CN109670933A - 识别用户角色的方法、用户设备、存储介质及装置 - Google Patents
识别用户角色的方法、用户设备、存储介质及装置 Download PDFInfo
- Publication number
- CN109670933A CN109670933A CN201811125685.7A CN201811125685A CN109670933A CN 109670933 A CN109670933 A CN 109670933A CN 201811125685 A CN201811125685 A CN 201811125685A CN 109670933 A CN109670933 A CN 109670933A
- Authority
- CN
- China
- Prior art keywords
- user
- behavior
- type
- default
- fraud
- 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.)
- Pending
Links
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了识别用户角色的方法、用户设备、存储介质及装置。本发明中获取用户操作行为和个人信息;将用户操作行为与预设操作行为进行匹配,以获得匹配结果;根据匹配结果生成对应的第一欺诈分值;根据个人信息构建目标关系网络;通过目标关系网络确定关联用户;基于关联用户的用户角色查询对应的第二欺诈分值;通过第一欺诈分值与第二欺诈分值生成目标欺诈分值;在目标欺诈分值大于或等于预设欺诈阈值时,将用户角色识别为潜在欺诈分子。明显地,本发明能够全面地评估目标用户的风险性,也参考到了关联用户的风险性,能够准确地识别出欺诈分子,所以,解决了现行的识别手段存在的不能准确地识别出贷款欺诈分子的技术问题。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及识别用户角色的方法、用户设备、存储介质及装置。
背景技术
针对互联网金融机构的贷款业务而言,由于欺诈贷款并不及时归还贷款的欺诈分子不断增多,这对于金融机构的正常运营而言会带来诸多麻烦。可是,常规的识别手段并不能准确地识别出各贷款客户中隐藏着的欺诈分子。
现行的识别手段有,其一,金融机构可调取贷款客户的征信信息,根据征信信息显示的贷款客户的信用状况来评估贷款客户为贷款欺诈分子的可能性;其二,金融机构可待到还款日后,根据客户是否如期归还贷款来对客户的身份进行判定。明显地,现行的识别手段存在不能准确地识别出欺诈分子的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供识别用户角色的方法、用户设备、存储介质及装置,旨在解决现行的识别手段存在的不能准确地识别出贷款欺诈分子的技术问题。
为实现上述目的,本发明提供一种识别用户角色的方法,所述识别用户角色的方法包括以下步骤:
获取目标用户的用户操作行为和个人信息;
将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
在预设分值评定模型下根据所述匹配结果生成对应的第一欺诈分值;
在预设复杂网络模型下根据所述个人信息构建目标关系网络;
通过所述目标关系网络确定与所述目标用户对应的关联用户;
基于所述关联用户的用户角色在预设欺诈分映射关系中查询对应的第二欺诈分值,所述预设欺诈分映射关系中包括用户角色与欺诈分值的对应关系;
通过所述第一欺诈分值与所述第二欺诈分值生成目标欺诈分值;
在所述目标欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
优选地,所述将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果的步骤之前,还包括:
识别所述用户操作行为的行为类型;
根据所述行为类型在预设行为模型中查询对应的预设操作行为;
所述将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果,包括:
确定与所述行为类型对应的行为特征类型;
从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征;
将所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
优选地,所述行为类型包括查询行为类型,所述行为特征类型中包括与所述查询行为类型对应的查询事项类型;
所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为查询行为类型时,根据所述查询行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为查询事项类型时,从所述用户操作行为中提取与所述查询事项类型对应的当前行为特征,从所述预设操作行为中提取与所述查询事项类型对应的目标行为特征。
优选地,所述行为类型还包括输入行为类型,所述行为特征类型中包括与所述输入行为类型对应的输入时长类型、输入内容类型与输入次序类型中的至少一项;
所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为输入行为类型时,根据所述输入行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为输入时长类型时,从所述用户操作行为中提取与所述输入时长类型对应的当前行为特征,从所述预设操作行为中提取与所述输入时长类型对应的目标行为特征。
优选地,所述在预设复杂网络模型下根据所述个人信息构建目标关系网络,包括:
获取由预设个人信息生成的预设关系网络;
在预设复杂网络模型下根据所述目标用户的个人信息创建与所述目标用户对应的目标节点;
将所述目标节点添加至所述预设关系网络中,并将添加节点后的预设关系网络设为目标关系网络。
优选地,所述预设关系网络包括各预设节点与连接各预设节点的连接边;所述将所述目标节点添加至所述预设关系网络中,并将添加节点后的预设关系网络设为目标关系网络,包括:
将所述目标用户的个人信息与预设个人信息进行匹配;
在匹配成功时,确定与匹配成功的预设个人信息对应的预设节点并设为关联节点;
将所述目标节点添加至所述预设关系网络中,并添加连接所述关联节点与所述目标节点的连接边;
将改动后的预设关系网络设为目标关系网络。
优选地,所述目标用户的个人信息包括各信息类型的子信息;
所述将所述目标用户的个人信息与预设个人信息进行匹配,包括:
将所述目标用户的个人信息中的子信息与预设个人信息中的子信息进行比较,并统计子信息相同的目标项数;
当所述目标项数大于或等于预设标准项数时,认定所述目标用户的个人信息与所述预设个人信息匹配成功。
此外,为实现上述目的,本发明还提出一种用户设备,所述用户设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的识别用户角色的程序,所述识别用户角色的程序配置为实现如上文所述的识别用户角色的方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有识别用户角色的程序,所述识别用户角色的程序被处理器执行时实现如上文所述的识别用户角色的方法的步骤。
此外,为实现上述目的,本发明还提出一种识别用户角色的装置,所述识别用户角色的装置包括:
信息获取模块,用于获取目标用户的用户操作行为和个人信息;
行为匹配模块,用于将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
第一分值生成模块,用于在预设分值评定模型下根据所述匹配结果生成对应的第一欺诈分值;
网络构建模块,用于在预设复杂网络模型下根据所述个人信息构建目标关系网络;
用户确定模块,用于通过所述目标关系网络确定与所述目标用户对应的关联用户;
第二分值生成模块,用于基于所述关联用户的用户角色在预设欺诈分映射关系中查询对应的第二欺诈分值,所述预设欺诈分映射关系中包括用户角色与欺诈分值的对应关系;
目标分值生成模块,用于通过所述第一欺诈分值与所述第二欺诈分值生成目标欺诈分值;
身份识别模块,用于在所述目标欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
在本发明中将预先建立预设行为模型,并根据预设行为模型中的预设操作行为进行与用户操作行为的匹配,根据匹配结果来生成第一欺诈分值,再根据目标关系网络中的关联用户的用户角色来生成第二欺诈分值,最终通过生成的目标欺诈分值来完成对于潜在欺诈分子的认定。明显地,本发明将同时联合两种识别手段来识别用户身份,既通过预设行为模型与预设分值评定模型全面地评估目标用户的风险性,也参考到了与目标用户存在关联的其他用户的风险性,能够更加准确地识别出各用户中的欺诈分子,所以,解决了现行的识别手段存在的不能准确地识别出贷款欺诈分子的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的用户设备结构示意图;
图2为本发明识别用户角色的方法第一实施例的流程示意图;
图3为目标关系网络的示意图;
图4为本发明识别用户角色的方法第二实施例的流程示意图;
图5为本发明识别用户角色的方法第三实施例的流程示意图;
图6为本发明识别用户角色的装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的用户设备结构示意图。
如图1所示,该用户设备可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对用户设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及识别用户角色的程序。
在图1所示的用户设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接外设;所述用户设备通过处理器1001调用存储器1005中存储的识别用户角色的程序,并执行本发明实施例提供的识别用户角色的方法。
基于上述硬件结构,提出本发明识别用户角色的方法的实施例。
参照图2,图2为本发明识别用户角色的方法第一实施例的流程示意图。
在第一实施例中,所述识别用户角色的方法包括以下步骤:
步骤S10:获取目标用户的用户操作行为和个人信息。
可以理解的是,考虑到现有的识别手段并不能准确地找出已贷款人员中的贷款欺诈分子,本实施例将同时基于已贷款人员在办理贷款业务之后的各种用户行为以及关系网络来判断该人员是否可能为欺诈分子。明显地,通过用户行为来进行身份识别可以参考到用户的实际操作行为,而通过关系网络来进行身份识别可以参考到与用户存在关联性的其他用户的风险性。所以,联合这两种识别手段可以同时参考到本用户的风险性与其他用户的风险性,能够更加准确地识别出各用户中的欺诈分子。
在具体实现中,本实施例的执行主体为用户设备,而用户设备可为个人电脑、手机以及自动取款机(Automatic Teller Machine,ATM)等电子设备。当用户A在办理贷款业务并获得款项后,将自动采集用户A在获得款项之后的用户操作行为,用户操作行为包括但不限于下列行为,比如,查询转账信息以及还款期限等的查询行为,输入家庭地址、姓名以及身份证号码等的输入行为。
步骤S20:将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果。
应当理解的是,在采集到用户A在获得款项之后实际发生的用户操作行为后,可将该用户操作行为与预先确定的正常操作行为进行匹配,以判断目标用户的操作行为是否符合预期,进而判断目标用户的用户角色究竟为正常用户或者潜在欺诈分子。其中,正常用户为推断其将在还款日正常还款的安全用户,而潜在欺诈分子为推断其可能进行贷款欺诈的风险性用户。
在具体实现中,预设行为模型为基于正常用户的行为逻辑建立的行为模型,所以,预设行为模型内将包含有多个被认定为安全用户将执行的操作行为,比如,预设行为模型内的预设操作行为包括有“查询还款期限的查询行为”与“查询还款最低额度的查询行为”。若用户操作行为为“查询转账信息的查询行为”,则预设行为模型内的预设操作行为与用户操作行为不同,则可认为二者的匹配结果为匹配失败;若用户操作行为为“查询还款期限的查询行为”,预设行为模型内的预设操作行为与用户操作行为相同,则可认为二者的匹配结果为匹配成功。
可以理解的是,预设行为模型内包含“查询还款期限的查询行为”与“查询还款最低额度的查询行为”,而不包含“查询转账信息的查询行为”的原因在于,由于预设行为模型是正常用户的行为模型,所以,预设行为模型内包含的行为的隐含意图为尽早还款,但是,“查询转账信息的查询行为”的隐含意图为尽快转账,这与欺诈份子的意图较为类似。所以,预设行为模型内将不包含查询转账信息的查询行为。
步骤S30:在预设分值评定模型下根据所述匹配结果生成对应的第一欺诈分值。
应当理解的是,预设分值评定模型用于根据各种类型的用户操作行为与预设操作行为的匹配结果来计算出欺诈分值,而欺诈分值用于评估目标用户为潜在欺诈分子的可能性。所以,匹配结果为匹配成功的结果个数越多,表示目标用户的用户操作行为越接近预设行为模型内包含的预设操作行为,则目标用户越可能为正常用户,则欺诈分值越低;匹配结果为匹配失败的结果个数越多,表示目标用户的用户操作行为越不接近预设行为模型内包含的预设操作行为,则目标用户越可能为潜在欺诈分子,则欺诈分值越高。其中,欺诈分值越高,表示目标用户为潜在欺诈分子的可能性越高。
在具体实现中,第一欺诈分值的取值范围可为0≤x1≤50,x1表示第一欺诈分值,而用户A的第一欺诈分值为40。
步骤S40:在预设复杂网络模型下根据所述个人信息构建目标关系网络。
可以理解的是,在根据用户行为得出第一欺诈分值后,还可通过关系网络来进行身份识别,以充分地参考到与用户存在关联性的其他用户的风险性,并得出第二欺诈分值。
在具体实现中,当用户A办理了贷款业务后,由于办理贷款业务时用户A会填写其个人信息,可基于其个人信息来构建关系网络。其中,个人信息包括手机号、联系人、地址、邮箱、公司名称以及指纹等。
应当理解的是,预设复杂网络模型用于完成对于关系网络的构建,将以图论作为基础,而考虑到复杂网络模型的特性,其构建出的网络将由多个节点以及连接各节点的连接边组成,其中,节点用来代表不同的实体,而边则用来表示实体间的关系。
在具体实现中,本实施例中的节点表示用户,而边表示用户之间存在的关联关系,具体而言,本实施例将基于用户A的个人信息构建出关系网络,构建出的关系网络中将包括预先存在的预设节点以及代表用户A的节点A。其中,预设节点表示已贷款的其他用户。具体可参见图3,图3为目标关系网络的示意图,图中的节点B、节点C以及节点D均为预设节点。
步骤S50:通过所述目标关系网络确定与所述目标用户对应的关联用户。
应当理解的是,在构建出如图3所示的目标关系网络后,若节点A与其他节点之间存在着连接边,则表示节点A的个人信息与其他节点的个人信息之间存在着交叉重叠的情况,比如,可能节点A的个人信息中记录的公司名称可能与节点D的个人信息中记录的公司名称相同,也可能节点A表示的用户与节点D表示的用户之间存在着社交关系等。
可以理解的是,考虑到贷款欺诈分子多以贷款欺诈团伙的形式存在,所以,本实施例正是利用其团伙性作案的特性进行潜在欺诈分子的识别,所以,可基于关联用户的身份来间接推断用户A的身份。
步骤S60:基于所述关联用户的用户角色在预设欺诈分映射关系中查询对应的第二欺诈分值,所述预设欺诈分映射关系中包括用户角色与欺诈分值的对应关系。
应当理解的是,不同的用户角色将对应不同的分值,可通过分值来评估用户为欺诈分子的可能性,比如,正常用户对应的欺诈分值为0,潜在欺诈分子对应的欺诈分值为40等。其中,第二欺诈分值的取值范围可为0≤x2≤50,x2表示第二欺诈分值,若节点D表示的用户D的用户角色为潜在欺诈分子,则第二欺诈分值为40。
步骤S70:通过所述第一欺诈分值与所述第二欺诈分值生成目标欺诈分值。
在具体实现中,用户A的第一欺诈分值为40,第二欺诈分值为40,则可将第一欺诈分值与第二欺诈分值进行累加操作,以获得目标欺诈分值为80。其中,目标欺诈分值的取值范围可为0≤x≤100,x表示目标欺诈分值。
步骤S80:在所述目标欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
在具体实现中,若预设欺诈阈值为75,由于目标欺诈分值大于75,则可将用户A的用户归类为潜在欺诈分子。当然,若欺诈分值小于75,则可将用户A的用户归类为正常用户。
在本实施例中将预先建立预设行为模型,并根据预设行为模型中的预设操作行为进行与用户操作行为的匹配,根据匹配结果来生成第一欺诈分值,再根据目标关系网络中的关联用户的用户角色来生成第二欺诈分值,最终通过生成的目标欺诈分值来完成对于潜在欺诈分子的认定。明显地,本实施例将同时联合两种识别手段来识别用户身份,既通过预设行为模型与预设分值评定模型全面地评估目标用户的风险性,也参考到了与目标用户存在关联的其他用户的风险性,能够更加准确地识别出各用户中的欺诈分子,所以,解决了现行的识别手段存在的不能准确地识别出贷款欺诈分子的技术问题。
参照图4,图4为本发明识别用户角色的方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明识别用户角色的方法的第二实施例。
第二实施例中,所述步骤S20之前,还包括:
步骤S101:识别所述用户操作行为的行为类型。
可以理解的是,考虑到用户A的用户操作行为存在多种类型,可先确定用户操作行为的行为类型,比如,行为类型包括两大类,分别为表征信息查询行为的查询行为类型以及表征信息输入行为的输入行为类型。其中,与查询行为类型对应的操作行为有“查询转账信息的查询行为”、“查询还款期限的查询行为”以及“查询还款最低额度的查询行为”等。
步骤S102:根据所述行为类型在预设行为模型中查询对应的预设操作行为。
在具体实现中,若识别出的用户A的行为类型为查询行为类型,为了实现行为之间的匹配,将从预设行为模型中提取出与该查询行为类型对应的预设操作行为,获取到的预设操作行为用于表征正常用户的同类行为。比如,若用户操作行为为“查询转账信息的查询行为”,则获取到的预设操作行为为“查询还款期限的查询行为”与“查询还款最低额度的查询行为”等。
所述步骤S20,可以包括:
步骤S201:确定与所述行为类型对应的行为特征类型。
应当理解的是,在确定行为类型后,还将确定行为特征类型,以最终将行为之间的匹配转换为行为特征之间的匹配。
