CN108681936B - 一种基于模块度和平衡标签传播的欺诈团伙识别方法 - Google Patents

一种基于模块度和平衡标签传播的欺诈团伙识别方法 Download PDF

Info

Publication number
CN108681936B
CN108681936B CN201810382121.5A CN201810382121A CN108681936B CN 108681936 B CN108681936 B CN 108681936B CN 201810382121 A CN201810382121 A CN 201810382121A CN 108681936 B CN108681936 B CN 108681936B
Authority
CN
China
Prior art keywords
community
node
fraud
modularity
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810382121.5A
Other languages
English (en)
Other versions
CN108681936A (zh
Inventor
高杨
唐迪佳
孙斌杰
王新根
鲁萍
黄滔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Bangsheng Technology Co.,Ltd.
Original Assignee
Zhejiang Bangsun Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Bangsun Technology Co ltd filed Critical Zhejiang Bangsun Technology Co ltd
Priority to CN201810382121.5A priority Critical patent/CN108681936B/zh
Publication of CN108681936A publication Critical patent/CN108681936A/zh
Application granted granted Critical
Publication of CN108681936B publication Critical patent/CN108681936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0609—Buyer or seller confidence or verification

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于模块度和平衡标签传播的欺诈团伙识别方法，包括：利用ID特征结合用户自身已知的欺诈标识，对所有用户计算两两相似度，建立相似度矩阵，通过相似度矩阵建立关联图；对建立的图运行Louvain算法得出每个节点所属的社区及层级信息；以每个节点所属的社区、层级信息及欺诈标识作为每个节点初始的社区信息，运行平衡标签传播过程得到每个节点最终所属社区，再根据是否归属共同社区划分网络，根据传播获得的欺诈标识划分欺诈团伙。本发明首次将基于模块度和平衡标签传播的欺诈团伙识别方法应用到申请反欺诈和交易反欺诈领域，利用交易关联等信息构建关联图谱，综合社团模块度信息，利用平衡标签传播算法检测欺诈社团，防范潜在欺诈交易。

