CN111598714A - 一种基于二阶段无监督的团伙识别方法、装置及电子设备 - Google Patents
一种基于二阶段无监督的团伙识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111598714A CN111598714A CN202010724458.7A CN202010724458A CN111598714A CN 111598714 A CN111598714 A CN 111598714A CN 202010724458 A CN202010724458 A CN 202010724458A CN 111598714 A CN111598714 A CN 111598714A
- Authority
- CN
- China
- Prior art keywords
- users
- user
- black seed
- relation graph
- group
- 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 37
- 238000009792 diffusion process Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer 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
- 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
-
- 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
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于二阶段无监督的团伙识别方法、装置及电子设备，所述方法包括：根据用户历史数据确定黑种子用户；根据团伙规模对所述黑种子用户的联系人进行扩散，得到扩散关系图；对所述扩散关系图进行切分，得到子关系图；计算所述子关系图中用户的相似度；根据用户相似度确定风险团伙。本发明基于黑种子用户的社交关系网识别风险团伙，能够及时、准确的识别风险团伙，满足业务风控需求，减小企业经济损失。
Description
技术领域
本发明涉及计算机信息处理技术领域，具体而言，涉及一种基于二阶段无监督的团伙识别方法、装置、电子设备及计算机可读介质。
背景技术
互联网的快速发展以及智能终端的普及，使得人们足不出户，就可以通过网络办理很多业务，如网上购物、网上转账、网上借贷等。同时，不法分子为了谋取利益，伙同他人伪造虚假信息进行团伙欺诈的行为也越来越猖獗。
团伙欺诈相较于个人欺诈会给互联网企业造成更大的经济损失，因此，如何识别并避免团伙欺诈从而减少经济损失是互联网企业亟待解决的问题。
发明内容
本发明旨在解决现有的网络技术无法智能化、快速准确地识别团伙欺诈行为的技术问题。
为了解决上述技术问题，本发明第一方面提出一种基于二阶段无监督的团伙识别方法，所述方法包括：
根据用户历史数据确定黑种子用户；
根据团伙规模对所述黑种子用户的联系人进行扩散，得到扩散关系图；
对所述扩散关系图进行切分，得到子关系图；
计算所述子关系图中用户的相似度；
根据用户相似度确定风险团伙。
根据本发明一种优选的实施方式，所述根据团伙规模对所述黑种子用户的联系人进行扩散，得到扩散关系图包括：
根据团伙规模确定对所述黑种子用户的一度联系人或者一度联系人和二度联系人进行扩散；
若对所述黑种子用户的一度联系人进行扩散，则寻找黑种子用户的一度联系人得到所述扩散关系图；
若对所述黑种子用户的一度联系人和二度联系人进行扩散，则寻找黑种子用户的一度联系人和二度联系人得到所述扩散关系图。
根据本发明一种优选的实施方式，所述计算所述子关系图中用户的相似度包括：
获取所述子关系图中任意两个用户的特征数据；
根据所述特征数据确定所述两个用户的相似度。
根据本发明一种优选的实施方式，通过如下公式确定两个用户的相似度S：
其中，D为两个用户之间的欧式距离，σ为预设参数。
根据本发明一种优选的实施方式，所述方法还包括：
确定预设白名单中是否有所述风险团伙中的用户；
若所述预设白名单中有所述风险团伙中的用户，在风险团伙中删除所述预设白名单包含的风险团伙用户。
根据本发明一种优选的实施方式，所述黑种子用户是有欺诈记录或者资源未归还记录的用户。
为了解决上述技术问题，本发明第二方面提供一种基于二阶段无监督的团伙识别装置，所述装置包括：
第一确定模块，用于根据用户历史数据确定黑种子用户；
扩散模块，用于根据团伙规模对所述黑种子用户的联系人进行扩散，得到扩散关系图；
切分模块，用于对所述扩散关系图进行切分，得到子关系图；
计算模块，用于计算所述子关系图中用户的相似度；
第二确定模块，用于根据用户相似度确定风险团伙。
根据本发明一种优选的实施方式，所述扩散模块包括：
第一子确定模块，用于根据团伙规模确定对所述黑种子用户的一度联系人或者一度联系人和二度联系人进行扩散；
子扩散模块，用于若对所述黑种子用户的一度联系人进行扩散，则寻找黑种子用户的一度联系人得到所述扩散关系图；若对所述黑种子用户的一度联系人和二度联系人进行扩散，则寻找黑种子用户的一度联系人和二度联系人得到所述扩散关系图。
根据本发明一种优选的实施方式，所述计算模块包括：
获取模块，用于获取所述子关系图中任意两个用户的特征数据；
第二子确定模块，用于根据所述特征数据确定所述两个用户的相似度。
根据本发明一种优选的实施方式，所述第二子确定模块通过如下公式确定两个用户的相似度S：
其中，D为两个用户之间的欧式距离，σ为预设参数。
根据本发明一种优选的实施方式，所述装置还包括：
第三确定模块，用于确定预设白名单中是否有所述风险团伙中的用户；
删除模块，用于若所述预设白名单中有所述风险团伙中的用户，在风险团伙中删除所述预设白名单包含的风险团伙用户。
根据本发明一种优选的实施方式，所述黑种子用户是有欺诈记录或者资源未归还记录的用户。
为解决上述技术问题，本发明第三方面提供一种电子设备，包括：
处理器；以及
存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为了解决上述技术问题，本发明第四方面提出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，当所述一个或多个程序被处理器执行时，实现上述方法。
本发明首先根据用户历史数据确定黑种子用户，再基于黑种子用户的关系网对黑种子用户的联系人进行扩散，得到扩散关系图；通过对扩散关系图的切分，得到由黑种子用户联系人中关系比较密切的用户形成的子关系图；进一步通过计算子关系图中两两用户的相似度；根据用户相似度确定风险团伙。本发明基于黑种子用户的社交关系网识别风险团伙，能够及时、准确的识别风险团伙，满足业务风控需求，减小企业经济损失。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明的示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明一种基于二阶段无监督的团伙识别方法的流程示意图；
图2是本发明计算子关系图中用户的相似度步骤的流程示意图；
图3是本发明一种基于二阶段无监督的团伙识别装置的结构框架示意图；
图4是根据本发明的一种电子设备的示例性实施例的结构框图；
图5是本发明一个计算机可读介质实施例的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例，虽然各示例性实施例能够以多种具体的方式实施，但不应理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例是为了使本发明的内容更加完整，更加便于将发明构思全面地传达给本领域的技术人员。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中，对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是，并不排除本领域技术人员可以在特定情况下，以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示，不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤，也不代表必须按照图中所显示的的顺序执行。例如，流程图中有的操作/步骤可以分解，有的操作/步骤可以合并或部分合并，等等，在不脱离本发明的发明主旨的情况下，流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体，并不一定必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
各附图中相同的附图标记表示相同或类似的元件、组件或部分，因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说，这些定语仅是用来将一者与另一者区分。例如，第一器件亦可称为第二器件，但不偏离本发明实质的技术方案。此外，术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
针对目前互联网企业中存在的团伙欺诈行为，本发明结合互联网业务的具体场景特点，对风险团伙进行识别，并将识别结果提供给互联网企业工作人员，工作人员可以通过拒绝申请（如拒绝资源请求）或增加人工审核等方式对相关人员的资源申请进行处理，以减低互联网且的经济损失风险。
请参阅图1，图1是本发明提供的一种基于二阶段无监督的团伙识别方法的流程图，如图1所示，所述方法包括：
S1、根据用户历史数据确定黑种子用户；
本发明中，所述黑种子用户是有欺诈记录或者资源未归还记录等不良行为的用户。具体可以通过用户历史数据识别出有欺诈记录或者资金未归还记录的用户，并将其标记出来作为黑种子用户。
其中，用户历史数据可以包括用户业务信息、用户标识信息、用户联系信息等。所述用户业务信息用于记录用户的业务数据，以借贷业务为例，则所述业务信息用于记录用户借款、还款的数据，以网上购物为例，则所述业务信息用于记录用户下单、付款、退货、退款的数据。所述用户标识信息用于唯一标识用户，可以为用户的身份ID号，用户联系信息可以包括邮箱、电话、社交APP账号、住址、设备指纹、登录IP信息等。
S2、根据团伙规模对所述黑种子用户的联系人进行扩散，得到扩散关系图；
本发明基于黑种子用户的社交关系网进行扩散，将与黑种子用户具有一、二度联系人关系的用户形成扩散关系图，能够在风险团伙的识别效率和准确性方面得到平衡。
其中，一度联系人关系是指两个用户具有直接关联关系，二度联系人关系是指两个用户具有间接关联关系。例如，用户A和用户B具有一度联系人关系，用户B和用户C也具有一度联系人关系，则用户A和用户C通过用户B就具有间接关联关系，即用户A和用户C具有二度联系人关系。
本发明将黑种子用户加入预先建立的社交关系网作为其中的一个节点。其中，社交关系网中的各个节点用于表示不同的用户，节点之间的连线用于表示用户之间的联系人关系。本发明中由于黑种子用户是有欺诈记录的用户，则与黑种子用户具有联系人关系的用户也存在欺诈的嫌疑。
实际应用中，用于计算社交关系网中两个用户之间的联系人关系的方法比较多，本申请实施例不做具体限定。其中，如果两个用户之间存在任何邮件往来、通话、使用同一设备、用同一IP登录或社交交流等即可视为两个用户之间存在联系人关系，为此，可以根据用户的联系信息计算两个用户之间的联系人关系。
具体的，先为黑种子用户的多种联系信息中的每种联系新分别设置权重；统计黑种子用户与第一用户分别通过每种联系信息建立联系的次数，其中第一用户为社交关系网中除黑种子用户之外的任一用户。再根据黑种子用户与第一用户分别通过每种联系信息建立联系的次数，以及对应联系信息的权重，计算黑种子用户与该第一用户之间的联系度，如果计算得到的联系度符合预设条件，则可以确定第一用户与黑种子用户具有一度联系人关系。一种可选的实施方式中，预设条件可以为联系度大于1，即若计算得到的联系度大于1，则说明黑种子用户与给第一用户具有一度联系人关系。
另外，如果第一用户与黑种子用户具有一度联系人关系，且第二用户与第一用户不具有一度联系人关系，则确定第二用户与黑种子用户具有二度联系人关系，其中，第二用户为所述社交关系网中除黑种子用户和第一用户之外的任一用户。
本步骤在建立黑种子用户的社交关系网之后，根据团伙规模确定对所述黑种子用户的一度联系人或者一度联系人和二度联系人进行扩散；
其中，团伙规模指风险团伙包含的人员个数。本发明中可以根据业务经验设置团伙规模。在一种示例中，当团伙规模小于等于3人时，对黑种子用户的一度联系人进行扩散，当团伙规模大于3人时，对黑种子用户的的一度联系人和二度联系人进行扩散。
本发明中，若对所述黑种子用户的一度联系人进行扩散，则寻找黑种子用户的所有一度联系人，由黑种子用户的所有一度联系人形成扩散关系图；其中，扩散关系图中的各个节点用于表示不同的用户，节点之间的连线用于表示用户之间的联系人关系，该扩散关系图中的用户为黑种子用户或者黑种子用户的一度联系人。若对所述黑种子用户的一度联系人和二度联系人进行扩散，则寻找黑种子用户的一度联系人和二度联系人得到扩散关系图。该扩散关系图中的用户为黑种子用户、黑种子用户的一度联系人，或者黑种子用户的二度联系人。
S3、对所述扩散关系图进行切分，得到子关系图；
本发明通过对扩散关系图进行切分，完成了一阶段粗粒度的团伙识别过程。通过切分后，将扩散关系图中关系密切的用户切分到同一个子关系图中，其对应一个疑似风险团伙，没有切分到任何一个子关系图中的用户不构成风险团伙。
其中，对扩散关系图进行切分的方法可以采用现有的堆块方法，或者构建置信网络并通过置信网络切分连通子图的方法。
S4、计算所述子关系图中用户的相似度；
本步骤基于对子关系图中用户相似度的计算进行二阶段的风险团伙识别，以提高团伙识别的准确性。示例性的，如图2所示，本步骤包括：
S41、获取所述子关系图中任意两个用户的特征数据；
本发明中，用户的特征数据可以包括多维度用户信息，具体可以包括：ID号归属地、用户使用设备的操作***、用户所在位置的经度纬度；账户名称、注册时间、注册时使用的IP地址信息、注册时使用设备的设备信息等。
S42、根据所述特征数据确定所述两个用户的相似度。
本发明中，用户的相似度根据取值范围可以分为类别型和数值型。其中，类别型相似度的取值是0~1之间的数值；数值型相似度的取值可以是任意数值。
对于类别型相似度，可以先确定各个特征数据是否相似，若特征数据相同则确定相似。例如，对于ID号归属地，若两个用户的ID号归属地相同，则确定这两个用户的ID号归属地相似。再根据业务经验定义各个数据特征的权重，原则上，设置小概率事件的权重大，大概率事件的权重小。比如ID号归属地相同的权重大于操作***相同的权重，因为两个用户操作***相同相比于ID号归属地相同属于大概率事件。最后通过各个特征数据的权重及各个特征数据是否相似确定用户的相似度。
对于数值型相似度，本发明通过如下公式确定两个用户的相似度S：
其中，D为两个用户之间的欧式距离，σ为预设参数。
S5、根据用户相似度确定风险团伙。
具体的，对于类别型相似度，若两个用户之间的相似度相等，则确定这两个用户属于一个风险团伙，再将这两个用户分别与子关系图中其他用户进行相似度对比，最终确定风险团伙。
对于数值型相似度，当两个用户的相似度之差在预设范围之内，则确定这两个用户属于一个风险团伙，再将这两个用户分别与子关系图中其他用户进行相似度对比，最终确定风险团伙。
在本实施例中，步骤S5得到的风险团伙数据为初步的团伙数据，其可能会包括一些正常账户的数据，例如，主播小号的数据，在这种情况下，可以根据用户的备注，例如，备注某个账户为小号，生成白名单列表，如果风险团伙数据中的账户在该白名单列表中存在，则可以在风险团伙数据中删除该白名单的账户，从而得到最终的风险团伙数据。因此，本发明进一步还可以执行以下步骤：
S6、确定预设白名单中是否有所述风险团伙中的用户；
S7、若所述预设白名单中有所述风险团伙中的用户，在风险团伙中删除所述预设白名单包含的风险团伙用户。
在一种实施例中，在最终确定风险团伙数据之后，本实施例还可以包括如下步骤：
将所述风险团伙数据发送至风控平台，后期由风控平台自动触发对风险团伙数据中的账户的监控，当团伙中部分账户触犯规则后即可自动关联封禁整个团伙账户。
例如，可以从业务本身或第三方反馈的数据判断账户是否封禁（例如，如果某账户在日常业务中有违规行为会被其他账户举报，或者被巡查到或者触发高危行为等，都会被封禁），假设风险团伙数据中有10个账户，其中有7个账户已经被封禁，封禁占比超过预设的阈值，则可以认为该风险团伙数据是高风险团伙，则会将该团伙中剩余的3个账户封禁。
图3是本发明一种基于二阶段无监督的团伙识别装置的架构示意图，如图3所示，所述装置包括：
第一确定模块31，用于根据用户历史数据确定黑种子用户；其中，所述黑种子用户是有欺诈记录或者资源未归还记录的用户。
扩散模块32，用于根据团伙规模对所述黑种子用户的联系人进行扩散，得到扩散关系图；
切分模块33，用于对所述扩散关系图进行切分，得到子关系图；
计算模块34，用于计算所述子关系图中用户的相似度；
第二确定模块35，用于根据用户相似度确定风险团伙。
在一种具体实施方式中，所述扩散模块32包括：
第一子确定模块321，用于根据团伙规模确定对所述黑种子用户的一度联系人或者一度联系人和二度联系人进行扩散；
子扩散模块322，用于若对所述黑种子用户的一度联系人进行扩散，则寻找黑种子用户的一度联系人得到所述扩散关系图；若对所述黑种子用户的一度联系人和二度联系人进行扩散，则寻找黑种子用户的一度联系人和二度联系人得到所述扩散关系图。
所述计算模块34包括：
获取模块341，用于获取所述子关系图中任意两个用户的特征数据；
第二子确定模块342，用于根据所述特征数据确定所述两个用户的相似度。
具体的，所述第二子确定模块342通过如下公式确定两个用户的相似度S：
其中，D为两个用户之间的欧式距离，σ为预设参数。
进一步的，所述装置还包括：
第三确定模块，用于确定预设白名单中是否有所述风险团伙中的用户；
删除模块，用于若所述预设白名单中有所述风险团伙中的用户，在风险团伙中删除所述预设白名单包含的风险团伙用户。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的实体形式的实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图4是根据本发明的一种电子设备的示例性实施例的结构框图。图4显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，该示例性实施例的电子设备400以通用数据处理设备的形式表现。电子设备400的组件可以包括但不限于：至少一个处理单元410、至少一个存储单元420、连接不同电子设备组件（包括存储单元420和处理单元410）的总线430、显示单元440等。
其中，所述存储单元420存储有计算机可读程序，其可以是源程序或都只读程序的代码。所述程序可以被处理单元410执行，使得所述处理单元410执行本发明各种实施方式的步骤。例如，所述处理单元410可以执行如图1所示的步骤。
所述存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元（ROM）4203。所述存储单元420还可以包括具有一组（至少一个）程序模块4205的程序/实用工具4204，这样的程序模块4205包括但不限于：操作电子设备、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备400也可以与一个或多个外部设备300（例如键盘、显示器、网络设备、蓝牙设备等）通信，使得用户能经由这些外部设备400与该电子设备400交互，和/或使得该电子设备400能与一个或多个其它数据处理设备（例如路由器、调制解调器等等）进行通信。这种通信可以通过输入/输出（I/O）接口450进行，还可以通过网络适配器460与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）进行。网络适配器460可以通过总线430与电子设备400的其它模块通信。应当明白，尽管图4中未示出，电子设备400中可使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID电子设备、磁带驱动器以及数据备份存储电子设备等。
图5是本发明的一个计算机可读介质实施例的示意图。如图5所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的电子设备、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。当所述计算机程序被一个或多个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：根据用户历史数据确定黑种子用户；根据团伙规模对所述黑种子用户的联系人进行扩散，得到扩散关系图；对所述扩散关系图进行切分，得到子关系图；计算所述子关系图中用户的相似度；根据用户相似度确定风险团伙。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台数据处理设备（可以是个人计算机、服务器、或者网络设备等）执行根据本发明的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行电子设备、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语音的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语音包括面向对象的程序设计语音—诸如Java、C++等，还包括常规的过程式程序设计语音—诸如“C”语音或类似的程序设计语音。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
综上所述，本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。可以在实践中使用微处理器或者数字信号处理器（DSP）等通用数据处理设备来实现本发明的一些或者全部功能。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于二阶段无监督的团伙识别方法，其特征在于，所述方法包括：
根据用户历史数据确定黑种子用户；
根据团伙规模对所述黑种子用户的联系人进行扩散，得到扩散关系图；
对所述扩散关系图进行切分，得到子关系图；
计算所述子关系图中用户的相似度；
根据用户相似度确定风险团伙。
2.根据权利要求1所述的方法，其特征在于，所述根据团伙规模对所述黑种子用户的联系人进行扩散，得到扩散关系图包括：
根据团伙规模确定对所述黑种子用户的一度联系人或者一度联系人和二度联系人进行扩散；
若对所述黑种子用户的一度联系人进行扩散，则寻找黑种子用户的一度联系人得到所述扩散关系图；
若对所述黑种子用户的一度联系人和二度联系人进行扩散，则寻找黑种子用户的一度联系人和二度联系人得到所述扩散关系图。
3.根据权利要求1-2中任一项所述的方法，其特征在于，所述计算所述子关系图中用户的相似度包括：
获取所述子关系图中任意两个用户的特征数据；
根据所述特征数据确定所述两个用户的相似度。
4.根据权利要求3所述的方法，其特征在于，通过如下公式确定两个用户的相似度S：
其中，D为两个用户之间的欧式距离，σ为预设参数。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定预设白名单中是否有所述风险团伙中的用户；
若所述预设白名单中有所述风险团伙中的用户，在风险团伙中删除所述预设白名单包含的风险团伙用户。
6.根据权利要求1所述的方法，其特征在于，所述黑种子用户是有欺诈记录或者资源未归还记录的用户。
7.一种基于二阶段无监督的团伙识别装置，其特征在于，所述装置包括：
第一确定模块，用于根据用户历史数据确定黑种子用户；
扩散模块，用于根据团伙规模对所述黑种子用户的联系人进行扩散，得到扩散关系图；
切分模块，用于对所述扩散关系图进行切分，得到子关系图；
计算模块，用于计算所述子关系图中用户的相似度；
第二确定模块，用于根据用户相似度确定风险团伙。
8.一种电子设备，包括：
处理器；以及
存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行根据权利要求1-6中任一项所述的方法。
9.一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，当所述一个或多个程序被处理器执行时，实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010724458.7A CN111598714A (zh) | 2020-07-24 | 2020-07-24 | 一种基于二阶段无监督的团伙识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010724458.7A CN111598714A (zh) | 2020-07-24 | 2020-07-24 | 一种基于二阶段无监督的团伙识别方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598714A true CN111598714A (zh) | 2020-08-28 |
Family
ID=72184648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010724458.7A Pending CN111598714A (zh) | 2020-07-24 | 2020-07-24 | 一种基于二阶段无监督的团伙识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598714A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993371A (zh) * | 2023-09-25 | 2023-11-03 | 中邮消费金融有限公司 | 一种基于生物特征的异常检测方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764917A (zh) * | 2018-05-04 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 一种欺诈团伙的识别方法和装置 |
| 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 |
| CN110135916A (zh) * | 2019-05-23 | 2019-08-16 | 北京优网助帮信息技术有限公司 | 一种相似人群识别方法及*** |
| CN110263227A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于图神经网络的团伙发现方法和*** |
| CN110472050A (zh) * | 2019-07-24 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 一种团伙聚类方法和装置 |
-
2020
- 2020-07-24 CN CN202010724458.7A patent/CN111598714A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764917A (zh) * | 2018-05-04 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 一种欺诈团伙的识别方法和装置 |
| 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 |
| CN110263227A (zh) * | 2019-05-15 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于图神经网络的团伙发现方法和*** |
| CN110135916A (zh) * | 2019-05-23 | 2019-08-16 | 北京优网助帮信息技术有限公司 | 一种相似人群识别方法及*** |
| CN110472050A (zh) * | 2019-07-24 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 一种团伙聚类方法和装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993371A (zh) * | 2023-09-25 | 2023-11-03 | 中邮消费金融有限公司 | 一种基于生物特征的异常检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009915B (zh) | 一种欺诈用户社区的标记方法及相关装置 | |
| WO2022126970A1 (zh) | 金融欺诈风险识别方法、装置、计算机设备及存储介质 | |
| US10904175B1 (en) | Verifying users of an electronic messaging system | |
| TWI804575B (zh) | 確定高風險用戶的方法及裝置、電腦可讀儲存媒體、和計算設備 | |
| CN111598713B (zh) | 基于相似度权重更新的团伙识别方法、装置及电子设备 | |
| CN112738102B (zh) | 资产识别方法、装置、设备和存储介质 | |
| WO2020207167A1 (zh) | 文本分类方法、装置、设备及计算机可读存储介质 | |
| US20120284263A1 (en) | Typed relevance scores in an identity resolution system | |
| CN110148053B (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
| AU2019101565A4 (en) | User data sharing method and device | |
| CN114186626A (zh) | 一种异常检测方法、装置、电子设备及计算机可读介质 | |
| CN112468658B (zh) | 语音质量检测方法、装置、计算机设备及存储介质 | |
| CN109657148B (zh) | 针对上报poi的异常操作识别方法、装置、服务器和介质 | |
| US10721242B1 (en) | Verifying a correlation between a name and a contact point in a messaging system | |
| CN111598714A (zh) | 一种基于二阶段无监督的团伙识别方法、装置及电子设备 | |
| CN116662987A (zh) | 业务***监控方法、装置、计算机设备及存储介质 | |
| CN116739605A (zh) | 交易数据检测方法、装置、设备及存储介质 | |
| CN116703555A (zh) | 一种预警方法、装置、电子设备及计算机可读介质 | |
| CN110287315A (zh) | 舆情确定方法、装置、设备及存储介质 | |
| US11348115B2 (en) | Method and apparatus for identifying risky vertices | |
| CN115022002B (zh) | 验证方式确定方法、装置、存储介质和电子设备 | |
| CN113609451B (zh) | 一种基于关系网特征衍生的风险设备识别方法及装置 | |
| CN112261484B (zh) | 一种目标用户识别方法、装置、电子设备和存储介质 | |
| CN110351116B (zh) | 异常对象监控方法、装置、介质及电子设备 | |
| CN112785021A (zh) | 预约请求响应方法、装置、电子设备及存储介质 |
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 |