection recommendations. This approach ensures that the AI-supported fraud detection engine remains adaptive and effective in identifying complex and evolving fraudulent behaviors.

[0021] By way of illustration, imagine a seller who consistently ships items late, provides vague descriptions, or cancels orders without valid reasons. Traditionally, detecting such “sloppy sellers” relies on manually reviewing customer complaints, return rates, and other structured data points like transaction histories. However, many indicators of fraudulent behavior are hidden in unstructured data, such as buyer claim notes where customers describe their experiences in free text. By employing a Large Language Model (LLM) , a fraud detection system can automatically analyze and summarize these buyer claim notes. For example, the LLM can identify phrases that indicate frustration with delayed shipping or misleading product descriptions. It can also detect patterns in the language different buyers use across different claims, helping to identify potential fraudulent sellers more accurately. This integration allows the system to assign risk scores to sellers based on both structured data (like cancellation rates) and unstructured data (like text complaints) , leading to a 3%increase in the precision of identifying “sloppy sellers” and a 4% increase in recall for detecting fraudulent sellers. As a result, an item listing platform can more effectively filter out problematic sellers, improving the overall marketplace experience for buyers.

[0022] Advantageously, the embodiments of the present technical solution support providing an AI-supported fraud detection engine in an item listing system. The AI-supported fraud detection engine significantly improves data processing efficiency by utilizing advanced language models (such as LLMs) to automatically interpret and annotate unstructured data, such as buyer claims or complaint notes. This process converts unstructured data into structured formats, reducing the need for manual data labeling and optimizing computational resources, thereby enhancing overall processing speed. The AI-supported fraud detection engine also provides a dynamic fraud pattern recognition capability through a zero-shot learning approach, allowing it to identify and categorize new fraud patterns without requiring prior explicit tagging. This adaptability enables the system to detect novel fraudulent behaviors as they emerge, ensuring robust fraud detection in a constantly evolving landscape.

[0023] Moreover, the AI-supported fraud detection engine enhances accuracy and precision by generating structured domain-specific tags from unstructured data, offering more granular and context-aware insights. When these insights are integrated into traditional fraud detection models, they improve performance metrics such as precision and recall rates, reducing false positives and negatives and improving the identification of fraudulent activities like “sloppy sellers” or coordinated fraud rings. The AI-supported fraud detection engine is designed to be highly scalable, capable of processing large volumes of diverse and unstructured data from various sources, such as user reviews, complaints, and transaction records. The use of language models allows the system to maintain performance even as data volumes increase, without requiring extensive manual intervention for new types of fraud data.

[0024] Interoperability is another key advantage, as the structured output generated by the engine (in the form of domain-specific tags) can be seamlessly integrated into existing fraud detection frameworks. This allows for easy adoption of the technology without necessitating significant changes to current systems, reducing implementation costs and enhancing operational efficiency. Furthermore, the engine improves data utilization by converting context-free annotation tags into context-aware target tags that are aligned with specific fraud detection scenarios. This process generates more meaningful and actionable insights, leading to superior use of available information for risk assessment.

[0025] By automating the annotation and categorization of data, the AI-supported fraud detection engine also reduces reliance on specialized human expertise, lowering costs and speeding up response times while freeing human resources to focus on more complex decision-making tasks. Continuous learning and adaptation are built into the AI-supported fraud detection engine's design, enabling it to learn from new data inputs and adjust its detection models over time. This ensures that the system remains effective against evolving fraud tactics, maintaining long-term robustness and relevance. Finally, the AI-supported fraud detection engine's ability to generate fraud detection recommendations based on structured domain-specific tags leads to more targeted and accurate responses to potential fraud cases. This capability enhances the platform's overall security, boosts user trust, and sets a new benchmark for fraud detection technologies.

[0026] Aspects of the technical solution can be described by way of examples and with reference to FIGS. 1A-1F. FIG. 1A illustrates an item listing system 100 that includes artificial intelligence system 100A, network 100B, AI-supported fraud detection engine 110, generative AI application 120, generative AI application client 130, and machine leaming engine 140. The item  listing system 100 corresponds to item listing system 600 described below with reference to FIG. 6.

[0027] The item listing system 100 provides a system (e.g., artificial intelligence “AI” system 100A) that includes an engine (e.g., AI-supported fraud detection engine 110) for performing operations (e.g., security engine operations) discussed herein. The AI-supported fraud detection engine 110 can operate with the generative AI application client 130 (e.g., a client device) that can access the item listing system 100 to execute tasks using a generative AI application 120 associated with a corresponding generative AI model (e.g., an LLM 142) . For example, a user-via the generative AI application client 130 (e.g., a prompt interface) -can communicate a request (e.g., a generative AI request having prompt data) to the generative AI application and the LLM to process the request. Based on the communicating the request, the generative AI security engine can execute security engine operations (e.g., pre-processing security engine operations, post-processing security engine operations, and training dataset security engine operations) with security components of the AI-supported fraud detection engine 110-to ensure secure processing the request.

[0028] The AI-supported fraud detection engine 110 and the generative AI application client provide resources (e.g., operation, interfaces, and data) that support providing the functionality described herein. The AI-supported fraud detection engine 110 and the generative AI application client 130 can operate in a server-client relationship to provide AI-supported fraud detection management. For example, a user can communicate a request from the generative AI application client 130 to execute a task via generative AI application 120 and LLM 142. Based on the request, the AI-supported fraud detection engine 110 can perform operations to ensure secure processing of the request in the artificial intelligence system 100A.

[0029] By way of illustration, language models have revolutionized the field of natural language processing offering unprecedented capabilities in understanding and generating human-like text. Language models can be used to analyze unstructured data to harness the rich linguistic insights of LLMs. Artificial intelligence system 100A includes integrates -via AI-supported fraud detection engine 110 integrates language models with fraud detection based on unstructured data. For example, the ability of LLMs to provide detailed tagging from unstructured text enhances the detection of fraudulent activities. Such tagging could serve as valuable features for downstream traditional seller risk detection models, potentially improving their accuracy and robustness.

[0030] However, the integration of LLMs into fraud detection is not without its challenges. The absence of predefined tagging candidates and the diverse requirements of multiple downstream users pose significant hurdles. Efficient utilization of LLMs in this context requires a tailored approach that addresses these complexities.

[0031] By way of illustration AI-supported fraud detection engine 110 be provide operations for buyer claim note tagging, powered by LLMs, and subsequently leveraging the tags to enhance traditional seller risk detection models. In this way, the AI-supported fraud detection engine 110 can be employed for case summary tagging and observation descriptions derived from LLMs. Moreover, AI-supported fraud detection engine 110 includes operations to map unsupervised tags into de-duplicated, coherent categories; and further includes operations for creating domain-oriented tags that align with the specific needs of fraud detection.

[0032] For example, zero-shot classification can be employed to accurately classify data into categories that were not available during the training phase. The application of zero-shot classification in NLP has shown promising results, particularly in scenarios where labeled data is scarce or when the model needs to adapt to new, unseen categories. Furthermore, synthetic  datasets can be created using LLMs to generate realistic and diverse text samples, LLMs can augment existing datasets or create entirely new ones, facilitating the training of more robust and generalizable models. As such, the AI-supported fraud detection engine 110 includes integration of LLMs into traditional fraud detection systems, the exploration of zero-shot classification capabilities, and the generation of synthetic datasets to advance the state-of-the-art in fraud detection methodologies.

[0033] With reference to FIG. 1B, FIG. 1B illustrates a schematic 100B associated with providing AI-supported fraud detection management using AI-supported fraud detection engine in accordance with embodiments described herein. The AI-supported fraud detection engine integrates traditional fraud detection methodologies with advanced capabilities of Large Language Models (LLMs) . With reference to FIG. 1B, AI-supported fraud detection engine employs a multi-step workflow to convert unstructured data into actionable insights, enhancing the performance of conventional fraud detection models. The workflow consists of the following stages:

[0034] Data Collection: The process begins by aggregating data from warehouse tables, which includes member-to-member (M2M) messages, retum notes, and claim notes. This diverse dataset forms the foundation for subsequent analysis and tagging.

[0035] LLM Tagging: The LLM analyzes the collected claim notes and generates concise context-free annotation tags, summarizing the key points of the communications. These initial tags encapsulate the general essence of the messages without domain-specific knowledge.

[0036] Context-Aware Mapping: The context-free tags generated by the LLM are subsequently mapped to a domain-structured format, ensuring that the tags are contextually relevant and accurately aligned with domain-specific criteria.

[0037] Risk Prediction Integration: The structured tags derived from LLM outputs are integrated with traditional fraud detection features, enabling tree-based models to assign risk scores or risk tiers, which then inform decision-making processes.

[0038] AI-supported fraud detection engine capitalizes on the nuanced understanding of language provided by LLMs while leveraging the proven effectiveness of traditional fraud detection frameworks. This hybrid approach enhances the system's robustness and accuracy in detecting and preventing fraudulent activities.

[0039] The claim note summarization approach -Context-Free Claim Note Tagging -may intentionally avoids incorporating domain-specific knowledge. Given that LLMs and prompt engineering are relatively new disciplines with no universally accepted guidelines, the system maintains a context-free methodology to ensure flexibility for future updates. This approach also makes the generated notes applicable across various downstream domains. For instance, definitions like “seller fault” vary across platforms, such as in the Money Back Guarantee program, which prioritizes buyer protection even in minor seller faults, while seller risk management tends to be stricter with buyer errors. FIG. 1C depicts an example conversation between a buyer and seller, providing a snapshot of their interaction and FIG. 1D depicts an example LLM output for claim note data.

[0040] AI-supported fraud detection engine supports domain-specific tagging through two ad-hoc methods involving a language model: In-Context Learning via Prompt and Zero-Shot Chain-of-Thought Method. In-Context Learning via Prompts uses prompts to guide a language model in generating domain-relevant tags based on provided text data that indicates suspicious activity. The prompts are iteratively refined by presenting new samples, which helps the LLM produce increasingly precise tags that distinguish between sloppy and fraudulent sellers.

[0041] Zero-Shot Chain-of-Thought Method employs a structured questioning approach to guide the LLM through sequential reasoning, identifying patterns indicative of sloppy or fraudulent sellers. The output is a more organized set of tags that effectively represent the identified patterns. To effectively apply domain-specific tags, the engine maps LLM-generated summaries to predefined target tags using zero-shot classification. Direct tagging by the LLM is avoided to conserve computational resources. Zero-shot classification models, despite their smaller size, assist in efficiently mapping LLM summaries to target tags, optimizing the tagging process.

[0042] By way of illustration, methodologies were applied to the Seller Fault Classification Domain, focusing primarily on identifying sloppy and fraudulent sellers, as these are the most prevalent claim types. The dataset, sourced from the Claim Processing System (CPS) , includes claim case closure labels and is curated to ensure relevance. Four models, all based on LightGBM, were evaluated:

[0043] Baseline: Traditional features without AI-generated tags.

[0044] tag0-z0: In-context learning tags mapped using DeBERTa-v3-base-mnli-fever-anli.

[0045] tag1-z0: Zero-shot chain-of-thought tags mapped with the same model.

[0046] tag1-z1: Enhanced zero-shot mapping using deberta-v3-large-zeroshot-v2.0.

[0047] The integration of AI-generated tags led to improvements across all evaluated metrics. Notably, for the "sloppy seller" classification, there was a 3%increase in precision at a 20%recall threshold, and a 32%boost in recall at an 80%precision threshold. For "fraud seller" classification, recall improved by 4%at an 80%precision threshold.

[0048] With reference to FIG. 1E, a schematic is provided associated with AI-supported fraud detection management that includes processong unstructured data from various sources, such as member-to-member (M2M) messages, return notes, and claims messages. This data, which  may be associated with potential fraud claims, is initially unstructured and lacks any predefined format. To derive meaningful insights, a language model (LLM) is employed to analyze the data and generate a short summary enriched with tags that capture the essence of the communications.

[0049] Following the initial tagging, a context-aware mapping process is initiated. In this stage, the tags generated by the LLM are translated into target tags that are more relevant to the specific domain of fraud detection. A zero-shot classifier is used to achieve this translation, allowing the model to map general observations and summaries to specific domain-structured tags without requiring explicit examples for every possible scenario.

[0050] These structured tags, which now incorporate both traditional tabular features (such as user profiles, transaction patterns, and historical data) and AI-generated tag features, are then fed into a tree-based risk decision model. The integration of these AI tags enhances the model′s predictive capabilities, allowing it to assess fraud risk more accurately. The tree model evaluates this combined set of features to generate a risk score or recommendation, which can then inform further decision-making processes within the fraud detection system.

[0051] Aspects of the technical solution can be described by way of examples and with reference to FIG. 2. FIG. 2 is a block diagram of an exemplary technical solution environment, based on example environments described with reference to FIGS. 6A, 6B, 7 and 8 for use in implementing embodiments of the technical solution are shown. Generally the technical solution environment includes a technical solution system suitable for providing the example item listing system 100 in which methods of the present disclosure may be employed. In particular, FIG 2 shows a high level architecture of the item listing system 100 in accordance with implementations of the present disclosure. Among other engines, managers, generators, selectors, or components  not shown (collectively referred to herein as “components” ) , the item list platform system 100 of FIG. 2 corresponds to FIGS. 1A and 1B.

[0052] With reference to FIG. 2, FIG. 2 illustrates artificial intelligence system 100A including AI-supported fraud detection engine 110 having AI-supported fraud detection resource 112 including tagging prompts 160 language model output 170, and context-aware target tags 180; and data l l0A. Language model 114, zero-shot model 116, and fraud detection model 118. Machine learning engine 140 including generative AI model 142, seller fault loss engine 150 including seller fault loss classification model 152 and seller fault loss tagging model 154.

[0053] The AI-supported fraud detection engine 110 is designed to process and analyze communications data (e.g., data 110A) related to item listing system 110A, which may include data 110A associated with fraud claims. This communications data can include unstructured content, such as member-to-member messages, return notes, and claims messages. To make this unstructured data actionable, the AI-supported fraud detection engine 110 employs a language model (LM) , such as language model (LM 114) , which uses a set of carefully designed tagging prompts (e.g., tagging prompts 160) to generate an output comprising multiple context-free annotation tags, like observations, tags, categories, case summaries, and justifications.

[0054] The LM 114 produces these context-free annotation tags without relying on domain-specific knowledge, utilizing in-context learning prompts and a zero-shot chain-of-thought method. This approach allows the LM 114 to generalize from examples and identify relevant pattems in the communications data, even in the absence of specific, pre-defined tagging criteria. The output (i.e., language model output 170) generated by the LM 114 is guided by these prompts and forms the initial layer of understanding that captures the essential elements of the communications data in a non-domain-specific manner.

[0055] To transform these context-free annotation tags into a more actionable format, the AI-supported fraud detection engine 110 uses a zero-shot model (e.g., zero-shot model 116) . This model maps the context-free tags to a domain-structured format aligned with a set of predefined context-aware target tags (e.g., context-aware target tags 180) . The mapping process involves interpreting the general tags in light of specific domain knowledge, such as historical fraud claim data, to create tags that are directly relevant to the detection of fraudulent activities within the particular context of the item listing system.

[0056] These context-aware target tags 180 are then converted into structured domain-specific tags that capture the nuanced aspects of seller behavior or transaction details pertinent to fraud detection. The domain-specific tags are further integrated into a broader fraud detection model (e.g., fraud detection model 118) , which combines traditional fraud detection features, such as user profiles and transaction patterns, with insights derived from the structured domain-specific tags. This integration enhances the AI-supported fraud detection engine 110 capacity to predict fraud risk scores or assign risk tiers based on both historical data and newly observed behaviors.

[0057] With reference to FIG. 1F, the schematic is associated with layer 1 operations and layer 2 operations.

[0058] Layer 1 (i.e., 100B_1) : Upon filing of a claim, the Seller Fault Loss Classification Model is executed to assess whether the claim is likely to result in a gross seller fault loss. This model processes the claim data and outputs a binary classification: either “Not Seller Fault Loss, ” indicating that the claim does not meet the criteria for seller liability, or "Seller Fault Loss, " indicating potential seller liability.

[0059] Layer 2 (i.e., 110B_2) : Ifthe claim is classified as a "Seller Fault Loss, " the Seller Fault Loss Tagging Model is subsequently invoked to assign the loss to one of five predefined  categories. The model applies advanced classification techniques to determine whether the loss falls under: "Sloppy Selling, " "Fraud -Non-Account Takeover (non-ATO) , " "Fraud -Account Takeover (ATO) , " "Seller-Buyer Collusion, " or "Credit. " This refined categorization facilitates more targeted risk assessment and decision-making for the appropriate resolution of the claim.

[0060] In this way, the fraud detection model 118 leverages a seller fault loss classification domain where the structured domain-specific tags represent different loss types, such as “sloppy seller” or “fraud seller. ” The fraud detection model 118 applies the structured domain-specific tags in a detailed analysis of the fraud claim data to determine whether the data suggests a seller fault loss. If a seller fault loss is identified, the seller fault loss tagging model uses both context-aware target tags and context-free annotation tags to map the unstructured data into a domain-structured format and generate specific loss-type tags. These loss-type tags are used to categorize and highlight different forms of seller fault or fraud, contributing to a more refined and targeted fraud detection process.

[0061] The seller fault loss tagging model 154 operates using a zero-shot classification approach, allowing it to dynamically generate relevant tags without explicit training on every possible fraud scenario. This is achieved by providing interfaces for both context-free annotation tags and context-aware target tags, facilitating the tagging process and ensuring alignment with domain-specific requirements. By employing such methods, the model can adapt to new fraud patterns and scenarios as they emerge, making it highly flexible and robust.

[0062] The generated loss-type tags are then incorporated into a comprehensive fraud detection model that uses a tree-based analysis framework to evaluate the fraud risk. The fraud detection model uses these tags to generate fraud detection recommendations, which are communicated to relevant stakeholders in the form of notifications. These notifications are based  on the integrated analysis of the loss-type tags and the underlying communications data, allowing for timely and accurate responses to potential fraudulent activities.

[0063] The end-to-end system comprises an AI-supported fraud detection engine 110 that integrates the seller fault loss classification model 152, the seller fault loss tagging model 154, and the fraud detection model 118. This integration allows the engine to continuously refine its fraud detection capabilities, leveraging both advanced AI techniques and traditional fraud detection methodologies to provide a comprehensive, adaptable, and precise approach to managing fraud in an e-commerce platform.

[0064] Unstructured data refers to information that does not have a predefined data model or organized format, making it challenging to analyze using traditional database systems. In an e-commerce platform, examples of unstructured data include customer reviews, product descriptions, social media comments, and buyer-seller communication logs. This type of data often consists of free-text inputs that vary in language, tone, and content, lacking a consistent format. It may also encompass multimedia content such as images, videos, or audio files associated with product listings or customer feedback. Analyzing unstructured data helps e-commerce platforms gain deeper insights into customer sentiment, detect fraudulent activity, and improve overall user experience.

[0065] Zero-shot classification is a machine learning technique that allows a model to categorize data into classes it has never encountered during training. When applied to unstructured data, such as text or images, the model uses natural language descriptions or semantic similarities to infer and assign the most relevant category without explicit examples for those classes. This approach leverages advanced models like large language models (LLMs) to understand context and meaning, enabling it to handle diverse and evolving data inputs dynamically. In an e- commerce setting, zero-shot classification can be used to identify new types of fraud or categorize novel customer complaints in real-time, even ifthese categories were not predefined. This ability to generalize to unseen data makes it particularly powerful for applications where new patterns frequently emerge.

[0066] Tagging prompts for a Large Language Model (LLM) involve creating specific instructions or questions that guide the model to generate relevant annotation tags for a given dataset. These prompts help the LLM identify and label key features or attributes in unstructured data, such as text descriptions, customer reviews, or claim notes, based on predefined categories like sentiment, intent, or topic. By carefully crafting these prompts, users can influence the model to focus on certain aspects of the data, such as detecting fraud-related behaviors or identifying product issues. Tagging prompts enhance the LLM's ability to provide contextually accurate and meaningful classifications, even when explicit training data for those tags is limited. This process enables dynamic categorization and better utilization of unstructured data in applications like fraud detection, customer service, and content moderation.

[0067] An LLM output or language model output refers to the generated text or response produced by a Large Language Model based on a given input or prompt. This output can take various forms, such as summaries, classifications, annotations, or complete sentences, depending on the task and context specified in the input. The output leverages the model′s deep understanding of language patterns, semantics, and context to provide coherent, contextually relevant, and meaningful information.

[0068] A context-free annotation tag is a label or marker assigned to data-such as text or images-without considering the specific context in which that data appears. These tags provide general or broad categories (e.g., “positive sentiment, ” “complaint, ” or “fraud” ) that do not account  for nuances or relationships unique to the data′s environment or usage. Context-free tags are useful for initial classification or labeling tasks but lack the depth needed to capture more complex, situational meanings. In an AI or machine learning application, such tags are often generated automatically to provide a baseline understanding before more context-aware processing is applied. This approach allows for quick sorting and basic categorization of unstructured data.

[0069] Context-aware target tags are labels assigned to data that consider the specific context, nuances, and relationships relevant to the data′s environment or intended use. Unlike context-free tags, these tags are generated by taking into account factors such as surrounding content, user behavior, or situational details, providing a more precise and meaningful categorization. In an e-commerce setting, for example, a context-aware tag might distinguish between a “refund request due to damage” and a “refund request due to late delivery, ” even though both are generally "complaints. " These tags help improve the accuracy of machine learning models by capturing the full complexity of the data, enabling more effective detection of patterns, trends, or behaviors. The result is a more refined and insightful analysis that aligns closely with specific business objectives or operational needs.

[0070] Structured domain-specific tags are labels or annotations applied to data that are tailored to a particular field or industry and organized in a consistent, predefined format. These tags are designed to capture the unique characteristics, patterns, and categories relevant to the domain, such as "return fraud, " "late shipment, " or "product defect" in an e-commerce platform. By using a structured format, these tags enable easier integration with databases, analytical tools, or machine learning models, facilitating automated analysis and decision-making. They help ensure that the data is organized in a way that aligns with the specific requirements and objectives of the domain, enhancing the precision and relevance of insights derived from the data. This  structured approach enables efficient handling, searching, and utilization of large volumes of domain-relevant information.

[0071] Example Methods

[0072] With reference to FIGS. 3, 4, and 5 flow diagrams that illustrate methods for providing an AI-supported fraud detection engine in an item listing system. The methods may be performed using the item listing system described herein. In embodiments, one or more computer-storage media having computer-executable or computer-useable instructions embodied thereon that, when executed, by one or more processors can cause the one or more processors to perform the methods (e.g., computer implemented method) in an item listing system (e.g., computerized system or computer system) .

[0073] Turning to FIG. 3, a flow diagram is provided that illustrates a method 300 for providing an AI-supported fraud detection engine in an item listing system. . At block 302, access communications data associated with an item listing system. The communications data comprises unstructured data. At block 304, using a language model (LM) and a plurality of tagging prompt to generate a language output comprising a plurality of context-free annotation tags associated with the communications data. At block 306, map the plurality of context-free annotation tags to a domain-structured format associated with a plurality of context-aware target tags. At block 308, based on mapping the plurality of context-free annotation tags, generate structured domain-specific tags. At block 310, integrate the structured domain-specific tags into a fraud detection model that generates notifications based on the structured domain-specific tags and communications data. At block 312, use the fraud detection model to generate a notification associated with the structured domain-specific tags and communications data. At block 314, communicate the notification.

[0074] Turning to FIG. 4, a flow diagram is provided that illustrates a method 400 for providing an AI-supported fraud detection engine in an item listing system. At block 402, access fraud claim data associated with an item listing system. At block 404, use a seller fault loss classification model and the fraud claim data to determine whether the fraud claim data indicates a seller fault loss. At block 406, based on determining that the fraud claim data indicates the seller fault loss, use a seller fault loss tagging model and the fraud claim data to identify a loss-type tag associated with fraud claim data. At block 408, integrate the loss-type tag into a fraud detection model that generates notification based on the loss-type tag and fraud claim data. At block 410, use the fraud detection model to generate a notification associated with the loss-type tag and fraud claim data. At block 412, communicate the notification associated with the loss-type tag.

[0075] Turning to FIG. 5, a flow diagram is provided that illustrates a method 500 for providing an AI-supported fraud detection engine in an item listing system. At block 502, access communications data associated with an item listing system. At block 504, use a language model (LM) and a plurality of tagging prompts to generate a language model output comprising a plurality of context-free annotation tags associated with the communications data. At block 506, maps the plurality of context-free annotation tags to a domain-structured format associated with a plurality of context-aware target tags. At block 508, based on mapping the plurality of context-free annotation tags, generate structured domain-specific tags. At block 510, integrate the structured domain-specific tags into a data analysis model that generates notifications based on the domain-specific tags and communications data.

[0076] Technical Improvement

[0077] Embodiments of the present invention have been described with reference to several inventive features (e.g., operations, systems, engines, and components) associated with an  item listing system. Inventive features described include: operations, interfaces, data structures, and arrangements of computing resources associated with providing the functionality described herein relative with reference to an AI-supported fraud detection engine associated with an artificial intelligence system.

[0078] Embodiments of the present invention relate to the field of computing, and more particularly to an artificial intelligence system. The following described exemplary embodiments provide a system, method, and program product to, among other things, execute generative AI security engine operations that provide AI-supported fraud detection management. Therefore, the present embodiments improve the technical field of artificial intelligence technology and item listing platform technology by providing more effective security. For example, AI-supported fraud detection engine enhances accuracy and precision by generating structured domain-specific tags from unstructured data, offering more granular and context-aware insights. When these insights are integrated into traditional fraud detection models, they improve performance metrics such as precision and recall rates, reducing false positives and negatives and improving the identification of fraudulent activities like “sloppy sellers” or coordinated fraud rings. The AI-supported fraud detection engine is designed to be highly scalable, capable of processing large volumes of diverse and unstructured data from various sources, such as user reviews, complaints, and transaction records. The use of language models allows the system to maintain performance even as data volumes increase, without requiring extensive manual intervention for new types of fraud data. The technical solution addresses conventional item listing platforms'lack of integration of AI-supported fraud detection engine based on improving artificial intelligence technology by improving security features in the artificial intelligence system.

[0079] Functionality of the embodiments of the present invention have further been described, by way of an implementation and anecdotal examples -to demonstrate that the operations for providing AI-supported fraud detection management using an AI-supported fraud detection engine in an item listing system as a solution to a specific problem in artificial intelligence technology to improve computing operations in artificial intelligence systems. Overall, these improvements result in less CPU computation, smaller memory requirements, and increased flexibility in artificial intelligence systems when compared to previous conventional artificial intelligence system operations performed for similar functionality.

[0080] ADDITIONAL SUPPORT FOR DETAILED DESCRIPTION OF THE INVENTION

[0081] Example Item Listing System Environment

[0082] Referring now to FIG. 6, FIG. 6 illustrates an example item listing system 600 computing environment in which implementations of the present disclosure may be employed. In particular, FIG. . 6 shows a high level architecture of an example item listing platform 610 that can host a technical solution environment, or a portion thereof. It should be understood that this and other arrangements described herein are set forth as examples. For example, as described above, many elements described herein may be implemented as discrete or distributed components or in conjunction with other components, and in any suitable combination and location. Other arrangements and elements (e.g., machines, interfaces, functions, orders, and groupings of functions) can be used in addition to or instead of those shown.

[0083] The item listing system 600 can be a cloud computing environment that provides computing resources for functionality associated with the item listing platform 610. For example, the item listing system 600 supports delivery of computing components and services -including servers, storage, databases, networking, applications, and machine learning associated with the  item listing platform 610 and client device 620. A plurality of client devices (e.g., client device 620) include hardware or software that access resources on the item listing system 600. Client device 620 can include an application (e.g., client application 622) and interface data (e.g., client application interface data 624) that support client-side functionality associated with the item listing system. The plurality of client devices can access computing components of the item listing system 600 via a network (e.g., network 630) to perform computing operations.

[0084] The item listing platform 610 is responsible for providing a computing environment or architecture that includes the infrastructure that supports providing item listing platform functionality (e.g., e-commerce functionality) . The item listing platform support storing item in item databases and providing a search system for receiving queries and identifying search results based on the queries. The item listing platform may also provide a computing environment with features for managing, selling, buying, and recommending different types of items. Item listing platform 610 can specifically be for a content platform such as EBAY content platform or e-commerce platform, developed by EBAY INC., of San Jose, California.

[0085] The item listing platform 610 can provide item listing operations 630 and item listing interfaces 640. The item listing operations 630 can include service operations, communication operations, resource management operations, security operations, and fault tolerance operations that support specific tasks or functions in the item listing platform 610. The item listing interfaces 640 can include service interfaces, communication interfaces, resource interfaces, security interfaces, and management and monitoring interfaces that support functionality between the item listing platform components. The item listing operations 630 and item listing interfaces 640 can enable communication, coordination and seamless functioning of the item listing system 600.

[0086] By way of example, functionality associated with item listing platform 610 can include shopping operations (e.g., product search and browsing, product selection and shopping cart, checkout and payment, and order tracking) ; user account operations (e.g., user registration and authentication, and user profiles) ; seller and product management operations (e.g., seller registration and product listing and inventory management) ; payment and financial operations (e.g., payment processing, refunds and returns) ; order fulfillment operations (e.g., order processing and fulfillment and inventory management) ; customer support and communication interfaces (e.g., customer support chat / email and notifications) ; security and privacy interfaces (e.g., authentication and authorization, payment security) ; recommendation and personalization interfaces (e.g., product recommendations and customer reviews and ratings) ; analytics and report interfaces (e.g., sales and inventory reports, and user behavior analytics) ; and APIs and Integration Interfaces (e.g., APIs for Third-Party Integration) .

[0087] The item listing platform 610 can provide item listing platform databases (e.g., item listing platform databases 650) to manage and store different types of data efficiently. The item listing platform databases 650 can include relational databases, NoSQL databases, search databases, cache databases, content management systems, analytics databases, payment gateway database, customer relationship management databases, log and error databases, inventory and supply chain databases, and multi-channel databases that are used in combination to efficiently manage data and provide e-commerce experience for users.

[0088] The item listing platform 610 supports applications (e.g., applications 660) that is a computer program or software component or service that serves a specific function or set of functions to fulfil a particular item listing platform requirement or user requirement. Applications can be client-side (user-facing) and server-side (backend) . Applications can also include  application without any AI support (e.g., application 662) application supported by traditional AI model (e.g., application 664) , and applications supported by generative AI models (e.g., application 666) . By way of example, applications can include an online storefront application, mobile shopping app, admin and management console, payment gateway integration, user account and authentication application, search and recommendation engines, inventory and stock management application, order processing and fulfillment application, customer support and communication tools, content management system, analytics and report applications, marketing and promotion applications, multi-channel integration applications, log and error tracking applications, customer relationship management (CRM) applications, security applications, and APIs and web services that are used in combination to efficiently deliver e-commerce experiences for users.

[0089] The items listing platform 610 can include a machine learning engine (e.g., machine learning engine 670) . The machine learning engine 670 refers to machine learning framework or machine learning platform that provides the infrastructure and tools to design, train, evaluate, and deploy machine learning models. The machine learning engine 670 can serve as the backbone for developing and deploying machine learning applications and solutions. Machine learning engine 670 can also provide tools for visualizing data and model results, as well as interpreting model decisions to gain insights into how the model is making predictions.

[0090] The machine learning engine 670 can provide the necessary libraries, algorithms, and utilities to perform various tasks within the machine learning workflow. The machine learning workflow can include data processing, model selection, model training, model evaluation, hyperparameter tuning, scalability, model deployment, inference, integration, customization, data visualization. Machine learning engine 670 can include pre-trained models for various tasks,  simplifying the development process. In this way, the machine learning engine 670 can streamline the entire machine learning process, from data preparation and model training to deployment and inference, making it accessible and efficient for different types of users (e.g., customers, data scientists, machine learning engineers, and developers) working on a wide range of machine learning applications.

[0091] Machine learning engine 670 can be implemented in the item listing system 600 as a component that leverages machine learning algorithms and techniques (e.g., machine learning algorithms 672) to enhance various aspects of the item listing system's functionality. Machine learning engine 670 can provide a selection of machine learning algorithms and techniques used to teach computers to learn from data and make predictions or decisions without being explicitly programmed. These techniques are widely used in various applications across different industries, and can include the following examples: supervised learning (e.g., linear regression: classification, support vector machines (SVM) ; unsupervised learning (e.g., clustering, principal component analysis (PCA) , association rules (e.g., apriori) ; reinforcement learning (e.g., Q-Learning, deep Q-Network (DQN) ; and deep learning (e.g., neural networks, convolutional neural networks (CNN) , and recurrent neural networks (RNN) ; and ensemble learning random forest.

[0092] Machine learning training data 120 supports the process of building, training, and fine-tuning machine learning models. Machine learning training data 120 consists of a labeled dataset that is used to teach a machine learning model to recognize patterns, make predictions, or perform specific tasks. Training data typically comprises two main components: input feature (X) and labels or target values (Y) . Input features can include variables, attributes, or characteristics used as input to the machine learning model. Input features (X) can be numeric, categorical, or even textual, depending on the nature of the problem. For example, in a model for predicting  house prices, input features might include the number of bedrooms, square footage, neighborhood, and so on. Labels or target values (Y) include the values that the model aims to predict or classify. Labels represent the desired output or the ground truth for each corresponding set of input features. For instance, in a spam email classifier, the labels would indicate whether each email is spam or not (i.e., binary classification) . The training process involves presenting the model with the training data, and the model leams to make predictions or decisions by identifying patterns and relationships between the input features (X) and the target values (Y) . A machine learning algorithm adjusts its internal parameters during training in order to minimize the difference between its predictions and the actual labels in the training data. Machine learning engine 670 can use historical and real-time data to train models and make predictions, continually improving performance and user experience.

[0093] Machine learning engine 670 can include machine learning models (e.g., machine learning models 676) generated using the machine learning engine workflow. Machine leaming models 676 can include generative AI models and traditional AI models that can both be employed in the item listing system 600. Generative AI models are designed to generate new data, often in the form of text, images, or other media, based on patterns and knowledge learned from existing data. Generative AI models can be employed in various ways including: content generation, product image generation, personalized product recommendations, natural language chatbots, and content summarization. Traditional AI models encompass a wide range of algorithms and techniques and can be employed in various ways including: recommendation systems, predictive analytics, search algorithms, fraud detection, customer segmentation, image classification, Natural Language Processing (NLP) and A / B testing and optimization. In many cases, a combination of  both generative and traditional AI models can be employed to provide a well-rounded and effective e-commerce experience, combining data-driven insights and creativity.

[0094] Machine learning engine 670 can be used to analyze data, make predictions, and automate processes to provide a more personalized and efficient shopping experience for users. By way of example, product recommendations search and filtering: pricing optimization, inventory and stock management: customer segmentation, churn prediction and retention, fraud detection, sentiment analysis, customer support and chatbots, image and video analysis, and ad targeting and marketing. The specific applications of machine learning within the item listing platform 610 can vary depending on the specific goals, available data, and resources.

[0095] Example Distributed Computing System Environment

[0096] Referring now to FIG. 7, FIG. 7 illustrates an example distributed computing environment 700 in which implementations of the present disclosure may be employed. In particular, FIG. 7 shows a high level architecture of an example cloud computing platform 710 that can host a technical solution environment, or a portion thereof (e.g., a data trustee environment) . It should be understood that this and other arrangements described herein are set forth only as examples. For example, as described above, many of the elements described herein may be implemented as discrete or distributed components or in conjunction with other components, and in any suitable combination and location. Other arrangements and elements (e.g., machines, interfaces, functions, orders, and groupings of functions) can be used in addition to or instead of those shown.

[0097] Data centers can support distributed computing environment 700 that includes cloud computing platform 710, rack 720, and node 730 (e.g., computing devices, processing units, or blades) in rack 720. The technical solution environment can be implemented with cloud  computing platform 710 that runs cloud services across different data centers and geographic regions. Cloud computing platform 710 can implement fabric controller 740 component for provisioning and managing resource allocation, deployment, upgrade, and management of cloud services. Typically, cloud computing platform 710 acts to store data or run service applications in a distributed manner. Cloud computing infrastructure 710 in a data center can be configured to host and support operation of endpoints of a particular service application. Cloud computing infrastructure 710 may be a public cloud, a private cloud, or a dedicated cloud.

[0098] Node 730 can be provisioned with host 750 (e.g., operating system or runtime environment) running a defined software stack on node 730. Node 730 can also be configured to perform specialized functionality (e.g., compute nodes or storage nodes) within cloud computing platform 710. Node 730 is allocated to run one or more portions of a service application of a tenant. A tenant can refer to a customer utilizing resources of cloud computing platform 710. Service application components of cloud computing platform 710 that support a particular tenant can be referred to as a multi-tenant infrastructure or tenancy. The terms service application, application, or service are used interchangeably herein and broadly refer to any software, or portions of software, that run on top of, or access storage and compute device locations within, a datacenter.

[0099] When more than one separate service application is being supported by nodes 730, nodes 730 may be partitioned into virtual machines (e.g., virtual machine 752 and virtual machine 754) . Physical machines can also concurrently run separate service applications. The virtual machines or physical machines can be configured as individualized computing environments that are supported by resources 760 (e.g., hardware resources and software resources) in cloud computing platform 710. It is contemplated that resources can be configured for specific service applications. Further, each service application may be divided into functional portions such that  each functional portion is able to run on a separate virtual machine. In cloud computing platform 710, multiple servers may be used to run service applications and perform data storage operations in a cluster. In particular, the servers may perform data operations independently but exposed as a single device referred to as a cluster. Each server in the cluster can be implemented as a node.

[0100] Client device 780 may be linked to a service application in cloud computing platform 710. Client device 780 may be any type of computing device, which may correspond to computing device 700 described with reference to FIG. 7, for example, client device 780 can be configured to issue commands to cloud computing platform 710. In embodiments, client device 780 may communicate with service applications through a virtual Internet Protocol (IP) and load balancer or other means that direct communication requests to designated endpoints in cloud computing platform 710. The components of cloud computing platform 710 may communicate with each other over a network (not shown) , which may include, without limitation, one or more local area networks (LANs) and / or wide area networks (WANs) .

[0101] Example Computing Environment

[0102] Having briefly described an overview of embodiments of the present invention, an example operating environment in which embodiments of the present invention may be implemented is described below in order to provide a general context for various aspects of the present invention. Referring initially to FIG. 8 in particular, an example operating environment for implementing embodiments of the present invention is shown and designated generally as computing device 800. Computing device 800 is but one example of a suitable computing environment and is not intended to suggest any limitation as to the scope of use or functionality of the invention. Neither should computing device 800 be interpreted as having any dependency or requirement relating to any one or combination of components illustrated.

[0103] The invention may be described in the general context of computer code or machine-useable instructions, including computer-executable instructions such as program modules, being executed by a computer or other machine, such as a personal data assistant or other handheld device. Generally, program modules including routines, programs, objects, components, data structures, etc. refer to code that perform particular tasks or implement particular abstract data types. The invention may be practiced in a variety of system configurations, including hand-held devices, consumer electronics, general-purpose computers, more specialty computing devices, etc. The invention may also be practiced in distributed computing environments where tasks are performed by remote-processing devices that are linked through a communications network.

[0104] With reference to FIG. 8, computing device 800 includes bus 810 that directly or indirectly couples the following devices: memory 812, one or more processors 814, one or more presentation components 816, input / output ports 818, input / output components 820, and illustrative power supply 822. Bus 810 represents what may be one or more buses (such as an address bus, data bus, or combination thereof) . The various blocks of FIG. 8 are shown with lines for the sake of conceptual clarity, and other arrangements of the described components and / or component functionality are also contemplated. For example, one may consider a presentation component such as a display device to be an I / O component. Also, processors have memory. We recognize that such is the nature of the art, and reiterate that the diagram of FIG. 8 is merely illustrative of an example computing device that can be used in connection with one or more embodiments of the present invention. Distinction is not made between such categories as “workstation, ” “server, ” “laptop, ” “hand-held device, ” etc., as all are contemplated within the scope of FIG. 8 and reference to “computing device. ”

[0105] Computing device 800 typically includes a variety of computer-readable media. Computer-readable media can be any available media that can be accessed by computing device 800 and includes both volatile and nonvolatile media, removable and non-removable media. By way of example, and not limitation, computer-readable media may comprise computer storage media and communication media.

[0106] Computer storage media include volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer-readable instructions, data structures, program modules or other data. Computer storage media includes, but is not limited to, RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital versatile disks (DVD) or other optical disk storage, magnetic cassettes, magnetic tape, magnetic disk storage or other magnetic storage devices, or any other medium which can be used to store the desired information and which can be accessed by computing device 800. Computer storage media excludes signals per se.

[0107] Communication media typically embodies computer-readable instructions, data structures, program modules or other data in a modulated data signal such as a carrier wave or other transport mechanism and includes any information delivery media. The term “modulated data signal” means a signal that has one or more of its characteristics set or changed in such a manner as to encode information in the signal. By way of example, and not limitation, communication media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared and other wireless media. Combinations of any of the above should also be included within the scope of computer-readable media.

[0108] Memory 812 includes computer storage media in the form of volatile and / or nonvolatile memory. The memory may be removable, non-removable, or a combination thereof.  Exemplary hardware devices include solid-state memory, hard drives, optical-disc drives, etc. Computing device 800 includes one or more processors that read data from various entities such as memory 812 or I / O components 820. Presentation component (s) 816 present data indications to a user or other device. Exemplary presentation components include a display device, speaker, printing component, vibrating component, etc.

[0109] I / O ports 818 allow computing device 800 to be logically coupled to other devices including I / O components 820, some of which may be built in. Illustrative components include a microphone, joystick, game pad, satellite dish, scanner, printer, wireless device, etc.

[0110] Additional Structural and Functional Features of Embodiments of the Technical Solution

[0111] Having identified various components utilized herein, it should be understood that any number of components and arrangements may be employed to achieve the desired functionality within the scope of the present disclosure. For example, the components in the embodiments depicted in the figures are shown with lines for the sake of conceptual clarity. Other arrangements of these and other components may also be implemented. For example, although some components are depicted as single components, many of the elements described herein may be implemented as discrete or distributed components or in conjunction with other components, and in any suitable combination and location. Some elements may be omitted altogether. Moreover, various functions described herein as being performed by one or more entities may be carried out by hardware, firmware, and / or software, as described below. For instance, various functions may be carried out by a processor executing instructions stored in memory. As such, other arrangements and elements (e.g., machines, interfaces, functions, orders, and groupings of functions) can be used in addition to or instead of those shown.

[0112] Embodiments described in the paragraphs below may be combined with one or more of the specifically described alternatives. In particular, an embodiment that is claimed may contain a reference, in the alternative, to more than one other embodiment. The embodiment that is claimed may specify a further limitation of the subject matter claimed.

[0113] The subject matter of embodiments of the invention is described with specificity herein to meet statutory requirements. However, the description itself is not intended to limit the scope of this patent. Rather, the inventors have contemplated that the claimed subject matter might also be embodied in other ways, to include different steps or combinations of steps similar to the ones described in this document, in conjunction with other present or future technologies. Moreover, although the terms “step” and / or “block” may be used herein to connote different elements of methods employed, the terms should not be interpreted as implying any particular order among or between various steps herein disclosed unless and except when the order of individual steps is explicitly described.

[0114] For purposes of this disclosure, the word “including” has the same broad meaning as the word “comprising, ” and the word “accessing” comprises “receiving, ” “referencing, ” or “retrieving. ” Further the word “communicating” has the same broad meaning as the word “receiving, ” or “transmitting” facilitated by software or hardware-based buses, receivers, or transmitters using communication media described herein. In addition, words such as “a” and “an, ” unless otherwise indicated to the contrary, include the plural as well as the singular. Thus, for example, the constraint of “afeature” is satisfied where one or more features are present. Also, the term “or” includes the conjunctive, the disjunctive, and both (aor b thus includes either a or b, as well as a and b) .

[0115] For purposes of a detailed discussion above, embodiments of the present invention are described with reference to a distributed computing environment; however the distributed computing environment depicted herein is merely exemplary. Components can be configured for performing novel aspects of embodiments, where the term “configured for” can refer to “programmed to” perform particular tasks or implement particular abstract data types using code. Further, while embodiments of the present invention may generally refer to the technical solution environment and the schematics described herein, it is understood that the techniques described may be extended to other implementation contexts.

[0116] Embodiments of the present invention have been described in relation to particular embodiments which are intended in all respects to be illustrative rather than restrictive. Alternative embodiments will become apparent to those of ordinary skill in the art to which the present invention pertains without departing from its scope.

[0117] From the foregoing, it will be seen that this invention is one well adapted to attain all the ends and objects hereinabove set forth together with other advantages which are obvious and which are inherent to the structure.

[0118] It will be understood that certain features and sub-combinations are of utility and may be employed without reference to other features or sub-combinations. This is contemplated by and is within the scope of the claims.

Claims

1.A computerized system comprising:one or more computer processors; andcomputer memory storing computer-useable instructions that, when used by the one or more computer processors, cause the one or more computer processors to perform operations, the operations comprising:accessing communications data associated with an item listing system, wherein the communications data comprises unstructured data;using a language model (LM) and a plurality of tagging prompts, generating a language model output comprising a plurality of context-free annotation tags associated with the communications data;mapping the plurality of context-free annotation tags to a domain-structured format associated with a plurality of context-aware target tags;based on mapping the plurality of context-free annotation tags, generating structured domain-specific tags;integrating the structured domain-specific tags into a fraud detection model that generates notifications based on the structured domain-specific tags and communications data;using the fraud detection model to generate a notification associated with the structured domain-specific tags and communications data; andcommunicating the notification.2.The system of claim 1, wherein the communications data is associated with a fraud claim, the communications data comprises one or more of the following: member-to-member messages, return messages and claims messages.3.The system of claim 1, wherein a zero-shot model is employed to map the plurality of context-free annotation tags to the domain-structured format associated with the plurality of context-aware target tags.4.The system of claim 1, wherein the LM generates the plurality of context-free annotation tags without integration of domain-specific knowledge.5.The system of claim 1, wherein the language model output is generated based on the plurality of tagging prompts associated with the plurality of context-free annotation tags, wherein the language model output includes one or more of the following context-free annotation tags: observation, tag, category, case summary, and justification.6.The system of claim 1, wherein the LM generates the context-aware target tags based on historical fraud claim data and one or more of the following: in-context learning prompts and a zero-shot chain-of-thought method.7.The system of claim 1, wherein the fraud detection model is associated with a seller fault classification domain, wherein the structured domain-specific tags are loss-type tags.8.One or more computer-storage media having computer-executable instructions embodied thereon that, when executed by a computing system having a processor and memory, cause the processor to perform operations, the operations comprising:accessing fraud claim data associated with an item listing system;using a seller fault loss classification model and the fraud claim data, determining whether the fraud claim data indicates a seller fault loss;based on determining that the fraud claim data indicates the seller fault loss, using a seller fault loss tagging model and the fraud claim data to identify a loss-type tag associated the fraud claim data, wherein the seller fault loss tagging model uses context-aware target tags and a plurality of context-free annotation tags associated with fraud claim data to:map the plurality of context-free annotation tags to a domain-structured format associated with the context-aware target tags; andgenerate loss-type tags that are structured domain-specific tags;integrating the loss-type tag into a fraud detection model that generates notifications based on the loss-type tag and fraud claim data; andusing the fraud detection model to generate a notification associated with the loss-type tag and fraud claim data; andcommunicating the notification associated with the loss-type tag.9.The media of claim 8, wherein the fraud claim data is communications data associated with a fraud claim, the communications data comprises one or more of the following: member-to-member messages, return messages, and claims messages.10.The media of claim 8, wherein the one or more of context-free annotation tags include the following: observation, tag, category, case summary, and justification.11.The media of claim 8, wherein the LM generates the context-aware target tags based on historical fraud claim data and one or more of the following: in-context learning prompts and zero-shot chain-of-thought method.12.The media of claim 8, wherein the item listing system comprises an end-to-end system artificial intelligence-supported fraud management engine that integrates the a seller fault loss classification model, the seller fault loss tagging model, and the fraud detection.13.The media of claim 8, wherein the communicating the notification is based on a fraud detection tree model that integrates the one or more loss-type tag into tree model analysis for generating a fraud detection recommendation.14.The media of claim 8, wherein the seller fault loss tagging model a zero-shot model, the operations further providing a context-free annotation tags interface associated with claim tagging prompting and a context-aware target tag interface associated with defining context-aware target tags.15.A computer-implemented method, the method comprising:accessing communications data associated with an item listing system, wherein the communications data comprises unstructured data;using a language model (LM) and a plurality of tagging prompts, generating a language model output comprising plurality of context-free annotation tags associated with the communications data;mapping the plurality of context-free annotation tags to a domain-structured format associated with the plurality of context-aware target tags;based on mapping the plurality of context-free annotation tags, generating structured domain-specific tags; andintegrating the structured domain-specific tags into a data analysis model that generates notifications based on the domain-specific tags and communications data.16.The method of claim 15, wherein the communications data is associated with a fraud claim, the communications data comprises one or more of the following: member-to-member messages, return messages and claims messages.17.The method of claim 15, wherein the LM generates the plurality of context-free annotation tags without integration of domain-specific knowledge.18.The method of claim 15, wherein the language model output is generated based on the plurality of tagging prompts associated with the plurality of context-free annotation tags, wherein the language model output includes one or more of the following context-free annotation tags: observation, tag, category, case summary, and justification.19.The method of claim 15, wherein the LM generates the context-aware target tags based on historical fraud claim data and one or more of the following: in-context learning prompts and a zero-shot chain-of-thought method.20.The method of claim 15, wherein a zero-shot model is employed to map the plurality of context-free annotation tags to the domain-structured format associated with the plurality of context-aware target tags, wherein the fraud detection model is associated with a seller fault classification domain, wherein the structured domain-specific tags are loss-type tags.

Images