Description

一种基于模块度和平衡标签传播的欺诈团伙识别方法
技术领域
本发明属于交易反欺诈和申请反欺诈领域，尤其涉及一种基于模块度和平衡标签传播的欺诈团伙识别方法
背景技术
随着电子商务、第三方支付等线上业务的爆发式增长，线上欺诈案件也日益猖獗，并且呈现出手法多变、领域多样化的趋势，如何有效、及时地识别频繁发生的线上欺诈行为已经成为了一个迫切需要解决的问题。传统的线上欺诈检测方法，通常针对每笔线上交易或者商户实体建模，实施构建业务流的相关特征进行欺诈检测，这种方法对交易本身特征明显的欺诈行为效果优秀，但是却忽略了欺诈交易背后的团伙关联性，对于伪造正常用户信息的团伙欺诈识别能力较差。
社区发现是从复杂网络结构中，通过识别其中具有特定规律的社团或子网络，进而对复杂网络进行划分，找出其中节点潜在的联系规律的一种技术。在交易反欺诈和申请反欺诈领域中，客户通过交易关联信息和申请关联信息可以构建凸显异常行为的复杂网络，利用社区发现技术对该网络进行分析挖掘，可以有效识别出网络内的欺诈团伙，预防欺诈行为的发生。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于模块度和平衡标签传播的欺诈团伙识别方法。
本发明的目的是通过以下技术方案来实现的：一种基于模块度和平衡标签传播的欺诈团伙识别方法，该方法包括以下步骤：
步骤1、在交易反欺诈或申请反欺诈场景中，提取ID特征；
步骤2、利用从交易数据或申请数据中提取的ID特征，结合用户自身已知的欺诈标识，对所有用户(包括欺诈黑名单与正常用户)计算两两相似度，建立相似度矩阵，通过该相似度矩阵建立关联图；
步骤3、对建立的关联图运行Louvain算法得出每个节点所属的社区及层级信息；
步骤4、以每个节点所属的社区、层级信息及欺诈标识作为每个节点初始的社区信息，运行平衡标签传播过程得到每个节点最终所属社区，再根据是否归属共同社区划分网络，根据传播获得的欺诈标识划分欺诈团伙。
进一步地，所述步骤2中，所述ID特征包括***、账户号、ip和设备指纹。
进一步地，所述步骤2中，设用户i的n个特征为Xi,1,Xi,2,Xi,3…Xi,n，用户i与用户j的相似度wi,j定义可参考实际业务情况，推荐使用共同属性、余弦距离等，可选定义如下：
共同属性：
wi,j＝∑ku(Xi,k,Xj,k)(k＝1…·n)/k
Figure BDA0001641303020000021
余弦距离：
wi,j＝Cos(Xi,Xj)
对于m个用户，形成如下相似度矩阵：
Figure BDA0001641303020000022
进一步地，所述步骤2中，将相似度矩阵中低于阈值p的设置0，不为0的用户节点建立边联系，构建图结构，节点间的相似度为边的权重。
进一步地，所述步骤3包括：
(1)初始时假设关联图中的每个节点各自属于一个独立的社区；
(2)对关联图中的每个节点i依次遍历其所有邻居节点，计算将其分配到邻居节点所属社区前后的模块度变化量ΔQ；并更新模块度变化最大值maxΔQ，max_j为最大值maxΔQ对应的邻居节点，当maxΔQ＞0时，把节点i分配到max_j所在的社区中，否则保持不变；
(3)重新执行步骤(2)，直到节点归属社区不再变化；
(4)将关联图中归属同一个社区的节点归并一个超节点来重新构造网络，此时超节点的权重由社区内节点间边的权重转化，超节点间的边权重由社区间的边权重转化，实现关联图的压缩；
(5)重新执行步骤(1)，直到达到设定的迭代次数或关联图的模块度不再变化，最终得到每个节点在每个层级所属的社区。
进一步地，所述步骤4包括：
(1)将步骤2建立的关联图中每个节点初始归属设为Louvain算法得到的每个层级所属的社区，得到每个节点的<社区id,概率值>信息，其中初始概率等于1/(节点所属社区数量)，社区id由层级、层级所属的社区、欺诈标识组成；
(2)对每个节点遍历其所有的邻居节点，将相同社区id对应的概率进行加和，记为b，bmax为概率加和后<社区id,概率值>中概率的最大值；根据公式
Figure BDA0001641303020000031
过滤关联图中每个节点的社区id，其中q为可调参数，q取值范围在[0,1]之间；
(3)归一化每个节点的<社区id,概率值>信息；
(4)重复步骤(2)，直到达到指定迭代数；
(5)根据是否归属共同社区划分网络，根据传播获得的欺诈标识划分欺诈团伙。
本发明的有益效果：本发明首次将基于模块度和平衡标签传播的欺诈团伙识别方法应用到申请反欺诈和交易反欺诈领域，结合了Louvain和平衡标签传播算法的优点，不仅利用了种子欺诈节点的关联信息，还考虑了社团模块度最优的需求，最终识别出具有可疑交易行为和申请动作的欺诈团伙，具有较好的社群结构和优秀的准确率。在交易反欺诈和申请反欺诈领域，该方法具有极大的研究意义和使用价值。
附图说明
图1为利用相似度矩阵建立的关联图示意图；
图2为根据关联图得到的每个节点所属的社区及层级信息示意图；
图3为结合层级与欺诈标签进行标签传播后的结果。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明提出的基于模块度和平衡标签传播的欺诈团伙识别方法的步骤如下：
步骤1、提取***、账户号、ip和设备指纹等特征；如表1所示
表1.交易特征表
Figure BDA0001641303020000032
