CN110362639A - 一种基于群体关联计算分析的风险预警方法、装置、电子设备 - Google Patents
一种基于群体关联计算分析的风险预警方法、装置、电子设备 Download PDFInfo
- Publication number
- CN110362639A CN110362639A CN201910571000.XA CN201910571000A CN110362639A CN 110362639 A CN110362639 A CN 110362639A CN 201910571000 A CN201910571000 A CN 201910571000A CN 110362639 A CN110362639 A CN 110362639A
- Authority
- CN
- China
- Prior art keywords
- user
- tag
- measured
- social networks
- risk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000009877 rendering Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000007493 shaping process Methods 0.000 description 4
- 208000001613 Gambling Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于群体关联计算分析的风险预警方法、装置、电子设备及计算机可读存储介质。该方法包括:构建用户群体关系模型;获取待测用户的用户信息及其社交关系数据;基于所述用户信息及其社交关系数据,运用所述用户群体关系模型识别用户标签;基于所述用户标签将高风险用户进行预警。本发明通过基于机器学习的用户群体关系模型对信贷欺诈者进行识别,分析待测用户与其他用户之间的社交网络,运用社交网络对待测用户进行实时标签识别,形成的欺诈情报的秒级识别***,从而对待测用户进行风险拦截,完成实时风险预警。
Description
技术领域
本发明涉及一种基于群体关联计算分析的风险预警方法、装置、电子设备
背景技术
现有技术在金融信贷的反欺诈的实战中,主要通过异常检测、设备指纹、身份验证等手段对信贷欺诈者进行识别,其往往考察的是单一用户的属性,而忽视用户群体之间的关联信息,导致反欺诈效果不佳,检测遗漏率较高。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于群体关联计算分析的风险预警方法、装置、电子设备及计算机可读存储介质。
依据本发明的一个方面,提供了一种基于群体关联计算分析的风险预警方法,包括:
构建用户群体关系模型;
获取待测用户的用户信息及其社交关系数据;
基于所述用户信息及其社交关系数据,运用所述用户群体关系模型识别用户标签;
基于所述用户标签将高风险用户进行预警。
可选地,以单个用户作为节点,所述用户群体关系模型仅包含用户群体中各节点及节点之间关系的关键信息。
可选地,所述基于所述用户标签将高风险用户进行预警,进一步包括:构建用户群体关系属性信息模型,建立所述属性信息模型与关系模型的索引。
可选地,所述运用所述用户群体关系模型识别用户标签,进一步包括:根据用户信息及其社交关系数据分别在所述属性信息模型与关系模型中索引,并将索引结果进行关联。
可选地,所述运用所述用户群体关系模型识别用户标签,进一步包括:结合所述关系模型和所述属性信息模型综合分析识别用户标签。
可选地,所述运用所述用户群体关系模型识别用户标签,进一步包括:结合所述关系模型和所述属性信息模型绘制关系图谱,根据所述关系图谱进行所述用户标签识别。
可选地,所述根据所述关系图谱进行所述用户标签识别,进一步包括:基于所述关系图谱中待测用户与节点的关联程度确定该节点的向量权重,根据所述关系图谱中的节点属性及其向量权重来进行所述用户标签识别。
可选地,所述运用所述用户群体关系模型识别用户标签,进一步包括:在所述待测用户仅有一个的情况下,对所述关系图谱进行基于关联程度的分层处理。
可选地,所述运用所述用户群体关系模型识别用户标签,进一步包括:在所述待测用户有多个的情况下,分别以各个用户信息作为节点来绘制关系图谱。
可选地,结合大数据平台与图数据库构建图计算引擎,利用所述图计算引擎离线绘制所述关系图谱。
可选地,所述基于所述用户标签将高风险用户进行预警,进一步包括:预先对用户标签进行风险分类,针对归属于风险类别的用户标签,将对应的用户标示为高风险用户,进行预警。
依据本发明的另一个方面,提供了一种基于群体关联计算分析的风险预警装置,包括:
关系模型构建模块,适于构建用户群体关系模型;
信息获取模块,适于获取待测用户的用户信息及其社交关系数据;
标签识别模块,适于基于所述用户信息及其社交关系数据,运用所述用户群体关系模型识别用户标签;
风险预警模块,适于基于所述标签将高风险用户进行预警。
可选地,以单个用户作为节点,所述用户群体关系模型仅包含用户群体中各节点及节点之间关系的关键信息。
可选地,所述风险预警模块进一步适于:构建用户群体关系属性信息模型,建立所述属性信息模型与关系模型的索引。
可选地,所述标签识别模块进一步适于:根据用户信息及其社交关系数据分别在所述属性信息模型与关系模型中索引,并将索引结果进行关联。
可选地,所述标签识别模块进一步适于:结合所述关系模型和所述属性信息模型综合分析识别用户标签。
可选地,所述标签识别模块进一步适于:结合所述关系模型和所述属性信息模型绘制关系图谱,根据所述关系图谱进行所述用户标签识别。
可选地,所述风险预警模块,进一步适于:基于所述关系图谱中待测用户与节点的关联程度确定该节点的向量权重,根据所述关系图谱中的节点属性及其向量权重来进行所述用户标签识别。
可选地,所述标签识别模块进一步适于:在所述待测用户仅有一个的情况下,对所述关系图谱进行基于关联深度的分层处理。
可选地,所述标签识别模块进一步适于:在所述待测用户有多个的情况下,分别以各个用户信息作为节点来绘制关系图谱。
可选地,结合大数据平台与图数据库构建图计算引擎,利用所述图计算引擎离线绘制所述关系图谱。
可选地,所述风险预警模块,进一步适于:预先对用户标签进行风险分类,针对归属于风险类别的用户标签,将对应的用户进行预警。
依据本发明的另一个方面,提供了一种电子设备,其中,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,可执行指令在被执行时使处理器执行上述的方法。
依据本发明的另一个方面,提供了一种计算机可读存储介质,其中,计算机可读存储介质存储一个或多个程序,一个或多个程序当被处理器执行时,实现上述的方法。
有益效果:
本发明通过基于机器学习的用户群体关系模型对信贷欺诈者进行识别,分析待测用户与其他用户之间的社交网络,运用社交网络对待测用户进行实时标签识别,形成的欺诈情报的秒级识别***,从而对待测用户进行风险拦截,完成实时风险预警。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的基于群体关联计算分析的风险预警方法的流程示意图;
图2示出了根据本发明一个实施例的***架构示意图;
图3示出了根据本发明一个实施例的软件架构示意图;
图4示出了关系图谱呈现单点客户关系网形态的图谱示意图;
图5示出了关系图谱呈现群体关系网形态的图谱示意图;
图6示出了根据本发明一个实施例的基于群体关联计算分析的风险预警装置的结构示意图;
图7示出了根据本发明一个实施例的电子设备的结构示意图;
图8示出了根据本发明一个实施例的计算机可读存储介质的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的基于群体关联计算分析的风险预警方法的流程示意图。如图1所示,本发明实施例的基于群体关联计算分析的风险预警方法包括:
S11:构建用户群体关系模型;
具体地,以图数据库中的用户信息及该用户的社交关系数据为训练样本,进行基于机器学习的用户群体关系模型训练,用户群体关系模型通过图计算引擎进行大规模计算,将待测用户与数据库中其他用户之间的可视化社交网络作为结果进行模型输出。
S12:获取待测用户的用户信息及其社交关系数据;
需要说明的是,所述用户信息包含自身信息及其他数据,其中,自身信息包含一个或多个,如身份、年龄、信用等;其他数据包含一个或多个,如使用设备、LBS、IP、WIFI等。所述社交关系数据包含一个或多个,如家庭成员、朋友、同事等。
S13:基于所述用户信息及其社交关系数据,运用所述用户群体关系模型识别用户标签;
具体地,将待测用户的用户信息及其社交关系数据输入到用户群体关系模型,在用户群体关系模型中触发相关规则的判定,进而计算出待测用户与数据库中其他用户之间的社交网络。获得社交网络后,根据反欺诈规则,运用社交网络对待测用户进行实时用户标签识别,比如:若从社交网络中发现待测用户与一个或多个黑名单用户存在关联则为待测用户打上高风险标签,其中黑名单用户具体包括已被确定的逾期用户、赌博用户、中介用户等等;若从社交网络中发现待测用户的社交网络明显过于复杂则为待测用户打上“疑似中介”的高风险标签等等。
S14:基于所述用户标签将高风险用户进行预警。
具体地,***根据所识别出的用户标签,针对其中标签被标记为高风险的待测用户,通过邮件预警的方式将待测用户反馈给业务***,使业务***对待测用户进行监控,完成实时风险预警及通知。
本发明实施例通过基于机器学习的用户群体关系模型对信贷欺诈者进行识别,分析待测用户与其他用户之间的社交网络,运用社交网络对待测用户进行实时标签识别,形成的欺诈情报的秒级识别***,从而对待测用户进行风险拦截,完成实时风险预警。
在本发明实施例的一种可选的实施方式中,图1所示方法中的S14中所述基于客户标签将高风险客户进行预警,进一步包括:构建用户群体关系属性信息模型,建立所述属性信息模型与关系模型的索引。具体地,所述用户群体关系属性信息模型以社交关系数据为训练样本,通过机器学习算法进行训练,模型输出待测用户与其他用户之间的关系属性。使用时,通过将社交关系数据输入到用户群体关系属性信息模型进行计算,从而获取待测用户与其他用户之间的关系属性;通过将用户信息及社交关系数据输入到用户群体关系模型进行计算,从而获取待测用户与其他用户之间的社交网络,然后将所述关系属性与社交网络进行关联,以此绘制关系图谱,关系图谱中包含待测用户与其他用户之间的连接关系又包含待测用户与其他用户之间的关系属性。接着,根据所述关系图谱中待测用户与其他用户之间的关联程度,确定其他用户所对应节点的向量权重,其中关联程度越高则相应节点的向量权重越大。确定好各个节点的向量权重后,根据关系图谱中的节点属性及其向量权重来进行用户标签识别,比如发现待测用户虽与黑名单用户存在关联,但黑名单用户的向量权重低于阈值,即两者关联程度不高,则不为待测用户打上高风险标签。
见图2,本发明实施例的***设有JanusGraph图数据库及用于存储底层数据的HBase开源数据库,见图3,***还设有由Spark+hadoop组成的大数据平台,应用层通过OLAP与大数据平台进行读写交互,数据在大数据平台进行处理后转入JanusGraph图数据库及HBase开源数据库存储中,应用层还可通过OLTP与JanusGraph图数据库进行读写交互,其中大数据平台与JanusGraph图数据库组合构建图计算引擎,利用所述图计算引擎离线绘制所述关系图谱,其中为了加快访问速度,***采用Elasticsearch来建立数据索引机制。
本发明实施例的***以单个用户为一个节点。见图2,为了减轻图数据库压力,将图数据库中的各节点及节点之间关系中的社交关系数据从图数据库中剥离出来单独存储到HBase开源数据库,图数据库中基本只保留各节点及节点之间关系的关键信息,相应地,使用户群体关系模型仅包含用户群体中各节点及节点之间关系的关键信息;为了不影响现有业务逻辑和方便查询,保留图数据库中的部分节点上的关键社交关系数据仍存储在图数据库中。
在本发明实施例的一种可选的实施方式中,图1所示方法中的S13中所述运用用户群体关系模型识别用户标签,进一步包括:在所述待测用户仅有一个的情况下,见图4,***以单个待测用户作为输入进行分析,绘制单个待测用户的关系图谱,关系图谱以待测用户为中心展示该用户的社交情况,呈现为单点客户关系网形态,此时操作者通过查询出的关系网,可以看出待测用户在一段时间内与哪些黑名单客户有关联,特别是中介与预期客户。优选地,对所述关系图谱进行基于关联程度的分层处理,比如将关系图谱筛选成两层关系网,其中第一层关系网展示与待测用户直接关联的人员,第二层关系网展示与待测用户间接关联的人员,***支持操作者自行选择查看哪层关系网,以便调整查看的关系网的复杂程度。
在本发明实施例的一种可选的实施方式中,图1所示方法中的S13中所述运用用户群体关系模型识别用户标签,进一步包括:在所述待测用户有多个的情况下,分别以各个用户信息作为节点来绘制关系图谱。具体地,见图5,***以多个待测用户作为输入进行分析,绘制这多个待测用户之间的关系图谱,关系图谱的节点分别为各个待测用户,其用于展示各个待测用户之间的关联关系,关系图谱呈现为群体关系网形态,通过群体关系网形态,能够直观展现疑似中介、传销等高风险客户所在,并能识别出整个群体中的其他高风险客户。
进一步地,将所需检测的用户群体制成名单,名单批量上传到***,控制***自动寻找名单中用户的对应信息及数据进行关系网分析,再通过灵活设置所需下载的关系指标,如关联用户的姓名,关联程度等,实现快速地离线跑出名单中用户的关系网情况,并将各个关系网批量导出,以便进行深入的数据分析。
在本发明实施例的一种可选的实施方式中,图1所示方法中的S14中所述基于用户标签将高风险用户进行预警,进一步包括:预先对用户标签进行风险分类,如设置逾期用户、赌博用户、中介用户等风险类别,针对归属于风险类别的用户标签,将对应的用户标示为高风险用户,进行预警。
图6示出了根据本发明一个实施例的基于群体关联计算分析的风险预警装置的结构示意图。如图2所示,本发明实施例的基于群体关联计算分析的风险预警装置包括:
关系模型构建模块21,适于构建用户群体关系模型;
信息获取模块22,适于获取待测用户的用户信息及其社交关系数据;
标签识别模块23,适于基于所述用户信息及其社交关系数据,运用所述用户群体关系模型识别用户标签;
风险预警模块24,适于基于所述标签将高风险用户进行预警。
具体地,以单个用户作为节点,所述用户群体关系模型仅包含用户群体中各节点及节点之间关系的关键信息。
在本发明的另一个实施例中,图6所示装置的风险预警模块24进一步适于:构建用户群体关系属性信息模型,建立所述属性信息模型与关系模型的索引。
在本发明的另一个实施例中,图6所示装置的签识别模块23进一步适于:根据用户信息及其社交关系数据分别在所述属性信息模型与关系模型中索引,并将索引结果进行关联。
在本发明的另一个实施例中,图6所示装置的标签识别模块23进一步适于:结合所述关系模型和所述属性信息模型综合分析识别用户标签。
在本发明的另一个实施例中,图6所示装置的标签识别模块23进一步适于:结合所述关系模型和所述属性信息模型绘制关系图谱,根据所述关系图谱进行所述用户标签识别。
在本发明的另一个实施例中,图6所示装置的风险预警模块24,进一步适于:基于所述关系图谱中待测用户与节点的关联程度确定该节点的向量权重,根据所述关系图谱中的节点属性及其向量权重来进行所述用户标签识别。
在本发明的另一个实施例中,图6所示装置的标签识别模块23进一步适于:在所述待测用户仅有一个的情况下,对所述关系图谱进行基于关联深度的分层处理。
在本发明的另一个实施例中,图6所示装置的标签识别模块23进一步适于:在所述待测用户有多个的情况下,分别以各个用户信息作为节点来绘制关系图谱。
进一步地,结合大数据平台与图数据库构建图计算引擎,利用所述图计算引擎离线绘制所述关系图谱。
在本发明的另一个实施例中,图6所示装置的风险预警模块24,进一步适于:预先对用户标签进行风险分类,针对归属于风险类别的用户标签,将对应的用户进行预警。
本发明实施例的基于群体关联计算分析的风险预警装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的检测电子设备的佩戴状态的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图7示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备传统上包括处理器31和被安排成存储计算机可执行指令(程序代码)的存储器32。存储器32可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器32具有存储用于执行图1所示的以及各实施例中的任何方法步骤的程序代码34的存储空间33。例如,用于程序代码的存储空间33可以包括分别用于实现上面的方法中的各种步骤的各个程序代码34。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图8所述的计算机可读存储介质。该计算机可读存储介质可以具有与图3的电子设备中的存储器32类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常,存储单元存储有用于执行根据本发明的方法步骤的程序代码41,即可以由诸如31之类的处理器读取的程序代码,当这些程序代码由电子设备运行时,导致该电子设备执行上面所描述的方法中的各个步骤。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。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。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种基于群体关联计算分析的风险预警方法,其特征在于,包括:
构建用户群体关系模型;
获取待测用户的用户信息及其社交关系数据;
基于所述用户信息及其社交关系数据,运用所述用户群体关系模型识别用户标签;
基于所述用户标签将高风险用户进行预警。
2.根据权利要求1所述的方法,其特征在于:以单个用户作为节点,所述用户群体关系模型仅包含用户群体中各节点及节点之间关系的关键信息。
3.根据权利要求1~2中任一项所述的方法,其特征在于,所述基于所述用户标签将高风险用户进行预警,进一步包括:构建用户群体关系属性信息模型,建立所述属性信息模型与关系模型的索引。
4.根据权利要求1~3中任一项所述的方法,其特征在于,所述运用所述用户群体关系模型识别用户标签,进一步包括:根据用户信息及其社交关系数据分别在所述属性信息模型与关系模型中索引,并将索引结果进行关联。
5.根据权利要求1~4中任一项所述的方法,其特征在于,所述运用所述用户群体关系模型识别用户标签,进一步包括:结合所述关系模型和所述属性信息模型综合分析识别用户标签。
6.根据权利要求1~5中任一项所述的方法,其特征在于,所述运用所述用户群体关系模型识别用户标签,进一步包括:结合所述关系模型和所述属性信息模型绘制关系图谱,根据所述关系图谱进行所述用户标签识别。
7.根据权利要求1~6中任一项所述的方法,其特征在于,所述根据所述关系图谱进行所述用户标签识别,进一步包括:基于所述关系图谱中待测用户与节点的关联程度确定该节点的向量权重,根据所述关系图谱中的节点属性及其向量权重来进行所述用户标签识别。
8.一种基于群体关联计算分析的风险预警装置,其特征在于,包括:
关系模型构建模块,适于构建用户群体关系模型;
信息获取模块,适于获取待测用户的用户信息及其社交关系数据;
标签识别模块,适于基于所述用户信息及其社交关系数据,运用所述用户群体关系模型识别用户标签;
风险预警模块,适于基于所述标签将高风险用户进行预警。
9.一种电子设备,其中,该电子设备包括:
处理器;以及,
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910571000.XA CN110362639A (zh) | 2019-06-27 | 2019-06-27 | 一种基于群体关联计算分析的风险预警方法、装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910571000.XA CN110362639A (zh) | 2019-06-27 | 2019-06-27 | 一种基于群体关联计算分析的风险预警方法、装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110362639A true CN110362639A (zh) | 2019-10-22 |
Family
ID=68215875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910571000.XA Pending CN110362639A (zh) | 2019-06-27 | 2019-06-27 | 一种基于群体关联计算分析的风险预警方法、装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110362639A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995574A (zh) * | 2019-12-06 | 2020-04-10 | 海南车智易通信息技术有限公司 | 用户信息管理方法、获取方法和*** |
CN111049809A (zh) * | 2019-11-27 | 2020-04-21 | 深圳壹账通智能科技有限公司 | 风险用户识别方法、装置、计算机设备及存储介质 |
CN111210109A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于关联用户预测用户风险的方法、装置和电子设备 |
CN111340611A (zh) * | 2020-02-20 | 2020-06-26 | 中国建设银行股份有限公司 | 一种风险预警方法和装置 |
CN111737318A (zh) * | 2020-06-24 | 2020-10-02 | 国家计算机网络与信息安全管理中心浙江分中心 | 一种网络诈骗易感人群筛选方法 |
CN111951104A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 一种基于关联图谱的风险传导预警方法 |
CN112634023A (zh) * | 2020-12-28 | 2021-04-09 | 四川新网银行股份有限公司 | 一种用于群体性风险监测的早期预警***及方法 |
CN112825083A (zh) * | 2019-11-20 | 2021-05-21 | 深圳云天励飞技术有限公司 | 群体关系网的构建方法、装置、设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130006706A1 (en) * | 2008-04-14 | 2013-01-03 | Tra, Inc. | Using consumer purchase behavior for television targeting |
CN103699645A (zh) * | 2013-12-26 | 2014-04-02 | 中国人民银行征信中心 | 企业关联关系识别***及其识别方法 |
CN107292424A (zh) * | 2017-06-01 | 2017-10-24 | 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 |
CN107993142A (zh) * | 2017-11-23 | 2018-05-04 | 搜易贷(北京)金融信息服务有限公司 | 一种金融反欺诈风险控制*** |
CN108038700A (zh) * | 2017-12-22 | 2018-05-15 | 上海前隆信息科技有限公司 | 一种反欺诈数据分析方法与*** |
CN109657918A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 关联评估对象的风险预警方法、装置和计算机设备 |
-
2019
- 2019-06-27 CN CN201910571000.XA patent/CN110362639A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130006706A1 (en) * | 2008-04-14 | 2013-01-03 | Tra, Inc. | Using consumer purchase behavior for television targeting |
CN103699645A (zh) * | 2013-12-26 | 2014-04-02 | 中国人民银行征信中心 | 企业关联关系识别***及其识别方法 |
CN107292424A (zh) * | 2017-06-01 | 2017-10-24 | 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 |
CN107993142A (zh) * | 2017-11-23 | 2018-05-04 | 搜易贷(北京)金融信息服务有限公司 | 一种金融反欺诈风险控制*** |
CN108038700A (zh) * | 2017-12-22 | 2018-05-15 | 上海前隆信息科技有限公司 | 一种反欺诈数据分析方法与*** |
CN109657918A (zh) * | 2018-11-19 | 2019-04-19 | 平安科技(深圳)有限公司 | 关联评估对象的风险预警方法、装置和计算机设备 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112825083A (zh) * | 2019-11-20 | 2021-05-21 | 深圳云天励飞技术有限公司 | 群体关系网的构建方法、装置、设备及可读存储介质 |
CN112825083B (zh) * | 2019-11-20 | 2024-06-07 | 深圳云天励飞技术有限公司 | 群体关系网的构建方法、装置、设备及可读存储介质 |
CN111049809A (zh) * | 2019-11-27 | 2020-04-21 | 深圳壹账通智能科技有限公司 | 风险用户识别方法、装置、计算机设备及存储介质 |
CN110995574A (zh) * | 2019-12-06 | 2020-04-10 | 海南车智易通信息技术有限公司 | 用户信息管理方法、获取方法和*** |
CN110995574B (zh) * | 2019-12-06 | 2022-06-10 | 海南车智易通信息技术有限公司 | 用户信息管理方法、获取方法和*** |
CN111210109A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于关联用户预测用户风险的方法、装置和电子设备 |
CN111340611A (zh) * | 2020-02-20 | 2020-06-26 | 中国建设银行股份有限公司 | 一种风险预警方法和装置 |
CN111340611B (zh) * | 2020-02-20 | 2024-03-08 | 中国建设银行股份有限公司 | 一种风险预警方法和装置 |
CN111737318A (zh) * | 2020-06-24 | 2020-10-02 | 国家计算机网络与信息安全管理中心浙江分中心 | 一种网络诈骗易感人群筛选方法 |
CN111737318B (zh) * | 2020-06-24 | 2024-06-11 | 国家计算机网络与信息安全管理中心浙江分中心 | 一种网络诈骗易感人群筛选方法 |
CN111951104A (zh) * | 2020-08-24 | 2020-11-17 | 上海银行股份有限公司 | 一种基于关联图谱的风险传导预警方法 |
CN112634023A (zh) * | 2020-12-28 | 2021-04-09 | 四川新网银行股份有限公司 | 一种用于群体性风险监测的早期预警***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110362639A (zh) | 一种基于群体关联计算分析的风险预警方法、装置、电子设备 | |
US20210327594A1 (en) | Machine-learning based query construction and pattern identification | |
US11416867B2 (en) | Machine learning system for transaction reconciliation | |
CN110992167A (zh) | 银行客户业务意图识别方法及装置 | |
CN107818344A (zh) | 用户行为进行分类和预测的方法和*** | |
CN107818334A (zh) | 一种移动互联网用户访问模式表征和聚类方法 | |
Sadikin et al. | Comparative study of classification method on customer candidate data to predict its potential risk | |
CN110442737A (zh) | 基于图数据库的数字孪生方法及*** | |
CN110084468B (zh) | 一种风险识别方法及装置 | |
US20190392295A1 (en) | Information processing device, method, and program that use deep learning | |
CN109509087A (zh) | 智能化的贷款审核方法、装置、设备及介质 | |
CN109886016A (zh) | 用于检测异常数据的方法、设备和计算机可读存储介质 | |
CN107368526A (zh) | 一种数据处理方法及装置 | |
CN110008336A (zh) | 一种基于深度学习的舆情预警方法及*** | |
CN109213758A (zh) | 数据存取方法、装置、设备及计算机可读存储介质 | |
CN108427661A (zh) | 一种新大数据标签生产方法及装置 | |
CN109918296A (zh) | 软件自动化测试方法及装置 | |
CN110688478A (zh) | 一种答案排序方法、装置及存储介质 | |
CN110162609A (zh) | 用于向用户推荐咨询问题的方法及装置 | |
CN113343106A (zh) | 学生智能推荐方法及*** | |
Kashyap et al. | Management and monitoring patterns and future scope | |
JP7215183B2 (ja) | アクセス可能な機械学習 | |
CN109408396A (zh) | 软件质量评价方法、装置、设备及计算机可读存储介质 | |
AU2021204470A1 (en) | Benefit surrender prediction | |
CN113256181A (zh) | 风险因子预测方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |