CN110930246A - 信贷反欺诈识别方法、装置、计算机设备及计算机可读存储介质 - Google Patents
信贷反欺诈识别方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110930246A CN110930246A CN201911227933.3A CN201911227933A CN110930246A CN 110930246 A CN110930246 A CN 110930246A CN 201911227933 A CN201911227933 A CN 201911227933A CN 110930246 A CN110930246 A CN 110930246A
- Authority
- CN
- China
- Prior art keywords
- user
- nodes
- node
- credit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 24
- 230000002265 prevention Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- 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
- G06F16/288—Entity relationship models
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种信贷反欺诈识别方法、装置、计算机设备以及存储介质。所述方法包括:根据金融机构的用户贷款申请数据构建信用知识图谱;根据所述信用知识图谱识别可疑团伙欺诈团体;抽取所述信用知识图谱中的所有用户节点以得到用户知识图谱,并根据所述用户知识图谱识别可疑欺诈节点,从而能够准确识别现有金融贷款申请中的团体欺诈风险以及个人欺诈风险,极大地降低了金融机构的损失。
Description
技术领域
本发明涉及知识图谱技术领域,尤其涉及一种信贷反欺诈识别方法、装置、计算机设备及计算机可读存储介质。
背景技术
银行与金融机构每年因为信用欺诈而损失的数十亿人民币,传统反欺诈技术在识别和降低损失方面起到了非常重要的作用。但是,越来越多的欺诈者发明了多种多样的欺诈方法来避免被传统方法所识别。其中,主要的方法为团伙欺诈和通过各种方法构建虚假身份。传统反欺诈技术通过单一的数据点的特征来进行反欺诈的方式,其对目前的新型诈骗方式的识别率较低。
发明内容
本发明实施例提供了一种信贷反欺诈识别方法、装置、计算机设备及计算机可读存储介质,旨在解决现有技术对金融申请诈骗识别率低的问题。
第一方面,本发明实施例提供了一种信贷反欺诈识别方法,其包括:
根据金融机构的用户贷款申请数据构建信用知识图谱;
根据所述信用知识图谱识别可疑团伙欺诈团体;
抽取所述信用知识图谱中的所有用户节点以得到用户知识图谱,并根据所述用户知识图谱识别可疑欺诈节点。
其进一步的技术方案为,所述根据金融机构的用户贷款申请数据构建信用知识图谱,包括:
对金融机构的用户贷款申请数据进行实体的抽取,所述实体包括用户实体、地址实体、手机号码实体、身份证号实体、银行***实体以及金融机构实体;
赋予所述用户实体相应的属性,所述属性包括:年龄、性别、身份证归属地、互金查询次数、是否疑似团伙欺诈、近一个月金融申请次数、近三个月金融申请次数以及近六个月金融申请次数;
根据用户贷款申请数据之间的关系,建立节点之间的关联关系以得到所述信用知识图谱,其中,所述用户贷款申请数据之间的关系包括用户与地址的关系、用户与手机号码的关系、用户与身份证号的关系、用户与银行***的关系以及用户与金融机构的关系,每一节点对应一实体。
其进一步的技术方案为,所述根据所述信用知识图谱识别可疑团伙欺诈团体,包括:
获取所述信用知识图谱中的特征路径,所述特征路径的起始节点为用户节点,所述特征路径的终点节点为金融机构节点;
获取经过相同的申请信息节点的特征路径作为目标特征路径,并根据目标特征路径中的节点建立子图,所述申请信息节点包括手机节点、身份证节点以及地址节点;
判断所述子图中节点的数量是否大于预设的数量阈值;
若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
其进一步的技术方案为,所述根据所述信用知识图谱识别可疑团伙欺诈团体,包括:
获取所述信用知识图谱的各节点的节点向量;
获取节点向量的距离小于预设阈值的节点作为目标节点,并根据所述目标节点建立子图;
判断所述子图中节点的数量是否大于预设的数量阈值;
若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
其进一步的技术方案为,所述获取所述信用知识图谱的各节点的节点向量,包括:
通过预设的TransD模型计算所述信用知识图谱的节点向量。
其进一步的技术方案为,所述根据所述用户知识图谱识别可疑欺诈节点,包括:
根据预设的欺诈个体名单对所述用户知识图谱中的欺诈个体节点分配标签,并为所述用户知识图谱中的欺诈个体节点以外的用户节点随机分配不同的标签;
获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签;
判断所述用户知识图谱的用户节点的标签是否发生变化;
若所述用户知识图谱的用户节点的标签发生变化,返回所述获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签的步骤;
若所述用户知识图谱的用户节点的标签未发生变化,将与欺诈个体节点具有相同标签的用户节点标记为可疑欺诈节点。
其进一步的技术方案为,所述根据该用户节点的相邻用户节点的标签确定该用户节点的标签,包括:
根据用户节点与其相邻用户节点之间的归属因子来确定该用户节点的标签,所述归属因子根据用户节点与其相邻用户节点之间关系的数量以及用户节点与其相邻用户节点之间属性的相似度来确定。
第二方面,本发明实施例还提供了一种信贷反欺诈识别装置,其包括用于执行上述方法的单元。
第三方面,本发明实施例还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时可实现上述方法。
通过应用本发明实施例的技术方案,根据金融机构的用户贷款申请数据构建信用知识图谱;根据所述信用知识图谱识别可疑团伙欺诈团体;抽取所述信用知识图谱中的所有用户节点以得到用户知识图谱,并根据所述用户知识图谱识别可疑欺诈节点,从而能够准确识别现有金融贷款申请中的团体欺诈风险以及个人欺诈风险,极大地降低了金融机构的损失。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种信贷反欺诈识别方法的流程示意图;
图2为本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参阅图1,图1是本发明实施例提供的信贷反欺诈识别方法的流程示意图。如图所示,该方法包括以下步骤S1-S4。
S1,根据金融机构的用户贷款申请数据构建信用知识图谱。
具体实施中,根据金融机构的用户贷款申请数据构建信用知识图谱。通过信用知识图谱可将用户使用哪些具体的申请数据向金融机构申请贷款的关系表示出来。
知识图谱是结构化的语义知识库,用于迅速描述物理世界中的概念及其相互关系。知识图谱通过对错综复杂的文档的数据(在本发明中为用户贷款申请数据)进行有效的加工、处理、整合,转化为简单、清晰的“实体,关系,实体”的三元组,最后聚合大量知识,从而实现知识的快速响应和推理。
知识图谱有自顶向下和自底向上两种构建方式。其中,自顶向下构建是借助百科类网站等结构化数据源,从高质量数据中提取本体和模式信息,加入到知识库中。自底向上构建,则是从公开采集的数据中提取出资源模式,选择其中置信度较高的新模式,经人工审核之后,加入到知识库中。
在一实施例中,以上步骤S1具体包括如下步骤S11-S13。
S11,对金融机构的用户贷款申请数据进行实体的抽取,所述实体包括用户实体、地址实体、手机号码实体、身份证号实体、银行***实体以及金融机构实体。
具体实施中,对金融机构的用户贷款申请数据进行实体的抽取,其中,需要抽取的实体包括用户实体、地址实体、手机号码实体、身份证号实体、银行***实体以及金融机构实体。
S12,赋予所述用户实体相应的属性,所述属性包括:年龄、性别、身份证归属地、互金查询次数、是否疑似团伙欺诈、近一个月金融申请次数、近三个月金融申请次数以及近六个月金融申请次数。
具体实施中,在抽取了用户实体以后,进一步地,赋予用户实体相应的属性,其中,相应的属性包括:年龄、性别、身份证归属地、互金查询次数、是否疑似团伙欺诈、近一个月金融申请次数、近三个月金融申请次数以及近六个月金融申请次数。主要说明的是,用户实体的属性可由本领域技术人员根据经验进行设定,本发明实施例对此不作具体限定。
S13,根据用户贷款申请数据之间的关系,建立节点之间的关联关系以得到所述信用知识图谱,其中,所述用户贷款申请数据之间的关系包括用户与地址的关系、用户与手机号码的关系、用户与身份证号的关系、用户与银行***的关系以及用户与金融机构的关系,每一节点对应一实体。
具体实施中,根据用户贷款申请数据之间的关系,建立节点之间的关联关系以得到所述信用知识图谱。其中,用户贷款申请数据之间的关系包括用户与地址的关系、用户与手机号码的关系、用户与身份证号的关系、用户与银行***的关系以及用户与金融机构的关系。并且,每一节点对应一实体。任意两个节点之间只要存在关联,则该两个节点之间存在边。
S2,根据所述信用知识图谱识别可疑团伙欺诈团体。
具体实施中,在建立了信用知识图谱之后,使用路径分析+知识表示算法方法发现潜在的团伙欺诈风险,即识别所述信用知识图谱识别可疑团伙欺诈团体。
在一实施例中,以上步骤S2包括如下步骤S21-S24。
S21,获取所述信用知识图谱中的特征路径,所述特征路径的起始节点为用户节点,所述特征路径的终点节点为金融机构节点。
具体实施中,获取所述信用知识图谱中的特征路径,其中,特征路径的起始节点为用户节点,特征路径的终点节点为金融机构节点。
S22,获取经过相同的申请信息节点的特征路径作为目标特征路径,并根据目标特征路径中的节点建立子图,所述申请信息节点包括手机节点、身份证节点以及地址节点。
具体实施中,在所有特征路径中,获取经过相同的申请信息节点的特征路径作为目标特征路径,并根据目标特征路径中的节点建立子图。该子图包括目标特征路径的所有节点。其中,申请信息节点包括手机节点、身份证节点以及地址节点。
S23,判断所述子图中节点的数量是否大于预设的数量阈值。
具体实施中,判断建立得到的子图中节点的数量是否大于预设的数量阈值。
数量阈值可由本领域技术人员根据经验进行设定,本发明实施例对此不做具体限定,例如在一实施例中,数量阈值设定为3。
S24,若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
具体实施中,如果所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。其中,可疑团伙欺诈团体即为子图中所有的节点关联的用户组成的团体。
在一实施例中,以上步骤S2包括如下步骤S201-S204。
S201,获取所述信用知识图谱的各节点的节点向量。
具体实施中,获取所述信用知识图谱的各节点的节点向量。
在一实施例中,通过预设的TransD模型计算所述信用知识图谱的节点向量。通过步骤S201得到的节点向量中包含知识图谱的结构信息。具有相似关联关系的两个节点,其节点向量之间会具有较近的距离。
S202,获取节点向量的距离小于预设阈值的节点作为目标节点,并根据所述目标节点建立子图。
具体实施中,获取节点向量的距离小于预设阈值的节点作为目标节点,并根据所述目标节点建立子图。该子图包括所有目标节点。
S203,判断所述子图中节点的数量是否大于预设的数量阈值。
具体实施中,判断建立得到的子图中节点的数量是否大于预设的数量阈值。
数量阈值可由本领域技术人员根据经验进行设定,本发明实施例对此不做具体限定,例如在一实施例中,数量阈值设定为3。
S204,若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
具体实施中,如果所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。其中,可疑团伙欺诈团体即为子图中所有的节点关联的用户组成的团体。
S3,抽取所述信用知识图谱中的所有用户节点以得到用户知识图谱,并根据所述用户知识图谱识别可疑欺诈节点。
具体实施中,抽取所述信用知识图谱中的所有用户节点以得到用户知识图谱,并根据所述用户知识图谱识别可疑欺诈节点。具体地,通过标签传播算法(半监督学习)算法,发现用户知识图谱中有欺诈风险的节点(个人)。
在一实施例中,以上步骤S3具体包括如下步骤S31-S35。
S31,根据预设的欺诈个体名单对所述用户知识图谱中的欺诈个体节点分配标签,并为所述用户知识图谱中的欺诈个体节点以外的用户节点随机分配不同的标签。
具体实施中,根据预设的欺诈个体名单对所述用户知识图谱中的欺诈个体节点分配标签,并为所述用户知识图谱中的欺诈个体节点以外的用户节点随机分配不同的标签。欺诈个体名单为已知的欺诈个体组成的名单。
S32,获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签。
具体实施中,获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签。
在一实施例中,以上步骤S32具体包括:根据用户节点与其相邻用户节点之间的归属因子来确定该用户节点的标签,所述归属因子根据用户节点与其相邻用户节点之间关系的数量以及用户节点与其相邻用户节点之间属性的相似度来确定。
以下为计算归属因子的具体方式:
其中p(root,i)为用户节点的第i个属性,p(target,i)为邻居节点的第i个属性。n为节点所具有的属性的总数。为用户节点与邻居节点的关系总数,rmax为用户节点与其邻居节点中关系总数中的最大值。归属因子计算公式如下:
其中f(x)根据节点属性值的类型有不同的计算方式,例如年龄会采用两节点之差值并进行归一化,是否疑似团伙欺诈会判断两节点属性值是否相等,如相等则为1,反之为0等。
本发明实施例中,采用改进的LPA(Label Propagation Algorithm)标签传播算法来对知识图谱数据中的用户数据进行标注。
传统的LPA标签传播算法包括如下步骤:
第一步:先给每个节点分配对应标签,即节点1对应标签1,节点i对应标签i(有的话直接用,没有就生成);
第二步:遍历N个节点(for i=1:N),找到对应节点邻居,获取此节点邻居标签,找到出现次数最大标签,若出现次数最多标签不止一个,则随机选择一个标签替换成此节点标签;
第三步:若节点标签不再变化,则迭代停止,否则重复第二步。
本发明的改进点在于第二步,传统的LPA标签传播算法根据邻居节点标签中最多的标签来更新自身的标签。而本发明中,加入归属因子的计算来确定节点的标签。归属因子根据用户节点之间关系的数量和用户节点之间属性的相似度进行计算。
S33,判断所述用户知识图谱的用户节点的标签是否发生变化。
具体实施中,判断所述用户知识图谱的用户节点的标签是否发生变化。
S34,若所述用户知识图谱的用户节点的标签发生变化,返回所述获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签的步骤。
具体实施中,如果所述用户知识图谱的用户节点的标签发生变化,返回所述获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签的步骤。
S35,若所述用户知识图谱的用户节点的标签未发生变化,将与欺诈个体节点具有相同标签的用户节点标记为可疑欺诈节点。
具体实施中,如果所述用户知识图谱的用户节点的标签未发生变化,将与欺诈个体节点具有相同标签的用户节点标记为可疑欺诈节点。可疑欺诈节点对应的用户即为可疑风险用户。
通过应用本发明实施例的技术方案,根据金融机构的用户贷款申请数据构建信用知识图谱;根据所述信用知识图谱识别可疑团伙欺诈团体;抽取所述信用知识图谱中的所有用户节点以得到用户知识图谱,并根据所述用户知识图谱识别可疑欺诈节点,从而能够准确识别现有金融贷款申请中的团体欺诈风险以及个人欺诈风险,极大地降低了金融机构的损失。
对应于以上信贷反欺诈识别方法,本发明还提供一种信贷反欺诈识别装置。该信贷反欺诈识别装置包括用于执行上述信贷反欺诈识别方法的单元,该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地,该信贷反欺诈识别装置包括构建单元、第一识别单元以及第二识别单元。
构建单元,根据金融机构的用户贷款申请数据构建信用知识图谱;
第一识别单元,用于根据所述信用知识图谱识别可疑团伙欺诈团体;
第二识别单元,用于抽取所述信用知识图谱中的所有用户节点以得到用户知识图谱,并根据所述用户知识图谱识别可疑欺诈节点。
在一实施例中,所述构建单元包括实体抽取单元、赋予单元以及建立单元。
实体抽取单元,用于对金融机构的用户贷款申请数据进行实体的抽取,所述实体包括用户实体、地址实体、手机号码实体、身份证号实体、银行***实体以及金融机构实体;
赋予单元,用于赋予所述用户实体相应的属性,所述属性包括:年龄、性别、身份证归属地、互金查询次数、是否疑似团伙欺诈、近一个月金融申请次数、近三个月金融申请次数以及近六个月金融申请次数;
建立单元,根据用户贷款申请数据之间的关系,建立节点之间的关联关系以得到所述信用知识图谱,其中,所述用户贷款申请数据之间的关系包括用户与地址的关系、用户与手机号码的关系、用户与身份证号的关系、用户与银行***的关系以及用户与金融机构的关系,每一节点对应一实体。
在一实施例中,所述第一识别单元包括第一获取单元、第二获取单元、第一判断单元以及第一判定单元。
第一获取单元,用于获取所述信用知识图谱中的特征路径,所述特征路径的起始节点为用户节点,所述特征路径的终点节点为金融机构节点;
第二获取单元,用于获取经过相同的申请信息节点的特征路径作为目标特征路径,并根据目标特征路径中的节点建立子图,所述申请信息节点包括手机节点、身份证节点以及地址节点;
第一判断单元,用于判断所述子图中节点的数量是否大于预设的数量阈值;
第一判定单元,用于若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
在一实施例中,所述第一识别单元包括第三获取单元、第四获取单元、第二判断单元以及第二判定单元。
第三获取单元,用于获取所述信用知识图谱的各节点的节点向量;
第四获取单元,用于获取节点向量的距离小于预设阈值的节点作为目标节点,并根据所述目标节点建立子图;
第二判断单元,用于判断所述子图中节点的数量是否大于预设的数量阈值;
第二判定单元,用于若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
在一实施例中,所述第三获取单元包括计算单元。
计算单元,用于通过预设的TransD模型计算所述信用知识图谱的节点向量。
在一实施例中,第二识别单元包括标签分配单元、第一标签确定单元、第三判断单元、返回单元以及标记单元。
标签分配单元,用于根据预设的欺诈个体名单对所述用户知识图谱中的欺诈个体节点分配标签,并为所述用户知识图谱中的欺诈个体节点以外的用户节点随机分配不同的标签;
第一标签确定单元,用于获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签;
第三判断单元,用于判断所述用户知识图谱的用户节点的标签是否发生变化;
返回单元,用于若所述用户知识图谱的用户节点的标签发生变化,返回所述获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签的步骤;
标记单元,用于若所述用户知识图谱的用户节点的标签未发生变化,将与欺诈个体节点具有相同标签的用户节点标记为可疑欺诈节点。
在一实施例中,所述第一标签确定单元包括第二标签确定单元。
第二标签确定单元,用于根据用户节点与其相邻用户节点之间的归属因子来确定该用户节点的标签,所述归属因子根据用户节点与其相邻用户节点之间关系的数量以及用户节点与其相邻用户节点之间属性的相似度来确定。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述信贷反欺诈识别装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述信贷反欺诈识别装置可以实现为一种计算机程序的形式,该计算机程序可以在如图2所示的计算机设备上运行。
请参阅图2,图2是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端,也可以是服务器,其中,终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图2,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行一种信贷反欺诈识别方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种信贷反欺诈识别方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
根据金融机构的用户贷款申请数据构建信用知识图谱;
根据所述信用知识图谱识别可疑团伙欺诈团体;
抽取所述信用知识图谱中的所有用户节点以得到用户知识图谱,并根据所述用户知识图谱识别可疑欺诈节点。
在一实施例中,处理器502在实现所述根据金融机构的用户贷款申请数据构建信用知识图谱步骤时,具体实现如下步骤:
对金融机构的用户贷款申请数据进行实体的抽取,所述实体包括用户实体、地址实体、手机号码实体、身份证号实体、银行***实体以及金融机构实体;
赋予所述用户实体相应的属性,所述属性包括:年龄、性别、身份证归属地、互金查询次数、是否疑似团伙欺诈、近一个月金融申请次数、近三个月金融申请次数以及近六个月金融申请次数;
根据用户贷款申请数据之间的关系,建立节点之间的关联关系以得到所述信用知识图谱,其中,所述用户贷款申请数据之间的关系包括用户与地址的关系、用户与手机号码的关系、用户与身份证号的关系、用户与银行***的关系以及用户与金融机构的关系,每一节点对应一实体。
在一实施例中,处理器502在实现所述根据所述信用知识图谱识别可疑团伙欺诈团体步骤时,具体实现如下步骤:
获取所述信用知识图谱中的特征路径,所述特征路径的起始节点为用户节点,所述特征路径的终点节点为金融机构节点;
获取经过相同的申请信息节点的特征路径作为目标特征路径,并根据目标特征路径中的节点建立子图,所述申请信息节点包括手机节点、身份证节点以及地址节点;
判断所述子图中节点的数量是否大于预设的数量阈值;
若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
在一实施例中,处理器502在实现所述根据所述信用知识图谱识别可疑团伙欺诈团体步骤时,具体实现如下步骤:
获取所述信用知识图谱的各节点的节点向量;
获取节点向量的距离小于预设阈值的节点作为目标节点,并根据所述目标节点建立子图;
判断所述子图中节点的数量是否大于预设的数量阈值;
若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
在一实施例中,处理器502在实现所述获取所述信用知识图谱的各节点的节点向量步骤时,具体实现如下步骤:
通过预设的TransD模型计算所述信用知识图谱的节点向量。
在一实施例中,处理器502在实现所述根据所述用户知识图谱识别可疑欺诈节点步骤时,具体实现如下步骤:
根据预设的欺诈个体名单对所述用户知识图谱中的欺诈个体节点分配标签,并为所述用户知识图谱中的欺诈个体节点以外的用户节点随机分配不同的标签;
获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签;
判断所述用户知识图谱的用户节点的标签是否发生变化;
若所述用户知识图谱的用户节点的标签发生变化,返回所述获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签的步骤;
若所述用户知识图谱的用户节点的标签未发生变化,将与欺诈个体节点具有相同标签的用户节点标记为可疑欺诈节点。
在一实施例中,处理器502在实现所述根据该用户节点的相邻用户节点的标签确定该用户节点的标签步骤时,具体实现如下步骤:
根据用户节点与其相邻用户节点之间的归属因子来确定该用户节点的标签,所述归属因子根据用户节点与其相邻用户节点之间关系的数量以及用户节点与其相邻用户节点之间属性的相似度来确定。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该计算机程序被该计算机***中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤:
根据金融机构的用户贷款申请数据构建信用知识图谱;
根据所述信用知识图谱识别可疑团伙欺诈团体;
抽取所述信用知识图谱中的所有用户节点以得到用户知识图谱,并根据所述用户知识图谱识别可疑欺诈节点。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据金融机构的用户贷款申请数据构建信用知识图谱步骤时,具体实现如下步骤:
对金融机构的用户贷款申请数据进行实体的抽取,所述实体包括用户实体、地址实体、手机号码实体、身份证号实体、银行***实体以及金融机构实体;
赋予所述用户实体相应的属性,所述属性包括:年龄、性别、身份证归属地、互金查询次数、是否疑似团伙欺诈、近一个月金融申请次数、近三个月金融申请次数以及近六个月金融申请次数;
根据用户贷款申请数据之间的关系,建立节点之间的关联关系以得到所述信用知识图谱,其中,所述用户贷款申请数据之间的关系包括用户与地址的关系、用户与手机号码的关系、用户与身份证号的关系、用户与银行***的关系以及用户与金融机构的关系,每一节点对应一实体。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述信用知识图谱识别可疑团伙欺诈团体步骤时,具体实现如下步骤:
获取所述信用知识图谱中的特征路径,所述特征路径的起始节点为用户节点,所述特征路径的终点节点为金融机构节点;
获取经过相同的申请信息节点的特征路径作为目标特征路径,并根据目标特征路径中的节点建立子图,所述申请信息节点包括手机节点、身份证节点以及地址节点;
判断所述子图中节点的数量是否大于预设的数量阈值;
若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述信用知识图谱识别可疑团伙欺诈团体步骤时,具体实现如下步骤:
获取所述信用知识图谱的各节点的节点向量;
获取节点向量的距离小于预设阈值的节点作为目标节点,并根据所述目标节点建立子图;
判断所述子图中节点的数量是否大于预设的数量阈值;
若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
在一实施例中,所述处理器在执行所述计算机程序而实现所述获取所述信用知识图谱的各节点的节点向量步骤时,具体实现如下步骤:
通过预设的TransD模型计算所述信用知识图谱的节点向量。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述用户知识图谱识别可疑欺诈节点步骤时,具体实现如下步骤:
根据预设的欺诈个体名单对所述用户知识图谱中的欺诈个体节点分配标签,并为所述用户知识图谱中的欺诈个体节点以外的用户节点随机分配不同的标签;
获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签;
判断所述用户知识图谱的用户节点的标签是否发生变化;
若所述用户知识图谱的用户节点的标签发生变化,返回所述获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签的步骤;
若所述用户知识图谱的用户节点的标签未发生变化,将与欺诈个体节点具有相同标签的用户节点标记为可疑欺诈节点。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据该用户节点的相邻用户节点的标签确定该用户节点的标签步骤时,具体实现如下步骤:
根据用户节点与其相邻用户节点之间的归属因子来确定该用户节点的标签,所述归属因子根据用户节点与其相邻用户节点之间关系的数量以及用户节点与其相邻用户节点之间属性的相似度来确定。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。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,或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种信贷反欺诈识别方法,其特征在于,包括:
根据金融机构的用户贷款申请数据构建信用知识图谱;
根据所述信用知识图谱识别可疑团伙欺诈团体;
抽取所述信用知识图谱中的所有用户节点以得到用户知识图谱,并根据所述用户知识图谱识别可疑欺诈节点。
2.根据权利要求1所述的信贷反欺诈识别方法,其特征在于,所述根据金融机构的用户贷款申请数据构建信用知识图谱,包括:
对金融机构的用户贷款申请数据进行实体的抽取,所述实体包括用户实体、地址实体、手机号码实体、身份证号实体、银行***实体以及金融机构实体;
赋予所述用户实体相应的属性,所述属性包括:年龄、性别、身份证归属地、互金查询次数、是否疑似团伙欺诈、近一个月金融申请次数、近三个月金融申请次数以及近六个月金融申请次数;
根据用户贷款申请数据之间的关系,建立节点之间的关联关系以得到所述信用知识图谱,其中,所述用户贷款申请数据之间的关系包括用户与地址的关系、用户与手机号码的关系、用户与身份证号的关系、用户与银行***的关系以及用户与金融机构的关系,每一节点对应一实体。
3.根据权利要求1所述的信贷反欺诈识别方法,其特征在于,所述根据所述信用知识图谱识别可疑团伙欺诈团体,包括:
获取所述信用知识图谱中的特征路径,所述特征路径的起始节点为用户节点,所述特征路径的终点节点为金融机构节点;
获取经过相同的申请信息节点的特征路径作为目标特征路径,并根据目标特征路径中的节点建立子图,所述申请信息节点包括手机节点、身份证节点以及地址节点;
判断所述子图中节点的数量是否大于预设的数量阈值;
若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
4.根据权利要求1所述的信贷反欺诈识别方法,其特征在于,所述根据所述信用知识图谱识别可疑团伙欺诈团体,包括:
获取所述信用知识图谱的各节点的节点向量;
获取节点向量的距离小于预设阈值的节点作为目标节点,并根据所述目标节点建立子图;
判断所述子图中节点的数量是否大于预设的数量阈值;
若所述子图中节点的数量大于预设的数量阈值,判定所述子图中包含可疑团伙欺诈团体。
5.根据权利要求4所述的信贷反欺诈识别方法,其特征在于,所述获取所述信用知识图谱的各节点的节点向量,包括:
通过预设的TransD模型计算所述信用知识图谱的节点向量。
6.根据权利要求1所述的信贷反欺诈识别方法,其特征在于,所述根据所述用户知识图谱识别可疑欺诈节点,包括:
根据预设的欺诈个体名单对所述用户知识图谱中的欺诈个体节点分配标签,并为所述用户知识图谱中的欺诈个体节点以外的用户节点随机分配不同的标签;
获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签;
判断所述用户知识图谱的用户节点的标签是否发生变化;
若所述用户知识图谱的用户节点的标签发生变化,返回所述获取所述用户知识图谱的用户节点的相邻用户节点,并根据该用户节点的相邻用户节点的标签确定该用户节点的标签的步骤;
若所述用户知识图谱的用户节点的标签未发生变化,将与欺诈个体节点具有相同标签的用户节点标记为可疑欺诈节点。
7.根据权利要求6所述的信贷反欺诈识别方法,其特征在于,所述根据该用户节点的相邻用户节点的标签确定该用户节点的标签,包括:
根据用户节点与其相邻用户节点之间的归属因子来确定该用户节点的标签,所述归属因子根据用户节点与其相邻用户节点之间关系的数量以及用户节点与其相邻用户节点之间属性的相似度来确定。
8.一种信贷反欺诈识别装置,其特征在于,所述信贷反欺诈识别装置包括用于执行如权利要求1-7任一项所述方法的单元。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序当被处理器执行时可实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227933.3A CN110930246A (zh) | 2019-12-04 | 2019-12-04 | 信贷反欺诈识别方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911227933.3A CN110930246A (zh) | 2019-12-04 | 2019-12-04 | 信贷反欺诈识别方法、装置、计算机设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110930246A true CN110930246A (zh) | 2020-03-27 |
Family
ID=69856678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911227933.3A Pending CN110930246A (zh) | 2019-12-04 | 2019-12-04 | 信贷反欺诈识别方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930246A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640005A (zh) * | 2020-05-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 数据分析方法、装置、计算机设备及存储介质 |
CN112053221A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
CN112200655A (zh) * | 2020-09-17 | 2021-01-08 | 中国建设银行股份有限公司 | 一种申请审核方法、装置、电子设备及存储介质 |
CN112231486A (zh) * | 2020-09-04 | 2021-01-15 | 苏宁金融科技(南京)有限公司 | 目标数据库构建方法、目标申请人识别方法及装置、*** |
CN112308565A (zh) * | 2020-08-14 | 2021-02-02 | 中国工商银行股份有限公司 | 基于知识图谱的多对多跨境资金风控方法及*** |
CN112308694A (zh) * | 2020-11-24 | 2021-02-02 | 拉卡拉支付股份有限公司 | 一种欺诈团伙的发现方法及装置 |
CN112561684A (zh) * | 2020-12-15 | 2021-03-26 | 平安科技(深圳)有限公司 | 金融欺诈风险识别方法、装置、计算机设备及存储介质 |
CN112581270A (zh) * | 2020-12-15 | 2021-03-30 | 中国建设银行股份有限公司 | 风险账户的识别方法、装置、电子设备和存储介质 |
CN112598489A (zh) * | 2020-12-14 | 2021-04-02 | 深圳市快付通金融网络科技服务有限公司 | 基于金融应用的风险监测方法及*** |
CN113094506A (zh) * | 2021-04-14 | 2021-07-09 | 每日互动股份有限公司 | 一种基于关系图谱的预警方法、计算机设备及存储介质 |
CN113553446A (zh) * | 2021-07-28 | 2021-10-26 | 厦门国际银行股份有限公司 | 一种基于异构图解构的金融反欺诈方法及装置 |
CN113657902A (zh) * | 2021-08-03 | 2021-11-16 | 浙江创邻科技有限公司 | 基于图数据库的金融安全管理方法、***及存储介质 |
CN113869904A (zh) * | 2021-08-16 | 2021-12-31 | 工银科技有限公司 | 可疑数据识别方法、装置、电子设备、介质和计算机程序 |
CN114596097A (zh) * | 2022-05-10 | 2022-06-07 | 富算科技(上海)有限公司 | 用户识别方法、装置、电子设备和计算机可读存储介质 |
CN115345727A (zh) * | 2022-08-19 | 2022-11-15 | 中电金信软件有限公司 | 一种识别欺诈贷款申请的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038778A (zh) * | 2017-12-05 | 2018-05-15 | 深圳信用宝金融服务有限公司 | 互联网金融小微贷款的团伙欺诈识别方法及装置 |
CN109816519A (zh) * | 2019-01-25 | 2019-05-28 | 宜人恒业科技发展(北京)有限公司 | 一种欺诈团伙识别方法、装置及设备 |
CN110297912A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 欺诈识别方法、装置、设备及计算机可读存储介质 |
-
2019
- 2019-12-04 CN CN201911227933.3A patent/CN110930246A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038778A (zh) * | 2017-12-05 | 2018-05-15 | 深圳信用宝金融服务有限公司 | 互联网金融小微贷款的团伙欺诈识别方法及装置 |
CN109816519A (zh) * | 2019-01-25 | 2019-05-28 | 宜人恒业科技发展(北京)有限公司 | 一种欺诈团伙识别方法、装置及设备 |
CN110297912A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 欺诈识别方法、装置、设备及计算机可读存储介质 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111640005A (zh) * | 2020-05-28 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 数据分析方法、装置、计算机设备及存储介质 |
CN112053221A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
CN112308565A (zh) * | 2020-08-14 | 2021-02-02 | 中国工商银行股份有限公司 | 基于知识图谱的多对多跨境资金风控方法及*** |
CN112231486A (zh) * | 2020-09-04 | 2021-01-15 | 苏宁金融科技(南京)有限公司 | 目标数据库构建方法、目标申请人识别方法及装置、*** |
CN112200655A (zh) * | 2020-09-17 | 2021-01-08 | 中国建设银行股份有限公司 | 一种申请审核方法、装置、电子设备及存储介质 |
CN112308694A (zh) * | 2020-11-24 | 2021-02-02 | 拉卡拉支付股份有限公司 | 一种欺诈团伙的发现方法及装置 |
CN112598489A (zh) * | 2020-12-14 | 2021-04-02 | 深圳市快付通金融网络科技服务有限公司 | 基于金融应用的风险监测方法及*** |
CN112598489B (zh) * | 2020-12-14 | 2023-12-26 | 深圳市快付通金融网络科技服务有限公司 | 基于金融应用的风险监测方法及*** |
CN112561684A (zh) * | 2020-12-15 | 2021-03-26 | 平安科技(深圳)有限公司 | 金融欺诈风险识别方法、装置、计算机设备及存储介质 |
CN112581270A (zh) * | 2020-12-15 | 2021-03-30 | 中国建设银行股份有限公司 | 风险账户的识别方法、装置、电子设备和存储介质 |
CN112561684B (zh) * | 2020-12-15 | 2024-03-19 | 平安科技(深圳)有限公司 | 金融欺诈风险识别方法、装置、计算机设备及存储介质 |
CN113094506A (zh) * | 2021-04-14 | 2021-07-09 | 每日互动股份有限公司 | 一种基于关系图谱的预警方法、计算机设备及存储介质 |
CN113094506B (zh) * | 2021-04-14 | 2023-08-18 | 每日互动股份有限公司 | 一种基于关系图谱的预警方法、计算机设备及存储介质 |
CN113553446A (zh) * | 2021-07-28 | 2021-10-26 | 厦门国际银行股份有限公司 | 一种基于异构图解构的金融反欺诈方法及装置 |
CN113553446B (zh) * | 2021-07-28 | 2022-05-24 | 厦门国际银行股份有限公司 | 一种基于异构图解构的金融反欺诈方法及装置 |
CN113657902A (zh) * | 2021-08-03 | 2021-11-16 | 浙江创邻科技有限公司 | 基于图数据库的金融安全管理方法、***及存储介质 |
CN113657902B (zh) * | 2021-08-03 | 2024-03-22 | 浙江创邻科技有限公司 | 基于图数据库的金融安全管理方法、***及存储介质 |
CN113869904A (zh) * | 2021-08-16 | 2021-12-31 | 工银科技有限公司 | 可疑数据识别方法、装置、电子设备、介质和计算机程序 |
CN114596097A (zh) * | 2022-05-10 | 2022-06-07 | 富算科技(上海)有限公司 | 用户识别方法、装置、电子设备和计算机可读存储介质 |
CN114596097B (zh) * | 2022-05-10 | 2022-08-26 | 富算科技(上海)有限公司 | 用户识别方法、装置、电子设备和计算机可读存储介质 |
CN115345727A (zh) * | 2022-08-19 | 2022-11-15 | 中电金信软件有限公司 | 一种识别欺诈贷款申请的方法及装置 |
CN115345727B (zh) * | 2022-08-19 | 2023-04-28 | 中电金信软件有限公司 | 一种识别欺诈贷款申请的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930246A (zh) | 信贷反欺诈识别方法、装置、计算机设备及计算机可读存储介质 | |
CN112600810B (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 | |
CN110414987B (zh) | 账户集合的识别方法、装置和计算机*** | |
CN109583468B (zh) | 训练样本获取方法,样本预测方法及对应装置 | |
CN111199474B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
US11308077B2 (en) | Identifying source datasets that fit a transfer learning process for a target domain | |
CN109255000B (zh) | 一种标签数据的维度管理方法及装置 | |
CN111222976A (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
CN114187112A (zh) | 账户风险模型的训练方法和风险用户群体的确定方法 | |
CN114612743A (zh) | 深度学习模型的训练方法、目标对象识别方法和装置 | |
CN112200644B (zh) | 欺诈用户识别方法、装置、计算机设备以及存储介质 | |
CN112435137A (zh) | 一种基于社团挖掘的欺诈信息检测方法及*** | |
CN111666346A (zh) | 信息归并方法、交易查询方法、装置、计算机及存储介质 | |
CN113807940B (zh) | 信息处理和欺诈行为识别方法、装置、设备及存储介质 | |
CN115632874A (zh) | 一种实体对象的威胁检测方法、装置、设备及存储介质 | |
Liu et al. | Heterogeneous graphs neural networks based on neighbor relationship filtering | |
CN113472860A (zh) | 大数据和数字化环境下的业务资源分配方法及服务器 | |
CN110363534B (zh) | 用于识别异常交易的方法及装置 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113222609B (zh) | 风险识别方法和装置 | |
CN114781517A (zh) | 风险识别的方法、装置及终端设备 | |
CN110472680B (zh) | 目标分类方法、装置和计算机可读存储介质 | |
CN113159937A (zh) | 识别风险的方法、装置和电子设备 | |
CN111626887A (zh) | 一种社交关系评估方法及装置 | |
CN114547448B (zh) | 数据处理、模型训练方法、装置、设备、存储介质及程序 |
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: 20200327 |