Figure BDA0001641303020000041
步骤2、利用从交易数据中提取的特征对所有用户(包括欺诈黑名单与正常用户)计算两两相似度，建立相似度矩阵，通过该矩阵建立关联图，如图1所示，其中图中的圆圈代表用户节点，其中数字表示用户ID，图中边上的数字表示边相似度矩阵计算出的边权重。
步骤3、对建立的关联图运行Louvain算法得出每个节点所属的社区及层级信息，如图2所示，左上角的复数个节点被划分为一个社团，共进行了3次图压缩。
步骤4、以每个节点所属的社区、层级信息及欺诈标识作为每个节点初始的社区信息，运行平衡标签传播过程得到每个节点最终所属社区，再根据是否归属共同社区划分网络，根据传播获得的欺诈标识划分欺诈团伙，如图3所示，一共识别出了三个社区，其中左上角的黑色社区为欺诈团伙，右上角的白色社区为正常用户社区，下方的灰色社区为存疑团伙。
其中步骤2具体按照以下步骤实施：
设用户i的特征为Xi,1,Xi,2,Xi,3…·Xi,n,用户i与用户j的相似度定义可参考实际业务情况，推荐使用共同属性、余弦距离等，可选定义如下：
共同属性：
wi,j＝∑ku(Xi,k,Xj,k)(k＝1…n)/k
Figure BDA0001641303020000042
余弦距离：
wi,j＝Cos(Xi,Xj)
对于m个用户，形成如下相似度矩阵：
Figure BDA0001641303020000043
将相似度矩阵中低于阈值p的设置0，不为0的用户节点建立边联系，构建图结构，节点间的相似度为边的权重，如图1所示，其中图中的圆圈代表用户节点，其中数字表示用户ID，图中边上的数字表示边相似度矩阵计算出的边权重。
其中步骤3具体按照以下步骤实施：
(1)初始时假设关联图中的每个节点各自属于一个独立的社区；
(2)对关联图中的每个节点i依次遍历其所有邻居节点，计算将其分配到邻居节点所属社区前后的模块度变化量ΔQ；并更新模块度变化最大值maxΔQ，max_j为最大值maxΔQ对应的邻居节点，当maxΔQ＞0时，把节点i分配到max_j所在的社区中，否则保持不变；
(3)重新执行步骤(2)，直到节点归属社区不再变化；
(4)将关联图中归属同一个社区的节点归并一个超节点来重新构造网络，此时超节点的权重由社区内节点间边的权重转化，超节点间的边权重由社区间的边权重转化，实现关联图的压缩；
(5)重新执行步骤(1)，直到达到设定的迭代次数或关联图的模块度不再变化，最终得到每个节点在每个层级所属的社区，如图2所示，左上角的复数个节点被划分为一个社团，共进行了3次图压缩。
模块度通过计算社团内部节点的边数与随机情况下的边数的差，来衡量一个社区网络划分好坏，它的取值范围是[-1/2,1]，其定义如下：
Figure BDA0001641303020000051
Figure BDA0001641303020000052
其中，Ai,j为节点i和节点j之间边的权重；ki＝∑jAi,j表示所有与节点i相连的边的权重之和；ci表示节点i所属的社区；
Figure BDA0001641303020000053
表示所有边的权重之和。
公式中
Figure BDA0001641303020000054
节点j连接到任意一个节点的概率是
Figure BDA0001641303020000055
现在节点i有ki的度数，因此在随机情况下节点i与j的边为
Figure BDA0001641303020000056
其中ΔQ定义如下：
Figure BDA0001641303020000057
公式中∑in表示节点重点都在社区内的边权重和，∑tot表示入射社区内的边权重之和，ki,in表示节点i入射社区的带权度数和。
其中步骤4具体按照以下步骤实施：
(1)将步骤2建立的关联图中每个节点初始归属设为Louvain算法得到的每个层级所属的社区，得到每个节点的<社区id,概率值>信息，其中初始概率等于1/(节点所属社区数量)，社区id由层级、层级所属的社区、欺诈标识组成；
(2)对每个节点遍历其所有的邻居节点，将相同社区id对应的概率进行加和，记为b，bmax为概率加和后<社区id,概率值>中概率的最大值；根据公式
Figure BDA0001641303020000061
过滤关联图中每个节点的社区id，其中q为可调参数，q取值范围在[0,1]之间；
(3)归一化每个节点的<社区id,概率值>信息；
(4)重复步骤(2)，直到达到指定迭代数；
(5)根据是否归属共同社区划分网络，根据传播获得的欺诈标识划分欺诈团伙，如图3所示，一共识别出了三个社区，其中左上角的黑色社区为欺诈团伙，右上角的白色社区为正常用户社区，下方的灰色社区为存疑团伙。
本发明提出了一种基于模块度和平衡标签传播的欺诈团伙识别方法，结合了Louvain和平衡标签传播算法的优点，不仅利用了种子欺诈节点的关联信息，还考虑了社团模块度最优的需求，最终识别出具有可疑交易行为和申请动作的欺诈团伙，具有较好的社群结构和优秀的准确率。在交易反欺诈和申请反欺诈领域，该方法具有极大的研究意义和使用价值。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员在不脱离本发明的精神和范围的情况下，还可以作出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (4)

1.一种基于模块度和平衡标签传播的欺诈团伙识别方法，其特征在于，该方法包括以下步骤：
步骤1、在交易反欺诈或申请反欺诈场景中，提取ID特征；
步骤2、利用从交易数据或申请数据中提取的ID特征，结合用户自身已知的欺诈标识，对包括欺诈黑名单与正常用户的所有用户计算两两相似度，建立相似度矩阵，通过该相似度矩阵建立关联图；
步骤3、对建立的关联图运行Louvain算法得出每个节点所属的社区及层级信息；具体步骤为：
(1)初始时假设关联图中的每个节点各自属于一个独立的社区；
(2)对关联图中的每个节点i依次遍历其所有邻居节点，计算将其分配到邻居节点所属社区前后的模块度变化量ΔQ；并更新模块度变化最大值maxΔQ，max_j为最大值maxΔQ对应的邻居节点，当maxΔQ＞0时，把节点i分配到max_j所在的社区中，否则保持不变；
(3)重新执行步骤(2)，直到节点归属社区不再变化；
(4)将关联图中归属同一个社区的节点归并一个超节点来重新构造网络，此时超节点的权重由社区内节点间边的权重转化，超节点间的边权重由社区间的边权重转化，实现关联图的压缩；
(5)重新执行步骤(1)，直到达到设定的迭代次数或关联图的模块度不再变化，最终得到每个节点在每个层级所属的社区；
步骤4、以每个节点所属的社区、层级信息及欺诈标识作为每个节点初始的社区信息，运行平衡标签传播过程得到每个节点最终所属社区，再根据是否归属共同社区划分网络，根据传播获得的欺诈标识划分欺诈团伙；具体步骤如下：
(1)将步骤2建立的关联图中每个节点初始归属设为Louvain算法得到的每个层级所属的社区，得到每个节点的<社区id,概率值>信息，其中初始概率等于1/(节点所属社区数量)，社区id由层级、层级所属的社区、欺诈标识组成；
(2)对每个节点遍历其所有的邻居节点，将相同社区id对应的概率进行加和，记为b，bmax为概率加和后<社区id,概率值>中概率的最大值；根据公式
Figure FDA0003154887910000011
过滤关联图中每个节点的社区id，其中q为可调参数，q取值范围在[0,1]之间；
(3)归一化每个节点的<社区id,概率值>信息；
(4)重复步骤(2)，直到达到指定迭代数；
(5)根据是否归属共同社区划分网络，根据传播获得的欺诈标识划分欺诈团伙。
2.根据权利要求1所述的一种基于模块度和平衡标签传播的欺诈团伙识别方法，其特征在于，所述步骤2中，所述ID特征包括***、账户号、ip和设备指纹。
3.根据权利要求1所述的一种基于模块度和平衡标签传播的欺诈团伙识别方法，其特征在于，所述步骤2中，设用户i的n个特征为Xi,1,Xi,2,Xi,3…Xi,n，用户i与用户j的相似度定义可参考实际业务情况采用共同属性或余弦距离。
4.根据权利要求1所述的一种基于模块度和平衡标签传播的欺诈团伙识别方法，其特征在于，所述步骤2中，将相似度矩阵中低于阈值p的设置0，p为可调参数，p取值范围在[0,1]之间，不为0的用户节点建立边联系，构建图结构，节点间的相似度为边的权重。
CN201810382121.5A 2018-04-26 2018-04-26 一种基于模块度和平衡标签传播的欺诈团伙识别方法 Active CN108681936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810382121.5A CN108681936B (zh) 2018-04-26 2018-04-26 一种基于模块度和平衡标签传播的欺诈团伙识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810382121.5A CN108681936B (zh) 2018-04-26 2018-04-26 一种基于模块度和平衡标签传播的欺诈团伙识别方法

Publications (2)

Publication Number Publication Date
CN108681936A CN108681936A (zh) 2018-10-19
CN108681936B true CN108681936B (zh) 2021-11-02

Family

ID=63802082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810382121.5A Active CN108681936B (zh) 2018-04-26 2018-04-26 一种基于模块度和平衡标签传播的欺诈团伙识别方法

Country Status (1)

Country Link
CN (1) CN108681936B (zh)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949046B (zh) * 2018-11-02 2023-06-09 创新先进技术有限公司 风险团伙的识别方法和装置
CN109784636A (zh) * 2018-12-13 2019-05-21 中国平安财产保险股份有限公司 欺诈用户识别方法、装置、计算机设备及存储介质
CN109816535A (zh) * 2018-12-13 2019-05-28 中国平安财产保险股份有限公司 欺诈识别方法、装置、计算机设备及存储介质
CN109685132B (zh) * 2018-12-20 2020-12-11 四川新网银行股份有限公司 基于二部图的标签传播方法
CN109754258B (zh) * 2018-12-24 2023-05-12 同济大学 一种基于个体行为建模的面向线上交易欺诈检测方法
CN110020866B (zh) * 2019-01-22 2023-06-13 创新先进技术有限公司 一种识别模型的训练方法、装置及电子设备
CN111666346A (zh) * 2019-03-06 2020-09-15 京东数字科技控股有限公司 信息归并方法、交易查询方法、装置、计算机及存储介质
CN110070364A (zh) * 2019-03-27 2019-07-30 北京三快在线科技有限公司 基于图模型检测团伙欺诈的方法和装置、存储介质
CN110135890A (zh) * 2019-04-15 2019-08-16 深圳壹账通智能科技有限公司 基于知识关系挖掘的产品数据推送方法及相关设备
CN111951021B (zh) * 2019-05-15 2024-07-02 财付通支付科技有限公司 一种可疑社团的发现方法和装置、存储介质及计算机设备
CN110232524A (zh) * 2019-06-14 2019-09-13 哈尔滨哈银消费金融有限责任公司 社交网络欺诈模型的构建方法、防欺诈方法和装置
CN110245875A (zh) * 2019-06-21 2019-09-17 深圳前海微众银行股份有限公司 欺诈风险评估方法、装置、设备及存储介质
CN110490730B (zh) * 2019-08-21 2022-07-26 北京顶象技术有限公司 异常资金聚集行为检测方法、装置、设备及存储介质
CN110717828B (zh) * 2019-09-09 2022-09-30 中国科学院计算技术研究所 一种基于频繁交易模式的异常账户检测方法及***
CN110929509B (zh) * 2019-10-16 2023-09-15 上海大学 一种基于louvain社区发现算法的领域事件触发词聚类方法
CN110766091B (zh) * 2019-10-31 2024-02-27 上海观安信息技术股份有限公司 一种套路贷团伙的识别方法及***
CN111241297B (zh) * 2020-01-06 2024-05-14 广州拉卡拉信息技术有限公司 一种基于标签传播算法的图谱数据处理方法及装置
CN113129010A (zh) * 2020-01-10 2021-07-16 联洋国融(北京)科技有限公司 一种基于复杂网络模型的欺诈团伙挖掘***及其挖掘方法
CN111325350B (zh) * 2020-02-19 2023-09-29 第四范式（北京）技术有限公司 可疑组织发现***和方法
CN111325578B (zh) * 2020-02-20 2023-10-31 深圳市腾讯计算机***有限公司 预测模型的样本确定方法及装置、介质和设备
CN111428217B (zh) * 2020-04-12 2023-07-28 中信银行股份有限公司 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质
CN111612038B (zh) * 2020-04-24 2024-04-26 平安直通咨询有限公司上海分公司 异常用户检测方法及装置、存储介质、电子设备
CN111641517A (zh) * 2020-04-29 2020-09-08 深圳壹账通智能科技有限公司 同质网络的社群划分方法、装置、计算机设备和存储介质
CN111581530A (zh) * 2020-05-07 2020-08-25 北京互金新融科技有限公司 社团划分方法和装置
CN111523831B (zh) * 2020-07-03 2020-11-03 支付宝(杭州)信息技术有限公司 风险团伙的识别方法、装置、存储介质和计算机设备
CN111598713B (zh) * 2020-07-24 2021-12-14 北京淇瑀信息科技有限公司 基于相似度权重更新的团伙识别方法、装置及电子设备
CN112148767A (zh) * 2020-09-11 2020-12-29 支付宝(杭州)信息技术有限公司 团伙挖掘方法、异常团伙的识别方法、装置及电子设备
CN112184299A (zh) * 2020-09-23 2021-01-05 中国建设银行股份有限公司 套利用户识别方法、装置、电子设备及介质
CN112910888A (zh) * 2021-01-29 2021-06-04 杭州迪普科技股份有限公司 非法域名注册团伙挖掘方法及装置
CN112785320B (zh) * 2021-02-01 2023-09-19 北京互金新融科技有限公司 信用风险的确定方法及装置、存储介质和电子设备
CN113033966B (zh) * 2021-03-03 2024-07-12 携程旅游信息技术（上海）有限公司 风险目标识别方法、装置、电子设备和存储介质
CN113326178A (zh) * 2021-06-22 2021-08-31 北京奇艺世纪科技有限公司 一种异常账号传播方法、装置、电子设备和存储介质
CN113344697A (zh) * 2021-06-29 2021-09-03 平安普惠企业管理有限公司 团伙检测方法、装置、设备及介质
CN114820219B (zh) * 2022-05-23 2022-09-20 杭银消费金融股份有限公司 一种基于复杂网络的欺诈社团识别方法及***
CN117575782B (zh) * 2024-01-15 2024-05-07 杭银消费金融股份有限公司 一种基于Leiden社区发现算法的团伙欺诈识别方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100185935A1 (en) * 2009-01-21 2010-07-22 Nec Laboratories America, Inc. Systems and methods for community detection
CN103729475B (zh) * 2014-01-24 2016-10-26 福州大学 一种社交网络中的多标签传播重叠社区发现方法
CN107392559A (zh) * 2016-05-16 2017-11-24 阿里巴巴集团控股有限公司 组织结构判断方法及装置
CN107292424B (zh) * 2017-06-01 2020-01-21 四川新网银行股份有限公司 一种基于复杂社交网络的反欺诈和信用风险预测方法
CN107590504A (zh) * 2017-07-31 2018-01-16 阿里巴巴集团控股有限公司 异常主体识别方法和装置、服务器
CN107730262B (zh) * 2017-10-23 2021-09-24 创新先进技术有限公司 一种欺诈识别方法和装置
CN107943879A (zh) * 2017-11-14 2018-04-20 上海维信荟智金融科技有限公司 基于社交网络的欺诈团体检测方法及***

Also Published As

Publication number Publication date
CN108681936A (zh) 2018-10-19

Similar Documents

Publication Publication Date Title
CN108681936B (zh) 一种基于模块度和平衡标签传播的欺诈团伙识别方法
Liang et al. Data fusion approach for collaborative anomaly intrusion detection in blockchain-based systems
CN109299811B (zh) 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法
CN113240509B (zh) 一种基于多源数据联邦学习的贷款风险评估方法
WO2022121145A1 (zh) 一种基于图分类的以太坊网络钓鱼诈骗检测方法及装置
CN108492173A (zh) 一种基于双模网络图挖掘算法的***反欺诈预测方法
CN109754258B (zh) 一种基于个体行为建模的面向线上交易欺诈检测方法
CN111738817B (zh) 识别风险社区的方法及***
CN109284988A (zh) 数据分析***及方法
CN108764943B (zh) 基于资金交易网络的可疑用户监测分析方法
CN109886334A (zh) 一种隐私保护的共享近邻密度峰聚类方法
CN113159866A (zh) 一种大数据环境下网络用户信任度评估模型构建方法
CN110458094B (zh) 基于指纹相似度的设备分类方法
CN110445772B (zh) 一种基于主机关系的互联网主机扫描方法及***
CN115859187A (zh) 对象识别方法、装置、电子设备及存储介质
Wang et al. Local outlier detection based on information entropy weighting
Chu et al. Exploiting spatial-temporal behavior patterns for fraud detection in telecom networks
Valehi et al. A graph matching algorithm for user authentication in data networks using image-based physical unclonable functions
CN108984773B (zh) 数据缺失情况下的黑名单多维信息验证方法及***及可读存储介质及设备
CN116843342A (zh) 基于图神经网络的金融欺诈检测方法、装置、设备及介质
CN110889467A (zh) 一种公司名称匹配方法、装置、终端设备及存储介质
CN115965466A (zh) 一种基于子图对比的以太坊账户身份推理方法及***
CN112069392B (zh) 涉网犯罪防控方法、装置、计算机设备及存储介质
Huang et al. Ethereum Phishing Fraud Detection Based on Heterogeneous Transaction Subnets
Petrov Identification of unusual wallets on ethereum platform

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: Room ABCD, 17th floor, building D, Paradise Software Park, No.3 xidoumen Road, Xihu District, Hangzhou City, Zhejiang Province, 310012

Patentee after: Zhejiang Bangsheng Technology Co.,Ltd.

Address before: Room ABCD, 17th floor, building D, Paradise Software Park, No.3 xidoumen Road, Xihu District, Hangzhou City, Zhejiang Province, 310012

Patentee before: ZHEJIANG BANGSUN TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder