CN111768305A - 反洗钱识别方法及装置 - Google Patents
反洗钱识别方法及装置 Download PDFInfo
- Publication number
- CN111768305A CN111768305A CN202010585037.0A CN202010585037A CN111768305A CN 111768305 A CN111768305 A CN 111768305A CN 202010585037 A CN202010585037 A CN 202010585037A CN 111768305 A CN111768305 A CN 111768305A
- Authority
- CN
- China
- Prior art keywords
- money laundering
- transaction
- transaction record
- identification
- money
- 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.)
- Granted
Links
- 238000004900 laundering Methods 0.000 title claims abstract description 362
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000010801 machine learning Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 30
- 238000012216 screening Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000872 buffer Substances 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种反洗钱识别方法及装置,该方法包括:接收反洗钱识别请求并根据该反洗钱识别请求确定待识别交易记录集;应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组;基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组;将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录。本申请能够提高反洗钱识别的准确性和效率,进而能够提高交易过程的安全性。
Description
技术领域
本申请涉及机器学习技术领域,尤其涉及一种反洗钱识别方法及装置。
背景技术
随着全球金融环境不确定因素增加,针对交易过程的洗钱行为也日趋严重,影响金融部门的安全和利益;国际社会对反洗钱关注度急剧上升,反洗钱范围趋广、标准趋高、要求趋严并且处罚趋重的特征愈发明显,因此,反洗钱识别对于金融部门十分重要。
现有技术中,反洗钱识别方式主要是基于反洗钱领域专家经验建立反洗钱规则模型,对金融机构的交易明细进行筛查,但是基于人工甄别过程与案例样本数据得到的数据特征较少,导致反洗钱规则模型的精度较差,不能准确识别洗钱行为。
发明内容
针对现有技术中的问题,本申请提出了一种反洗钱识别方法及装置,能够提高反洗钱识别的准确性和效率,进而能够提高交易过程的安全性。
第一方面,本申请提供一种交易反洗钱识别方法,包括:
接收反洗钱识别请求并根据该反洗钱识别请求确定待识别交易记录集;
应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组;
基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组;
将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录。
进一步地,在所述应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组之后或之时,还包括:基于所述预设的反洗钱机器学习模型将所述待识别交易记录集分为第二洗钱交易记录组和第二正常交易记录组;将在所述第一洗钱交易记录组和第二洗钱交易记录组中同时存在的各个交易记录确定为目标洗钱交易记录。
进一步地,在所述基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组之前,还包括:获取多个历史交易记录以及各个历史交易记录对应的交易标签,该交易标签包括:洗钱交易标签和正常交易标签;应用多个所述历史交易记录以及各个所述历史交易记录各自对应的交易标签对所述反洗钱机器学习模型进行训练,该反洗钱机器学习模型为:逻辑回归模型、决策树模型和聚类模型中的至少一个。
进一步地,在所述将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录之后,还包括:判断所述目标洗钱交易记录的个数与待识别交易记录集中交易记录的个数的比值是否大于报警阈值,若是,则将洗钱交易报警信息输出显示。
第二方面,本申请提供一种交易反洗钱识别装置,包括:
接收模块,用于接收反洗钱识别请求并根据该反洗钱识别请求确定待识别交易记录集;
第一识别模块,用于应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组;
第二识别模块,用于基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组;
第一确定模块,用于将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录。
进一步地,所述的交易反洗钱识别装置还包括:第三识别模块,用于基于所述预设的反洗钱机器学习模型将所述待识别交易记录集分为第二洗钱交易记录组和第二正常交易记录组;第二确定模块,用于将在所述第一洗钱交易记录组和第二洗钱交易记录组中同时存在的各个交易记录确定为目标洗钱交易记录。
进一步地,所述的交易反洗钱识别装置,还包括:获取模块,用于获取多个历史交易记录以及各个历史交易记录对应的交易标签,该交易标签包括:洗钱交易标签和正常交易标签;训练模块,用于应用多个所述历史交易记录以及各个所述历史交易记录各自对应的交易标签对所述反洗钱机器学习模型进行训练,该反洗钱机器学习模型为:逻辑回归模型、决策树模型和聚类模型中的至少一个。
进一步地,所述的交易反洗钱识别装置还包括:报警模块,用于判断所述目标洗钱交易记录的个数与待识别交易记录集中交易记录的个数的比值是否大于报警阈值,若是,则将洗钱交易报警信息输出显示。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的交易反洗钱识别方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现所述的交易反洗钱识别方法。
由上述技术方案可知,本申请提供一种反洗钱识别方法及装置。其中,该方法包括:接收反洗钱识别请求并根据该反洗钱识别请求确定待识别交易记录集;应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组;基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组;将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录,能够提高反洗钱识别的准确性和效率,进而提高交易过程的安全性;具体地,在应用反洗钱识别规则保证反洗钱识别的效率的基础上,应用反洗钱机器学习模型能够提高反洗钱识别的精度;基于双层筛查或并行筛查的模式对交易记录进行筛查,在提高交易反洗钱识别的精度和效率的同时,还能够提高识别过程的灵活度和智能化程度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例中反洗钱识别方法的流程示意图;
图2是本申请具体应用实例中反洗钱识别方法的流程示意图;
图3是本申请另一实施例中反洗钱识别方法的流程示意图;
图4是本申请另一具体应用实例中反洗钱识别方法的流程示意图;
图5是本申请实施例中反洗钱识别方法步骤501和步骤502的流程示意图;
图6是本申请实施例中包含有步骤601的反洗钱识别方法的流程示意图;
图7是本申请实施例中反洗钱识别装置的第一结构示意图;
图8是本申请实施例中反洗钱识别装置的第二结构示意图;
图9是本申请实施例中反洗钱识别装置的第三结构示意图;
图10是本申请实施例中反洗钱识别装置的第四结构示意图;
图11是本申请具体应用实例中反洗钱识别装置的结构示意图;
图12是本申请具体应用实例中反洗钱模型训练过程的流程示意图;
图13是本申请具体应用实例中反洗钱规则模型训练过程的流程示意图;
图14是本申请具体应用实例中应用反洗钱模型进行预估过程的逻辑示意图;
图15是本申请具体应用实例中应用反洗钱模型预估过程的流程示意图;
图16为本申请实施例的电子设备9600的***构成示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
基于此,为了提高反洗钱识别的准确性和效率,进而提高交易过程的安全性,本申请实施例提供一种反洗钱识别装置,该装置可以是一服务器或客户端设备,所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备和智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表和智能手环等。
在实际应用中,进行反洗钱识别的部分可以在如上述内容所述的服务器侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
具体通过下述各个实施例进行说明。
如图1所示,为了提高反洗钱识别的准确性和效率,进而提高交易过程的安全性,本实施例提供一种执行主体是反洗钱识别装置的反洗钱识别方法,具体包含有如下内容:
步骤101:接收反洗钱识别请求并根据该反洗钱识别请求确定待识别交易记录集。
具体地,所述待识别交易记录集包含有多条交易记录,且每条交易记录包括多个交易数据,如交易的唯一业务流水号、客户编号、公私标识、客户名称、证件种类、证件号码、账号、交易发生地、交易时间和交易金额等。
步骤102:应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组。
具体地,所述预设的反洗钱识别规则是基于专家经验预先设置的,用于根据交易特征识别交易风险的规则。举例来说,监测预设时段内,个人借方累计笔数和贷方累计笔数的比值小于等于累计交易数比例阈值,且借贷方双方累计金额大于等于预设交易金额上限的交易记录,该交易记录属于第一洗钱交易记录组。
步骤103:基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组。
具体地,可以将所述第一正常交易记录组输入预设的反洗钱学习模型,并根据该反洗钱学习模型的输出结果确定所述第一正常交易记录组中各个交易记录的类别。
步骤104:将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录。
由上述描述可知,本实施例提供的反洗钱识别方法,能够利用应用反洗钱识别规则时间短的特点,有效降低整体反洗钱识别时间,并结合反洗钱机器学习模型提高反洗钱识别的准确性,进而提高交易过程的安全性。
为进一步说明本方案,本申请提供了一种反洗钱识别方法的具体应用实例,包括:应用双层筛查模式进行反洗钱识别。所述双层筛查模式指按照先后顺序运行反洗钱规则模型和反洗钱机器学习模型。先运行反洗钱规则模型,后运行反洗钱机器学习模型;其中,运行反洗钱规则模型实现的功能相当于应用上述预设的反洗钱识别规则实现的功能。此种筛查模式充分利用反洗钱规则模型运行时间短的特点,能够有效降低整体预估时间。
如图2所示,将样本洗钱定义为正类结果,则反洗钱规则模型基于选定数据集一运行后得到预测正类结果一,预测负类结果二。反洗钱机器学习模型基于预测负类结果二运行,然后得到预测正类结果三,预测负类结果四。计算预测正类结果一和预测正类结果三之间的并集,得到预测正类结果五。预测正类结果五作为最终的预估结果。
假设应用反洗钱规则模型对单个样本进行预估的时间为Ti,应用反洗钱机器学习模型对单个样本进行预估的时间为Tj;假设反洗钱模型的运行时间与样本数量线性相关,则当N个待预估的样本中有M(M>0)个洗钱样本时:
不采用“双层筛查模式”对N个样本进行预估的时间为:
T1=(aTi+bTj)N+m+n(a>0,b>0)
采用“双层筛查模式”对N个样本进行预估的时间为:
T2=(aTi+bTj)N-bTjM+m+n(a>0,b>0)
采用“双层筛查模式”进行反洗钱模型预估时减少的时间为:
T1-T2=bTjM
其中,a、b为环境因子,表示运行环境对预估的时间产生的影响;m、n为预估过程中不受运行环境影响的固定时间消耗,例如环境初始化时间。
为了进一步提高反洗钱识别的准确性,如图3所示,在本申请一个实施例中,在步骤102之后或者之时还包含有:
步骤301:基于所述预设的反洗钱机器学习模型将所述待识别交易记录集分为第二洗钱交易记录组和第二正常交易记录组。
具体地,可以将所述待识别交易记录集输入预设的反洗钱机器学习模型,并根据该反洗钱机器学习模型的输出结果确定所述待识别交易记录集中各个交易记录的类别。可以理解的是,本实施例对步骤301和步骤102之间的执行顺序不作限制。
步骤302:将在所述第一洗钱交易记录组和第二洗钱交易记录组中同时存在的各个交易记录确定为目标洗钱交易记录。
由上述描述可知,本实施例提供的反洗钱识别方法,特别适用于严格筛查场景,能够进一步提高确定洗钱交易记录的准确性和效率,进而提高交易的安全性。
为了进一步说明本方案,本申请提供了一种反洗钱识别方法的具体应用实例,包括:应用并行筛查模式进行反洗钱识别。所述并行筛查模式指基于选定数据集同步运行反洗钱规则模型和反洗钱机器学习模型后将运行结果进行合并。
如图4所示,将样本洗钱定义为正类结果,反洗钱规则模型基于选定数据集二运行后得到预测正类结果六、预测负类结果七;反洗钱机器学习模型基于已选定数据集二运行,然后得到预测正类结果八,预测负类结果九。计算预测正类结果六与预测正类结果八之间的交集,得到预测正类结果十。预测正类结果十作为最终的预估结果。
为了提高反洗钱机器学习模型的可靠性,进而应用可靠的反洗钱机器学习模型对交易风险进行识别,提高识别的准确性,如图5所示,在本申请一个实施例中,在步骤103之前还包括:
步骤501:获取多个历史交易记录以及各个历史交易记录对应的交易标签,该交易标签包括:洗钱交易标签和正常交易标签。
步骤502:应用多个所述历史交易记录以及各个所述历史交易记录各自对应的交易标签对所述反洗钱机器学习模型进行训练,该反洗钱机器学习模型为:逻辑回归模型、决策树模型和聚类模型中的至少一个。
如图6所示,为了提高报警信息的可靠性的基础上,实现对洗钱交易的及时报警,在本申请一个实施例中,在步骤104之后还包含有:
步骤601:判断所述目标洗钱交易记录的个数与待识别交易记录集中交易记录的个数的比值是否大于报警阈值,若是,则将洗钱交易报警信息输出显示。
具体地,可以输出所述风险报警信息以识别异常交易及洗钱风险客户。
从软件层面来说,为了提高反洗钱识别的准确性和效率,进而提高交易过程的安全性,本申请提供一种用于实现所述反洗钱识别方法中全部或部分内容的反洗钱识别装置的实施例,参见图7,所述反洗钱识别装置具体包含有如下内容:
接收模块71,用于接收反洗钱识别请求并根据该反洗钱识别请求确定待识别交易记录集。
第一识别模块72,用于应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组。
第二识别模块73,用于基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组。
第一确定模块74,用于将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录。
参见图8,在本申请一个实施例中,所述的反洗钱识别装置还包括:
第三识别模块81,用于基于所述预设的反洗钱机器学习模型将所述待识别交易记录集分为第二洗钱交易记录组和第二正常交易记录组。
第二确定模块82,用于将在所述第一洗钱交易记录组和第二洗钱交易记录组中同时存在的各个交易记录确定为目标洗钱交易记录。
参见图9,在本申请一个实施例中,所述的反洗钱识别装置还包括:
获取模块91,用于获取多个历史交易记录以及各个历史交易记录对应的交易标签,该交易标签包括:洗钱交易标签和正常交易标签。
训练模块92,用于应用多个所述历史交易记录以及各个所述历史交易记录各自对应的交易标签对所述反洗钱机器学习模型进行训练,该反洗钱机器学习模型为:逻辑回归模型、决策树模型和聚类模型中的至少一个。
参见图10,在本申请一个实施例中,所述的反洗钱识别装置还包括:
报警模块10,用于判断所述目标洗钱交易记录的个数与待识别交易记录集中交易记录的个数的比值是否大于报警阈值,若是,则将洗钱交易报警信息输出显示。
本说明书提供的反洗钱识别装置的实施例具体可以用于执行上述反洗钱识别方法的实施例的处理流程,其功能在此不再赘述,可以参照上述反洗钱识别方法实施例的详细描述。
为了进一步说明本方案,参见图11,本申请还提供一种反洗钱识别装置的具体应用实例,包含有:数据上传模块11、数据清洗模块12、反洗钱模型配置和训练模块13、反洗钱模型预估模块14、反洗钱模型评估模块15和反洗钱***对接模块16。
(1)数据上传模块11:通过指定数据接口上传交易数据。数据上传的方式包括:通过页面上传交易明细数据和通过SFTP(SSH File Transfer Protocol,安全文件传送协议)上传交易明细数据。采用RSA加密算法对数据包进行加密,保证数据传输的安全性。采用校验文件清单的方式校验数据包内容,确保数据传输的完整性。文件类型支持csv和txt格式。文件编码支持多种常用编码格式,包括:GB2312、GBK和UTF-8。
(2)数据清洗模块12:针对上传的原始交易数据,按照反洗钱数据接口规范,如《银行业金融机构反洗钱现场检查数据接口规范(试行)》对数据进行校验,剔除字段缺失、字段错位和字典值不匹配等不符合数据接口规范的无效数据。提供统计交易笔数和交易时间跨度等信息。
(3)反洗钱模型配置和训练模块13
如图12所示,反洗钱模型训练过程包括S121:接收用户通过网络防火墙发送的模型训练指令;S122:基于图形化界面选择需要训练的模型及数据集,S123:基于大数据训练集群运行模型并得到训练结果;S124:最后由图形化界面对训练结果进行展现;针对反洗钱规则模型,将训练结果以预警率图的形式展现。针对反洗钱机器学习模型,将训练结果以ROC(Receiver Operating Characteristic,受试者工作特征)图的形式展现。所述ROC图是以真阳性率(灵敏度)为纵坐标,假阳性率(1-特异度)为横坐标绘制的曲线,能够客观体现机器学习模型的效果。
通过灵活配置反洗钱规则模型指标参数、模型阈值、指标权重,并形成多个参数版本。在训练任务中选择多个参数并同时运行,将不同参数版本对应的训练结果汇总展现,直观比对各参数版本模型的效果,实现规则模型的训练。
如图13所示,反洗钱规则模型训练流程包括S131:新建训练任务、S132:选择数据集、S133:选择反洗钱规则模型、S134:选择参数版本K1至KN、S135:执行训练任务和S136:训练结果展现。所述新建训练任务指创建一个可选择运行数据、可选择运行模型、可选择运行模型的参数版本、可运行的任务记录。所述选择数据集指在训练任务配置中选择模型运行的数据集。所述选择反洗钱规则模型指在训练任务配置中选择需要运行的反洗钱规则模型。所述选择参数版本指在训练任务配置中选择模型需要使用的参数版本。提供选择多个参数版本,运行结果会基于参数版本展现,每个参数版本对应一个运行结果。所述执行训练任务指基于选定数据集、参数版本,运行选定反洗钱规则模型,对反洗钱规则模型进行训练。所述训练结果展现指将反洗钱规则模型运行结果以预警率图形式进行展现。
该反洗钱模型配置和训练模块具体包含有:
1)反洗钱规则模型配置单元:对反洗钱规则模型的指标参数、模型阈值和指标权重进行配置,并形成多个“参数版本”。
2)反洗钱规则模型训练单元:对反洗钱规则模型进行训练。基于交易数据、多个模型“参数版本”运行反洗钱规则模型,将运行结果以预警率图的形式展现。
3)反洗钱机器学习模型配置单元:对反洗钱机器学习模型参数进行配置。
4)反洗钱机器学习模型训练单元:对反洗钱机器学习模型进行训练。基于交易数据和模型参数运行反洗钱机器学习模型,将运行结果以ROC图形式展现。
(4)反洗钱模型预估模块14:使用反洗钱模型对上传的交易数据进行预估计算,筛查出洗钱交易,反洗钱模型预估过程相当于上述应用预设的反洗钱识别规则和预设的反洗钱机器学习模型对交易记录进行反洗钱识别的过程。
如图14所示,应用反洗钱模型进行预估的逻辑过程包括S141:基于文件服务器、RSA加解密、批量调度技术实现数据文件的上传和清洗,并将清洗后得到的交易数据和客户信息存储于HDFS(Hadoop Distributed File System,Hadoop分布式文件***)上。S142:基于大数据计算集群运行反洗钱规则模型及反洗钱机器学习模型,筛查出洗钱交易。S143:基于对外暴露的接口,与反洗钱***对接,将预估结果传输给反洗钱***输出显示,还可以将预估结果供甄别人员甄别。所述反洗钱规则模型,是指基于专家经验建立起的一系列规则,可根据交易特征对交易行为进行判断的模型。
如图15所示,应用反洗钱模型进行预估的流程包括S151:新建预估任务,S152:选择需要进行预估的数据集,S153:选择反洗钱规则模型与反洗钱机器学习模型,S154:选择筛查模式,S155:执行预估任务,S156:传输预估结果给反洗钱***进行甄别。所述数据集为同一批次的通过校验的交易数据集合,带有数据集名称、交易笔数和交易时间跨度等属性。所述交易数据指交易明细数据,包含交易的唯一业务流水号、客户编号、公私标识、客户名称、证件种类、证件号码、账号、交易发生地、交易时间和交易金额等信息。通过将预估过程中的参数装配、数据加载和模型计算等环节细分为作业,针对每个作业设置超时时间,在作业运行超时中断整个预估任务,实现熔断。
(5)反洗钱模型评估模块15:对预估期内各时反洗钱模型的预估效果进行统计记录,从报警率、可疑率和召回率多个维度对反洗钱模型进行评估,比对反洗钱模型效果随着间推移的变化。所述报警率为评估期内单一评估的模型预测为洗钱样本的总量/评估期内样本总量。所述可疑率指评估期内单一评估的模型实际甄别为洗钱样本的总量/评估期内单一评估的模型预测为洗钱样本的总量。对于评估结果,与历史评估结果进行对比并将模型效果变化趋势输出展现。
(6)反洗钱***对接模块16:提供接口与反洗钱***对接,将反洗钱模型预估筛查出的洗钱样本传输给反洗钱***,供输出显示并反洗钱甄别人员进行甄别。
由上述描述可知,本具体应用实例提供的反洗钱识别装置基于大数据处理技术,通过应用反洗钱规则模型与机器学习模型对交易明细预估,能够实现更有效的洗钱行为筛查。通过提供接口与反洗钱***对接,能够直接将筛查结果传输给反洗钱***。通过熔断机制及预警措施保障大额可疑交易的报送时效,能够提高交易过程的安全性。通过灵活配置反洗钱规则模型指标参数、模型阈值和指标权重,能够形成多个参数版本;在训练任务中选择多个参数并同时运行,将不同参数版本对应的训练结果汇总展现,直观比对各参数版本模型的效果,能够实现反洗钱规则模型的训练,能够极大提升反洗钱规则模型的优化效率。本具体应用实例充分结合了反洗钱规则模型运行耗时短以及反洗钱机器学习模型精度高优势,能够极大提升识别洗钱交易的效率和准确度。
由上述描述可知,本申请提供的反洗钱识别方法及装置,能够提高反洗钱识别的准确性和效率,进而提高交易过程的安全性;具体地,基于双层筛查或并行筛查模式对交易记录进行识别,能够提高反洗钱识别的精度和效率,并且还能够提高识别过程的灵活度和智能化程度。
从硬件层面来说,为了反洗钱识别的准确性和效率,进而提高交易过程的安全性,本申请提供一种用于实现所述反洗钱识别方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现所述反洗钱识别装置以及用户终端等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例用于实现所述反洗钱识别方法的实施例及用于实现所述反洗钱识别装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图16为本申请实施例的电子设备9600的***构成的示意框图。如图16所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图16是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
在本申请一个或多个实施例中,反洗钱识别功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤101:接收反洗钱识别请求并根据该反洗钱识别请求确定待识别交易记录集。
步骤102:应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组。
步骤103:基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组。
步骤104:将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录。
从上述描述可知,本申请的实施例提供的电子设备,能够提高反洗钱识别的准确性和效率,进而能够提高交易过程的安全性。
在另一个实施方式中,反洗钱识别装置可以与中央处理器9100分开配置,例如可以将反洗钱识别装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现反洗钱识别功能。
如图16所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图16中所示的所有部件;此外,电子设备9600还可以包括图16中没有示出的部件,可以参考现有技术。
如图16所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
上述描述可知,本申请的实施例提供的电子设备,能够提高反洗钱识别的准确性和效率,进而能够提高交易过程的安全性。
本申请的实施例还提供能够实现上述实施例中的反洗钱识别方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的反洗钱识别方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤101:接收反洗钱识别请求并根据该反洗钱识别请求确定待识别交易记录集。
步骤102:应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组。
步骤103:基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组。
步骤104:将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够提高反洗钱识别的准确性和效率,进而能够提高交易过程的安全性。
本申请中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请中应用了具体实施例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种反洗钱识别方法,其特征在于,包括:
接收反洗钱识别请求并根据该反洗钱识别请求确定待识别交易记录集;
应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组;
基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组;
将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录。
2.根据权利要求1所述的反洗钱识别方法,其特征在于,在所述应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组之后或之时,还包括:
基于所述预设的反洗钱机器学习模型将所述待识别交易记录集分为第二洗钱交易记录组和第二正常交易记录组;
将在所述第一洗钱交易记录组和第二洗钱交易记录组中同时存在的各个交易记录确定为目标洗钱交易记录。
3.根据权利要求1所述的反洗钱识别方法,其特征在于,在所述基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组之前,还包括:
获取多个历史交易记录以及各个历史交易记录对应的交易标签,该交易标签包括:洗钱交易标签和正常交易标签;
应用多个所述历史交易记录以及各个所述历史交易记录各自对应的交易标签对所述反洗钱机器学习模型进行训练,该反洗钱机器学习模型为:逻辑回归模型、决策树模型和聚类模型中的至少一个。
4.根据权利要求1所述的反洗钱识别方法,其特征在于,在所述将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录之后,还包括:
判断所述目标洗钱交易记录的个数与待识别交易记录集中交易记录的个数的比值是否大于报警阈值,若是,则将洗钱交易报警信息输出显示。
5.一种反洗钱识别装置,其特征在于,包括:
接收模块,用于接收反洗钱识别请求并根据该反洗钱识别请求确定待识别交易记录集;
第一识别模块,用于应用预设的反洗钱识别规则将所述待识别交易记录集分为第一洗钱交易记录组和第一正常交易记录组;
第二识别模块,用于基于预设的反洗钱机器学习模型将所述第一正常交易记录组分为洗钱交易记录子组和正常交易记录子组;
第一确定模块,用于将所述第一洗钱交易记录组和洗钱交易记录子组中的各个交易记录确定为目标洗钱交易记录。
6.根据权利要求5所述的反洗钱识别装置,其特征在于,还包括:
第三识别模块,用于基于所述预设的反洗钱机器学习模型将所述待识别交易记录集分为第二洗钱交易记录组和第二正常交易记录组;
第二确定模块,用于将在所述第一洗钱交易记录组和第二洗钱交易记录组中同时存在的各个交易记录确定为目标洗钱交易记录。
7.根据权利要求5所述的反洗钱识别装置,其特征在于,还包括:
获取模块,用于获取多个历史交易记录以及各个历史交易记录对应的交易标签,该交易标签包括:洗钱交易标签和正常交易标签;
训练模块,用于应用多个所述历史交易记录以及各个所述历史交易记录各自对应的交易标签对所述反洗钱机器学习模型进行训练,该反洗钱机器学习模型为:逻辑回归模型、决策树模型和聚类模型中的至少一个。
8.根据权利要求5所述的反洗钱识别装置,其特征在于,还包括:
报警模块,用于判断所述目标洗钱交易记录的个数与待识别交易记录集中交易记录的个数的比值是否大于报警阈值,若是,则将洗钱交易报警信息输出显示。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述的反洗钱识别方法。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被执行时实现权利要求1至4任一项所述的反洗钱识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585037.0A CN111768305B (zh) | 2020-06-24 | 2020-06-24 | 反洗钱识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585037.0A CN111768305B (zh) | 2020-06-24 | 2020-06-24 | 反洗钱识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768305A true CN111768305A (zh) | 2020-10-13 |
CN111768305B CN111768305B (zh) | 2024-06-25 |
Family
ID=72722096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010585037.0A Active CN111768305B (zh) | 2020-06-24 | 2020-06-24 | 反洗钱识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768305B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927072A (zh) * | 2021-01-20 | 2021-06-08 | 北京航空航天大学 | 一种基于区块链的反洗钱仲裁方法、***及相关装置 |
CN113011973A (zh) * | 2021-01-21 | 2021-06-22 | 北京航空航天大学 | 基于智能合约数据湖的金融交易监管模型、***、设备 |
CN113570457A (zh) * | 2021-06-28 | 2021-10-29 | 交通银行股份有限公司 | 一种基于自修复建模的反洗钱***及其方法 |
CN115660849A (zh) * | 2022-11-02 | 2023-01-31 | 成都数融科技有限公司 | 一种基于反洗钱策略的虚拟资产交易识别方法及*** |
CN117787922A (zh) * | 2024-02-27 | 2024-03-29 | 东亚银行(中国)有限公司 | 基于蒸馏学习和自动学习的反洗钱业务处理方法、***、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203810A (zh) * | 2017-05-22 | 2017-09-26 | 河海大学 | 一种基于深度网络的降水量预测方法 |
CN108053318A (zh) * | 2017-12-20 | 2018-05-18 | 北京奇安信科技有限公司 | 一种对异常交易进行识别的方法及装置 |
CN108280755A (zh) * | 2018-02-28 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 可疑洗钱团伙的识别方法和识别装置 |
CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
CN109639654A (zh) * | 2018-11-30 | 2019-04-16 | 成都知道创宇信息技术有限公司 | 一种基于自适应过滤模型识别tcp异常流量的方法 |
CN111179089A (zh) * | 2020-01-02 | 2020-05-19 | 中国银行股份有限公司 | 洗钱交易识别方法、装置和设备 |
-
2020
- 2020-06-24 CN CN202010585037.0A patent/CN111768305B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203810A (zh) * | 2017-05-22 | 2017-09-26 | 河海大学 | 一种基于深度网络的降水量预测方法 |
CN108053318A (zh) * | 2017-12-20 | 2018-05-18 | 北京奇安信科技有限公司 | 一种对异常交易进行识别的方法及装置 |
CN108280755A (zh) * | 2018-02-28 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 可疑洗钱团伙的识别方法和识别装置 |
CN108876133A (zh) * | 2018-06-07 | 2018-11-23 | 中国平安人寿保险股份有限公司 | 基于业务信息的风险评估处理方法、装置、服务器和介质 |
CN109639654A (zh) * | 2018-11-30 | 2019-04-16 | 成都知道创宇信息技术有限公司 | 一种基于自适应过滤模型识别tcp异常流量的方法 |
CN111179089A (zh) * | 2020-01-02 | 2020-05-19 | 中国银行股份有限公司 | 洗钱交易识别方法、装置和设备 |
Non-Patent Citations (1)
Title |
---|
邵良杉;周玉;: "改进GSM-RFC模型在回采巷道围岩稳定性分级的预测", 辽宁工程技术大学学报(自然科学版), no. 03, 15 June 2018 (2018-06-15) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927072A (zh) * | 2021-01-20 | 2021-06-08 | 北京航空航天大学 | 一种基于区块链的反洗钱仲裁方法、***及相关装置 |
CN112927072B (zh) * | 2021-01-20 | 2023-08-29 | 北京航空航天大学 | 一种基于区块链的反洗钱仲裁方法、***及相关装置 |
CN113011973A (zh) * | 2021-01-21 | 2021-06-22 | 北京航空航天大学 | 基于智能合约数据湖的金融交易监管模型、***、设备 |
CN113011973B (zh) * | 2021-01-21 | 2023-08-29 | 北京航空航天大学 | 基于智能合约数据湖的金融交易监管模型的方法及设备 |
CN113570457A (zh) * | 2021-06-28 | 2021-10-29 | 交通银行股份有限公司 | 一种基于自修复建模的反洗钱***及其方法 |
CN115660849A (zh) * | 2022-11-02 | 2023-01-31 | 成都数融科技有限公司 | 一种基于反洗钱策略的虚拟资产交易识别方法及*** |
CN117787922A (zh) * | 2024-02-27 | 2024-03-29 | 东亚银行(中国)有限公司 | 基于蒸馏学习和自动学习的反洗钱业务处理方法、***、设备和介质 |
CN117787922B (zh) * | 2024-02-27 | 2024-05-31 | 东亚银行(中国)有限公司 | 基于蒸馏学习和自动学习的反洗钱业务处理方法、***、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111768305B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768305B (zh) | 反洗钱识别方法及装置 | |
US10698795B2 (en) | Virtual payments environment | |
CN109241711B (zh) | 基于预测模型的用户行为识别方法及装置 | |
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理*** | |
CN112785086A (zh) | 信贷逾期风险预测方法及装置 | |
US11775412B2 (en) | Machine learning models applied to interaction data for facilitating modifications to online environments | |
CN111275546A (zh) | 金融客户欺诈风险识别方法及装置 | |
CN111815169B (zh) | 业务审批参数配置方法及装置 | |
CN111931189B (zh) | Api接口转用风险检测方法、装置和api服务*** | |
CN112346936A (zh) | 应用故障根因定位方法及*** | |
CN111932267A (zh) | 企业金融服务风险预测方法及装置 | |
CN113011646A (zh) | 一种数据处理方法、设备以及可读存储介质 | |
CN112950357B (zh) | 交易异常团伙识别方法及装置 | |
CN111932268A (zh) | 企业风险识别方法及装置 | |
CN112232947A (zh) | 贷中风险预测方法及装置 | |
CN112070310A (zh) | 基于人工智能的流失用户预测方法、装置及电子设备 | |
CN110399409B (zh) | 交易异常监测方法及装置 | |
CN113128773A (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN117151859A (zh) | 模型训练及评估方法、相关装置、设备、介质及产品 | |
CN113052266A (zh) | 交易模式类型识别方法及装置 | |
CN112764957A (zh) | 应用故障定界方法及装置 | |
US20240214397A1 (en) | Systems and methods for training a machine learning model to confirm results of event detection | |
US20240119303A1 (en) | Monitoring machine learning models using surrogate model output | |
CN111930620B (zh) | 应用运行环境数据处理方法及装置 | |
US20240112017A1 (en) | Systems and methods for adjusting data processing components for non-operational targets |
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 |