可以理解的是,若行为类型为查询行为类型,则对应的行为特征类型为查询事项类型;若行为类型为输入行为类型,则对应的行为特征类型为输入时长类型、输入内容类型与输入次序类型等。
步骤S202:从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征。
应当理解的是,由于行为类型为查询行为类型,则对应的行为特征类型为查询事项类型,而“查询转账信息的查询行为”的查询事项类型为转账信息,“查询还款期限的查询行为”的查询事项类型为还款期限,“查询还款最低额度的查询行为”的查询事项类型为还款最低额度。
步骤S203:将所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
可以理解的是,由于当前行为特征为转账信息,目标行为特征为还款期限与还款最低额度,明显地,目标行为特征中不含有转账信息,则匹配结果为匹配失败。
进一步地,所述行为类型包括查询行为类型,所述行为特征类型中包括与所述查询行为类型对应的查询事项类型,所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为查询行为类型时,根据所述查询行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为查询事项类型时,从所述用户操作行为中提取与所述查询事项类型对应的当前行为特征,从所述预设操作行为中提取与所述查询事项类型对应的目标行为特征。
在具体实现中,若将查询行为类型简记为行为类型A,且与行为类型A对应的行为特征类型为查询事项类型,所以,将先从预设行为模型中获取出行为类型A的预设操作行为。在进行用户操作行为与预设操作行为的匹配时,将从用户操作行为中提取出查询事项类型下的当前行为特征,从所述预设操作行为中提取出查询事项类型下的目标行为特征,其中,当前行为特征可为转账信息,目标行为特征可为还款期限。
进一步地,所述行为类型还包括输入行为类型,所述行为特征类型中包括与所述输入行为类型对应的输入时长类型、输入内容类型与输入次序类型中的至少一项,所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为输入行为类型时,根据所述输入行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为输入时长类型时,从所述用户操作行为中提取与所述输入时长类型对应的当前行为特征,从所述预设操作行为中提取与所述输入时长类型对应的目标行为特征。
在具体实现中,若操作行为的行为类型为输入行为类型,则该操作行为是指用户A在操作用户设备时输入信息的行为,比如,输入家庭地址、姓名以及身份证号码等信息的输入行为。
可以理解的是,若用户A的用户操作行为为输入身份证号码的输入行为,则输入时长类型是指输入身份证号码的统计时长,输入内容类型是指输入的身份证号码,输入次序类型是指当存在多个待输入的子信息时输入各子信息的输入顺序;而对应地,预设行为模型中将存储有认定为正常用户行为的输入身份证号码的输入行为,比如,正常的输入时间特征为20秒,正常的输入内容类型为12345,正常的输入次序类型为从左至右从上至下依次输入子信息。
应当理解的是,若用户A输入身份证号码的实际统计时长为40秒,则可将实际统计时长40秒与正常的输入时间特征20秒进行匹配,以获得匹配结果。当然,此处的匹配操作可为,若当前行为特征表示的时长大于或等于目标行为特征,则认定为匹配失败;若当前行为特征表示的时长小于目标行为特征,则认定为匹配成功。
进一步地,所述将所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果,包括:
在所述预设行为模型中根据所述行为特征类型查询对应的匹配规则;
基于所述匹配规则对所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
可以理解的是,由于不同的行为特征类型对应的行为特征不同,行为特征间的数据差异导致行为特征之间的匹配方式也存在着差异,所以,可有针对性地分别设置不同的匹配规则。
应当理解的是,若行为特征类型为输入内容类型,则对应的匹配规则为“计算相似度并根据相似度进行匹配”,具体而言,在所述行为特征类型为输入内容类型时,基于所述匹配规则以计算所述当前行为特征与所述目标行为特征之间的相似度,将所述相似度与预设相似度阈值进行比较,以获得比较结果,并将所述比较结果认定为与所述匹配规则对应的匹配结果。
在具体实现中,比如,若当前行为特征表征的输入内容为身份证号12346,而目标行为特征表征的输入内容为身份证号12345,并计算二者的相似度,相似度越高则表明二者的内容较为相近。若计算出的相似度为0.8,预设相似度阈值为0.7,由于相似度0.8大于预设相似度阈值0.7,则比较结果为“相似度大于或等于预设相似度阈值”,对应的匹配结果为匹配成功。当然,若相似度小于预设相似度阈值,则比较结果为“相似度小于预设相似度阈值”,对应的匹配结果为匹配失败。
在本实施例中通过预先确定用户操作行为的行为类型,进而提取出与行为特征类型对应的行为特征,将行为之间的匹配转换为特征之间的匹配,能够更加精准地完成用户操作行为与正常用户的操作行为之间比较,进而完成了对于用户身份的判定。
参照图5,图5为本发明识别用户角色的方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明识别用户角色的方法的第三实施例。
第三实施例中,所述步骤S40,可以包括:
步骤S401:获取由预设个人信息生成的预设关系网络。
在具体实现中,为了成功地构建出目标关系网络,可先获取预设关系网络,其中,预设关系网络由各预设节点与连接各预设节点的连接边构成,可参见图3,预设关系网络包括表示用户B的节点B、表示用户C的节点C、表示用户D的节点D以及这三个节点彼此之间的连接边。预设个人信息表示已贷款用户的个人信息。
步骤S402:在预设复杂网络模型下根据所述目标用户的个人信息创建与所述目标用户对应的目标节点。
步骤S403:将所述目标节点添加至所述预设关系网络中,并将添加节点后的预设关系网络设为目标关系网络。
可以理解的是,在获取到预设关系网络后,可创建出节点A,并将节点A添加至预设关系网络中,从而将获得如图3所示的目标关系网络。
进一步地,所述预设关系网络包括各预设节点与连接各预设节点的连接边;
所述将所述目标节点添加至所述预设关系网络中,并将添加节点后的预设关系网络设为目标关系网络,包括:
将所述目标用户的个人信息与预设个人信息进行匹配;
在匹配成功时,确定与匹配成功的预设个人信息对应的预设节点并设为关联节点;
将所述目标节点添加至所述预设关系网络中,并添加连接所述关联节点与所述目标节点的连接边;
将改动后的预设关系网络设为目标关系网络。
可以理解的是,考虑到各节点之间存在着连接边,而连接边将表示已连接节点之间的关联关系。若将该关联关系认定为已连接节点表示的用户的个人信息之间的信息相似性,可先执行个人信息的匹配操作。
应当理解的是,个人信息的匹配操作具体为,可先将用户A的公司名称与用户B的公司名称进行匹配,若二者的公司名称不相同,则不在节点A与节点B之间添加连接边;可将用户A的公司名称与用户D的公司名称进行匹配,若二者的公司名称相同,则认为用户A与用户D之间存在一定的信息相似性。
可以理解的是,若二者之间存在关联关系,则可在节点A与节点B之间添加连接边。
进一步地,所述目标用户的个人信息包括各信息类型的子信息;
所述将所述目标用户的个人信息与预设个人信息进行匹配,包括:
将所述目标用户的个人信息中的子信息与预设个人信息中的子信息进行比较,并统计子信息相同的目标项数;
当所述目标项数大于或等于预设标准项数时,认定所述目标用户的个人信息与所述预设个人信息匹配成功。
可以理解的是,针对个人信息的匹配操作,除了判断用户A的公司名称与用户D的公司名称是否相同的方式外,还可综合考虑全部类型的个人信息,使得最终挑选出的关联节点与目标节点之间具有较为可信的节点关联性。
在具体实现中,由于个人信息存在多种信息类型,包括有手机号、联系人、地址、邮箱、公司名称以及指纹等,每一种信息类型的个人信息都为一项子信息。在评判用户A与其他用户之间的关联关系时,可计算用户A的个人信息与其他用户的个人信息相同的子信息的项数,比如,用户A的公司名称、地址以及手机号均与用户D的相同,则统计出的目标项数为3,并设置预设标准项数为2。由于目标项数大于预设标准项数,则可认为用户A与用户D之间存在着一定的关联关系,并成功建立起节点A与节点D之间的连接边。
在本实施例中将基于原有的预设关系网络来完成对于目标关系网络的构建,提高了构建出目标关系网络的构建效率。并且,由于现行的识别方式需要拉取已贷款人员的征信信息或者第三方数据来进行监控管理,这产生了使用其他来源数据的数据费用,但是,本实施例可规避掉该部分的数据费用;此外,在本实施例中还将通过对比目标用户与已有用户的个人信息来建立目标用户与已有用户之间的连接边,使得目标关系网络中描述的关联关系具有更高的可信度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有识别用户角色的程序,所述识别用户角色的程序被处理器执行时实现如上文所述的识别用户角色的方法的步骤。
此外,参照图6,本发明实施例还提出一种识别用户角色的装置,所述识别用户角色的装置包括:
信息获取模块10,用于获取目标用户的用户操作行为和个人信息;
可以理解的是,考虑到现有的识别手段并不能准确地找出已贷款人员中的贷款欺诈分子,本实施例将同时基于已贷款人员在办理贷款业务之后的各种用户行为以及关系网络来判断该人员是否可能为欺诈分子。明显地,通过用户行为来进行身份识别可以参考到用户的实际操作行为,而通过关系网络来进行身份识别可以参考到与用户存在关联性的其他用户的风险性。所以,联合这两种识别手段可以同时参考到本用户的风险性与其他用户的风险性,能够更加准确地识别出各用户中的欺诈分子。
在具体实现中,当用户A在办理贷款业务并获得款项后,将自动采集用户A在获得款项之后的用户操作行为,用户操作行为包括但不限于下列行为,比如,查询转账信息以及还款期限等的查询行为,输入家庭地址、姓名以及身份证号码等的输入行为。
行为匹配模块20,用于将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
应当理解的是,在采集到用户A在获得款项之后实际发生的用户操作行为后,可将该用户操作行为与预先确定的正常操作行为进行匹配,以判断目标用户的操作行为是否符合预期,进而判断目标用户的用户角色究竟为正常用户或者潜在欺诈分子。其中,正常用户为推断其将在还款日正常还款的安全用户,而潜在欺诈分子为推断其可能进行贷款欺诈的风险性用户。
在具体实现中,预设行为模型为基于正常用户的行为逻辑建立的行为模型,所以,预设行为模型内将包含有多个被认定为安全用户将执行的操作行为,比如,预设行为模型内的预设操作行为包括有“查询还款期限的查询行为”与“查询还款最低额度的查询行为”。若用户操作行为为“查询转账信息的查询行为”,则预设行为模型内的预设操作行为与用户操作行为不同,则可认为二者的匹配结果为匹配失败;若用户操作行为为“查询还款期限的查询行为”,预设行为模型内的预设操作行为与用户操作行为相同,则可认为二者的匹配结果为匹配成功。
可以理解的是,预设行为模型内包含“查询还款期限的查询行为”与“查询还款最低额度的查询行为”,而不包含“查询转账信息的查询行为”的原因在于,由于预设行为模型是正常用户的行为模型,所以,预设行为模型内包含的行为的隐含意图为尽早还款,但是,“查询转账信息的查询行为”的隐含意图为尽快转账,这与欺诈份子的意图较为类似。所以,预设行为模型内将不包含查询转账信息的查询行为。
第一分值生成模块30,用于在预设分值评定模型下根据所述匹配结果生成对应的第一欺诈分值;
应当理解的是,预设分值评定模型用于根据各种类型的用户操作行为与预设操作行为的匹配结果来计算出欺诈分值,而欺诈分值用于评估目标用户为潜在欺诈分子的可能性。所以,匹配结果为匹配成功的结果个数越多,表示目标用户的用户操作行为越接近预设行为模型内包含的预设操作行为,则目标用户越可能为正常用户,则欺诈分值越低;匹配结果为匹配失败的结果个数越多,表示目标用户的用户操作行为越不接近预设行为模型内包含的预设操作行为,则目标用户越可能为潜在欺诈分子,则欺诈分值越高。其中,欺诈分值越高,表示目标用户为潜在欺诈分子的可能性越高。
在具体实现中,第一欺诈分值的取值范围可为0≤x1≤50,x1表示第一欺诈分值,而用户A的第一欺诈分值为40。
网络构建模块40,用于在预设复杂网络模型下根据所述个人信息构建目标关系网络;
可以理解的是,在根据用户行为得出第一欺诈分值后,还可通过关系网络来进行身份识别,以充分地参考到与用户存在关联性的其他用户的风险性,并得出第二欺诈分值。
在具体实现中,当用户A办理了贷款业务后,由于办理贷款业务时用户A会填写其个人信息,可基于其个人信息来构建关系网络。其中,个人信息包括手机号、联系人、地址、邮箱、公司名称以及指纹等。
应当理解的是,预设复杂网络模型用于完成对于关系网络的构建,将以图论作为基础,而考虑到复杂网络模型的特性,其构建出的网络将由多个节点以及连接各节点的连接边组成,其中,节点用来代表不同的实体,而边则用来表示实体间的关系。
在具体实现中,本实施例中的节点表示用户,而边表示用户之间存在的关联关系,具体而言,本实施例将基于用户A的个人信息构建出关系网络,构建出的关系网络中将包括预先存在的预设节点以及代表用户A的节点A。其中,预设节点表示已贷款的其他用户。具体可参见图3,图3为目标关系网络的示意图,图中的节点B、节点C以及节点D均为预设节点。
用户确定模块50,用于通过所述目标关系网络确定与所述目标用户对应的关联用户;
应当理解的是,在构建出如图3所示的目标关系网络后,若节点A与其他节点之间存在着连接边,则表示节点A的个人信息与其他节点的个人信息之间存在着交叉重叠的情况,比如,可能节点A的个人信息中记录的公司名称可能与节点D的个人信息中记录的公司名称相同,也可能节点A表示的用户与节点D表示的用户之间存在着社交关系等。
可以理解的是,考虑到贷款欺诈分子多以贷款欺诈团伙的形式存在,所以,本实施例正是利用其团伙性作案的特性进行潜在欺诈分子的识别,所以,可基于关联用户的身份来间接推断用户A的身份。
第二分值生成模块60,用于基于所述关联用户的用户角色在预设欺诈分映射关系中查询对应的第二欺诈分值,所述预设欺诈分映射关系中包括用户角色与欺诈分值的对应关系;
应当理解的是,不同的用户角色将对应不同的分值,可通过分值来评估用户为欺诈分子的可能性,比如,正常用户对应的欺诈分值为0,潜在欺诈分子对应的欺诈分值为40等。其中,第二欺诈分值的取值范围可为0≤x2≤50,x2表示第二欺诈分值,若节点D表示的用户D的用户角色为潜在欺诈分子,则第二欺诈分值为40。
目标分值生成模块70,用于通过所述第一欺诈分值与所述第二欺诈分值生成目标欺诈分值;
在具体实现中,用户A的第一欺诈分值为40,第二欺诈分值为40,则可将第一欺诈分值与第二欺诈分值进行累加操作,以获得目标欺诈分值为80。其中,目标欺诈分值的取值范围可为0≤x≤100,x表示目标欺诈分值。
身份识别模块80,用于在所述目标欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
在具体实现中,若预设欺诈阈值为75,由于目标欺诈分值大于75,则可将用户A的用户归类为潜在欺诈分子。当然,若欺诈分值小于75,则可将用户A的用户归类为正常用户。
在本实施例中将预先建立预设行为模型,并根据预设行为模型中的预设操作行为进行与用户操作行为的匹配,根据匹配结果来生成第一欺诈分值,再根据目标关系网络中的关联用户的用户角色来生成第二欺诈分值,最终通过生成的目标欺诈分值来完成对于潜在欺诈分子的认定。明显地,本实施例将同时联合两种识别手段来识别用户身份,既通过预设行为模型与预设分值评定模型全面地评估目标用户的风险性,也参考到了与目标用户存在关联的其他用户的风险性,能够更加准确地识别出各用户中的欺诈分子,所以,解决了现行的识别手段存在的不能准确地识别出贷款欺诈分子的技术问题。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种识别用户角色的方法,其特征在于,所述识别用户角色的方法包括以下步骤:
获取目标用户的用户操作行为和个人信息;
将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
在预设分值评定模型下根据所述匹配结果生成对应的第一欺诈分值;
在预设复杂网络模型下根据所述个人信息构建目标关系网络;
通过所述目标关系网络确定与所述目标用户对应的关联用户;
基于所述关联用户的用户角色在预设欺诈分映射关系中查询对应的第二欺诈分值,所述预设欺诈分映射关系中包括用户角色与欺诈分值的对应关系;
通过所述第一欺诈分值与所述第二欺诈分值生成目标欺诈分值;
在所述目标欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
2.如权利要求1所述的识别用户角色的方法,其特征在于,所述将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果的步骤之前,还包括:
识别所述用户操作行为的行为类型;
根据所述行为类型在预设行为模型中查询对应的预设操作行为;
所述将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果,包括:
确定与所述行为类型对应的行为特征类型;
从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征;
将所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
3.如权利要求2所述的识别用户角色的方法,其特征在于,所述行为类型包括查询行为类型,所述行为特征类型中包括与所述查询行为类型对应的查询事项类型;
所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为查询行为类型时,根据所述查询行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为查询事项类型时,从所述用户操作行为中提取与所述查询事项类型对应的当前行为特征,从所述预设操作行为中提取与所述查询事项类型对应的目标行为特征。
4.如权利要求3所述的识别用户角色的方法,其特征在于,所述行为类型还包括输入行为类型,所述行为特征类型中包括与所述输入行为类型对应的输入时长类型、输入内容类型与输入次序类型中的至少一项;
所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为输入行为类型时,根据所述输入行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为输入时长类型时,从所述用户操作行为中提取与所述输入时长类型对应的当前行为特征,从所述预设操作行为中提取与所述输入时长类型对应的目标行为特征。
5.如权利要求1至4中任一项所述的识别用户角色的方法,其特征在于,所述在预设复杂网络模型下根据所述个人信息构建目标关系网络,包括:
获取由预设个人信息生成的预设关系网络;
在预设复杂网络模型下根据所述目标用户的个人信息创建与所述目标用户对应的目标节点;
将所述目标节点添加至所述预设关系网络中,并将添加节点后的预设关系网络设为目标关系网络。
6.如权利要求5所述的识别用户角色的方法,其特征在于,所述预设关系网络包括各预设节点与连接各预设节点的连接边;
所述将所述目标节点添加至所述预设关系网络中,并将添加节点后的预设关系网络设为目标关系网络,包括:
将所述目标用户的个人信息与预设个人信息进行匹配;
在匹配成功时,确定与匹配成功的预设个人信息对应的预设节点并设为关联节点;
将所述目标节点添加至所述预设关系网络中,并添加连接所述关联节点与所述目标节点的连接边;
将改动后的预设关系网络设为目标关系网络。
7.如权利要求6所述的识别用户角色的方法,其特征在于,所述目标用户的个人信息包括各信息类型的子信息;
所述将所述目标用户的个人信息与预设个人信息进行匹配,包括:
将所述目标用户的个人信息中的子信息与预设个人信息中的子信息进行比较,并统计子信息相同的目标项数;
当所述目标项数大于或等于预设标准项数时,认定所述目标用户的个人信息与所述预设个人信息匹配成功。
8.一种用户设备,其特征在于,所述用户设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行识别用户角色的程序,所述识别用户角色的程序被所述处理器执行时实现如权利要求1至7中任一项所述的识别用户角色的方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有识别用户角色的程序,所述识别用户角色的程序被处理器执行时实现如权利要求1至7中任一项所述的识别用户角色的方法的步骤。
10.一种识别用户角色的装置,其特征在于,所述识别用户角色的装置包括:
信息获取模块,用于获取目标用户的用户操作行为和个人信息;
行为匹配模块,用于将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
第一分值生成模块,用于在预设分值评定模型下根据所述匹配结果生成对应的第一欺诈分值;
网络构建模块,用于在预设复杂网络模型下根据所述个人信息构建目标关系网络;
用户确定模块,用于通过所述目标关系网络确定与所述目标用户对应的关联用户;
第二分值生成模块,用于基于所述关联用户的用户角色在预设欺诈分映射关系中查询对应的第二欺诈分值,所述预设欺诈分映射关系中包括用户角色与欺诈分值的对应关系;
目标分值生成模块,用于通过所述第一欺诈分值与所述第二欺诈分值生成目标欺诈分值;
身份识别模块,用于在所述目标欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811125685.7A CN109670933A (zh) | 2018-09-26 | 2018-09-26 | 识别用户角色的方法、用户设备、存储介质及装置 |
PCT/CN2018/122726 WO2020062641A1 (zh) | 2018-09-26 | 2018-12-21 | 识别用户角色的方法、用户设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811125685.7A CN109670933A (zh) | 2018-09-26 | 2018-09-26 | 识别用户角色的方法、用户设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670933A true CN109670933A (zh) | 2019-04-23 |
Family
ID=66142104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811125685.7A Pending CN109670933A (zh) | 2018-09-26 | 2018-09-26 | 识别用户角色的方法、用户设备、存储介质及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109670933A (zh) |
WO (1) | WO2020062641A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135804A (zh) * | 2019-04-29 | 2019-08-16 | 深圳市元征科技股份有限公司 | 数据处理方法及装置 |
CN111369264A (zh) * | 2020-02-13 | 2020-07-03 | 平安科技(深圳)有限公司 | 实体关联方法、装置、设备及计算机可读存储介质 |
CN111415241A (zh) * | 2020-02-29 | 2020-07-14 | 深圳壹账通智能科技有限公司 | 欺诈人员识别方法、装置、设备和存储介质 |
CN113553369A (zh) * | 2020-04-26 | 2021-10-26 | 清华大学 | 可视化用户分类方法、服务方法、***、装置及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807940B (zh) * | 2020-06-17 | 2024-04-12 | 马上消费金融股份有限公司 | 信息处理和欺诈行为识别方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114885A1 (en) * | 2006-11-14 | 2008-05-15 | Fmr Corp. | Detecting Fraudulent Activity on a Network |
CN107644098A (zh) * | 2017-09-29 | 2018-01-30 | 马上消费金融股份有限公司 | 一种欺诈行为识别方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956823A (zh) * | 2016-04-28 | 2016-09-21 | 中国建设银行股份有限公司 | 一种业务数据办理*** |
CN106875271A (zh) * | 2017-02-17 | 2017-06-20 | 齐鲁工业大学 | 基于参考人关系网络上随机漫步的信用评价方法 |
CN108364224A (zh) * | 2018-01-12 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 信贷风险联控方法、装置、设备及可读存储介质 |
-
2018
- 2018-09-26 CN CN201811125685.7A patent/CN109670933A/zh active Pending
- 2018-12-21 WO PCT/CN2018/122726 patent/WO2020062641A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080114885A1 (en) * | 2006-11-14 | 2008-05-15 | Fmr Corp. | Detecting Fraudulent Activity on a Network |
CN107644098A (zh) * | 2017-09-29 | 2018-01-30 | 马上消费金融股份有限公司 | 一种欺诈行为识别方法、装置、设备及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135804A (zh) * | 2019-04-29 | 2019-08-16 | 深圳市元征科技股份有限公司 | 数据处理方法及装置 |
CN110135804B (zh) * | 2019-04-29 | 2024-03-29 | 深圳市元征科技股份有限公司 | 数据处理方法及装置 |
CN111369264A (zh) * | 2020-02-13 | 2020-07-03 | 平安科技(深圳)有限公司 | 实体关联方法、装置、设备及计算机可读存储介质 |
CN111415241A (zh) * | 2020-02-29 | 2020-07-14 | 深圳壹账通智能科技有限公司 | 欺诈人员识别方法、装置、设备和存储介质 |
CN113553369A (zh) * | 2020-04-26 | 2021-10-26 | 清华大学 | 可视化用户分类方法、服务方法、***、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020062641A1 (zh) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670933A (zh) | 识别用户角色的方法、用户设备、存储介质及装置 | |
CN110188198B (zh) | 一种基于知识图谱的反欺诈方法及装置 | |
CN108615119B (zh) | 一种异常用户的识别方法及设备 | |
CN109670937A (zh) | 风险用户识别方法、用户设备、存储介质及装置 | |
CN106506454A (zh) | 欺诈业务识别方法及装置 | |
CN107872436A (zh) | 一种账号识别方法、装置及*** | |
CN109034583A (zh) | 异常交易识别方法、装置及电子设备 | |
WO2017133456A1 (zh) | 一种确定风险评估参数的方法及装置 | |
CN109214914A (zh) | 一种基于通信开放平台的借贷信息审核方法及装置 | |
CN109978033A (zh) | 同操作人识别模型的构建与同操作人识别的方法和装置 | |
US20160171485A1 (en) | Settlement system, server device, terminal device, method and program | |
CN106779608B (zh) | 一种基于微信平台的信息处理方法及信息处理*** | |
CN109670934A (zh) | 基于用户行为的身份识别方法、设备、存储介质及装置 | |
CN107392614B (zh) | 线下交易的实现方法和装置 | |
CN107644098A (zh) | 一种欺诈行为识别方法、装置、设备及存储介质 | |
Irarrázaval et al. | Telecom traffic pumping analytics via explainable data science | |
CN110533525A (zh) | 用于评估实体风险的方法及装置 | |
CN108197795A (zh) | 恶意团体账户识别方法、装置、终端及存储介质 | |
US8839449B1 (en) | Assessing risk of information leakage | |
CN112749973A (zh) | 一种权限管理方法、装置和计算机可读存储介质 | |
CN115082203A (zh) | 生息方案推送方法、装置、电子设备及存储介质 | |
CN107563588A (zh) | 一种个人信用的获取方法和获取*** | |
Ząbkowski et al. | Insolvency modeling in the cellular telecommunication industry | |
CN109670929A (zh) | 贷款预警的控制方法、装置、设备及计算机可读存储介质 | |
CN112907308A (zh) | 数据检测方法和装置、计算机可读存储介质 |
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 |