CN111784360B - 一种基于网络链接回溯的反欺诈预测方法及*** - Google Patents
一种基于网络链接回溯的反欺诈预测方法及*** Download PDFInfo
- Publication number
- CN111784360B CN111784360B CN202010925813.7A CN202010925813A CN111784360B CN 111784360 B CN111784360 B CN 111784360B CN 202010925813 A CN202010925813 A CN 202010925813A CN 111784360 B CN111784360 B CN 111784360B
- Authority
- CN
- China
- Prior art keywords
- user
- network link
- historical
- fraud
- module
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 88
- 230000006399 behavior Effects 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims description 24
- 238000000926 separation method Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 210000002268 wool Anatomy 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
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于网络链接回溯的反欺诈预测方法,包括:根据第一网络链接获取用户唯一标识;对用户唯一标识进行加密以生成第二网络链接;根据用户唯一标识获取第二网络链接在历史时间段内的标识去重数量;根据标识去重数量对历史推广内容的历史行为进行特征分析,以获得第一分析结果;根据标识去重数量对历史反欺诈内容的历史行为进行特征分析,以获得第二分析结果;将第一、第二分析结果以及历史参考行为特征信息进行融合以生成反欺诈预测模型;利用反欺诈预测模型预测网络链接的新用户的行为。本发明还公开了一种基于网络链接回溯的反欺诈预测***。本发明利用反欺诈预测模型预测网络链接的新用户行为,降低群体诈骗的风险概率。
Description
技术领域
本发明属于互联网技术领域,具体涉及一种基于网络链接回溯的反欺诈预测方法及***。
背景技术
在金融反欺诈方法中,需要判别用户是否符合贷款需要是需要大量的数据支持的,大部分数据均来自于手机设备数据和征信数据信息。
基于现代网络技术发展,在移动应用设备崛起的时代,网络应用为人们提供了便利。然而在目前的信贷行业中出现为了牟利而层出不穷的骗贷行为和为了获取优惠而出现的薅羊毛行为。
骗贷人员包装征信数据和设备数据的能力逐渐提高,而能获取真实用户信贷信息的手段又非常有限,大部分数据风控的方法还是通过手机设备数据和征信数据来判断用户是否属于欺诈用户。
对于真实用户的角度来讲,无法获取切实的平台优惠和利益;而对于信贷平台来讲,也未达到实际吸引真实用户的效果并被恶意用户套取了不实收入。
因此,如何锁定恶意用户来源成为了目前互联网技术领域的难题。
发明内容
本发明实施例提供一种基于网络链接回溯的反欺诈预测方法及***,通过溯源网络链接的方法并结合贷后和推广结果,以追踪用户的***人脉链,通过链接分享获得每个用户带来的欺诈用户比,将该欺诈用户比结果作为是否为欺诈用户的参考信息。
以解决现有技术中存在的至少一个技术问题。
第一方面,本发明实施例提供一种基于网络链接回溯的反欺诈预测方法,该反欺诈预测方法包括以下步骤:
根据第一网络链接获取用户唯一标识;
对所述用户唯一标识进行加密以生成第二网络链接;
根据所述用户唯一标识获取所述第二网络链接在历史时间段内的标识去重数量;
根据所述标识去重数量对历史推广内容的历史行为进行特征分析,以获得第一分析结果;根据所述标识去重数量对历史反欺诈内容的历史行为进行特征分析,以获得第二分析结果;
将所述第一、第二分析结果以及历史参考行为特征信息进行融合以生成反欺诈预测模型;
利用所述反欺诈预测模型预测网络链接的新用户的行为。
进一步的,采用加密算法并只对所述用户唯一标识进行加密以生成所述第二网络链接。
进一步的,所述标识去重数量是通过以下子步骤产生的:
获取多个历史时间段内的相同的所述第二网络链接:;
根据相同的所述第二网络链接产生所述标识去重数量。
进一步的,所述标识去重数量是通过以下子步骤产生的:
获取多个历史时间段内的不同的所述第二网络链接;
根据不同的所述第二网络链接产生所述标识去重数量。
进一步的,所述第一分析结果包括第二网络链接的方差值、用户当前时间的平均值、最大值和最小值;其中,
所述第二网络链接的方差值是通过对同一个第二网络链接的历史统计量进行方差计算所获得的;
所述用户当前时间的平均值、最大值和最小值是通过对同一个第二网络链接当前时间的统计量与历史不同阈值时间的统计量进行逐一比较所获得的。
进一步的,所述第一分析结果还包括活跃用户群,所述活跃用户群是通过以下子步骤获得的:
对每个用户id的分享链接数量所对应的关联点击人数进行分箱处理以获得第一区域范围;
当用户群的用户活跃数量大于等于所述第一区域范围时,则将该用户群定义为所述活跃用户群。
进一步的,所述第二分析结果是通过以下子步骤获得的:
对预设的欺诈比进行分箱处理,以得到第二区域范围;
当用户群的欺诈比属于所述第二区域范围时,则判断该用户群为欺诈群。
进一步的,所述反欺诈预测模型是通过以下子步骤获得的:
基于所述第一、第二分析结果和历史参考行为特征信息,将与第二网络连接有关的用户进行标记以得到风险标签;
将带有风险标签的用户的行为作为训练样本,基于机器学习模型中并根据用户信贷结果表现构建逾期智能算法模型;
将所述训练样本输入所述逾期智能算法模型,并以用户设备信息指标为特征,以用户信贷结果表现是否逾期为标识,对所述逾期智能算法模型进行训练,以生成所述反欺诈预测模型;
其中,所述训练样本包括网络链接点击人数、网络链接开启时间、网络链接点击次数和用户设备信息指标。
进一步的,所述网络链接的新用户的行为是通过以下子步骤获得的:根据第一、第二区域范围对用户类群进行分类;
利用所述反欺诈预测模型并基于用于类群的分类结果预测网络链接的新用户的行为。
第二方面,本发明实施例提供一种基于网络链接回溯的反欺诈预测***,该反欺诈预测***包括第一获取模块、加密模块、第二获取模块、第一分析模块、第二分析模块、融合模块和预测模块;其中,
所述第一获取模块用于根据第一网络链接获取用户唯一标识;
所述加密模块对所述用户唯一标识进行加密以生成第二网络链接;
所述第二获取模块根据所述用户唯一标识获取所述第二网络链接在历史时间段内的标识去重数量;
所述第一分析模块根据所述标识去重数量对历史推广内容的历史行为进行特征分析,以获得第一分析结果;
所述第二分析模块根据所述标识去重数量对历史反欺诈内容的历史行为进行特征分析,以获得第二分析结果;
所述融合模块将所述第一、第二分析结果以及历史参考行为特征信息进行融合以生成反欺诈预测模型;
所述预测模块利用所述反欺诈预测模型预测网络链接的新用户的行为。
本发明根据第一网络链接获取用户唯一标识;对所述用户唯一标识进行加密以生成第二网络链接;根据所述用户唯一标识获取所述第二网络链接在历史时间段内的标识去重数量;根据所述标识去重数量对历史推广内容的历史行为进行特征分析,以获得第一分析结果;根据所述标识去重数量对历史反欺诈内容的历史行为进行特征分析,以获得第二分析结果;将所述第一、第二分析结果以及历史参考行为特征信息进行融合以生成反欺诈预测模型;利用所述反欺诈预测模型预测网络链接的新用户行为,从而判断所述网络链接的新用户的真实性与风险性,从而可以降低群体诈骗的风险概率,提高了该反欺诈预测***的推广能力。
附图说明
图1为本发明的一个实施例提供的一种基于网络链接回溯的反欺诈预测方法的流程示意图;
图2为本发明的一个实施例提供的一种基于网络链接回溯的反欺诈预测***的结构示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
实施例一
图1为本发明的一个实施例提供的一种基于网络链接回溯的反欺诈预测方法的流程示意图,该反欺诈预测方法包括以下步骤:
步骤100:根据第一网络链接获取用户唯一标识;
步骤200:对所述用户唯一标识进行加密以生成第二网络链接;其中,所述第一网络链接包括手机应用连接或H5网页网络链接等;
步骤300:根据所述用户唯一标识获取所述第二网络链接在历史时间段内的标识去重数量;
由于每个第二网络链接都是唯一的,每个第二网络链接可以被一个用户多次点击,因此需要记录经过去重后所点击的第二网络连接的标识数量。
步骤400:根据所述标识去重数量对历史推广内容的历史行为进行特征分析,以获得第一分析结果;
根据所述标识去重数量对历史反欺诈内容的历史行为进行特征分析,以获得第二分析结果;
步骤500:将所述第一、第二分析结果以及历史参考行为特征信息进行融合以生成反欺诈预测模型;
步骤600:利用所述反欺诈预测模型预测网络链接的新用户的行为,从而判断所述网络链接的新用户的真实性与风险性。
进一步的,所述步骤100中,从所述第一网络链接的尾端获取所述用户唯一标识;其中,所述用户唯一标识为自增的匿名用户id、用户的微信号、用户的手机号或用户的唯一设备标识等。
进一步的,在步骤200中,采用加密算法并只对所述用户唯一标识进行加密,以生成所述第二网络链接;优选地,所述加密算法为MD5加密算法。
在一个实施例中,在步骤300中,所述标识去重数量是通过以下子步骤产生的:
步骤310:获取多个历史时间段内的相同的所述第二网络链接:;
步骤320:根据相同的所述第二网络链接产生所述标识去重数量;
在另一个实施例中,所述标识去重数量是通过以下子步骤产生的:
步骤310':获取多个历史时间段内的不同的所述第二网络链接;
步骤320':根据不同的所述第二网络链接产生所述标识去重数量。
在一个实施例中,步骤400中所述第一分析结果包括第二网络链接的方差值、用户当前时间的平均值、最大值和最小值;其中,
所述第二网络链接的方差值是通过对同一个第二网络链接的历史统计量进行方差计算所获得的;
所述用户当前时间的平均值、最大值和最小值是通过对同一个第二网络链接当前时间的统计量与历史不同阈值时间的统计量进行逐一比较所获得的。
在另一个实施例中,步骤400中的第一分析结果还包括活跃用户群,所述活跃用户群是通过以下子步骤获得的:
步骤410:对每个用户id的分享链接数量所对应的关联点击人数进行分箱处理以获得第一区域范围;
例如:参见表1,根据每个用户id的分享链接数量所对应的关联点击人数,可以将关联点击人数按0~100等额分成四个箱,以获得第一区域范围,如关联点击人数在0~25人这一范围内,则定义为活跃度较低的标准;关联点击人数在25~50人这一范围内,则定义为活跃度中等的标准;关联点击人数在50~75人这一范围内,则定义为活跃度较高的标准;关联点击人数在75~100人这一范围内,则定义为活跃度极高的标准。
表1
步骤420:当用户群的用户活跃数量属于所述第一区域范围时,则将该用户群定义为所述活跃用户群,从而来判断哪个第二网络连接链接是最具有宣传力的,以此来确定哪些用户id是具有高粘性的用户,乐于帮助平台进行宣传。
例如,参见表2,用户id为“1”所对应的第二网络链接,其关联点击人数为88,属于75~100等额分箱中的活跃度极高的标准,则将该用户id为“1” 所对应的第二网络链接标记为“活跃度极高”的标签,其它用户id为“2”到“10”所对应的第二网络链接,同理,可以按照关联点击人数所属于的第一区域范围进行相应的标记,以获得相应的活跃度标签。
表2
在步骤400中,所述第二分析结果是通过以下子步骤获得的:
步骤430:对预设的欺诈比进行分箱处理,以得到第二区域范围;例如,参见表3,可以将预设的欺诈比进行等额分箱处理,得到第二区域范围,该第二区域范围包括4个区间,即0为低风险、0~0.1为中风险、0.1~0.2为中风险、大于0.2为高风险;
表3
步骤440:当用户群的欺诈比属于所述第二区域范围时,则判断该用户群为欺诈群,从而封锁第一网络连接,以封锁高风险标签用户。
参见表4,根据表3的规定,可以根据用户的欺诈比来判断是否属于第二区域范围的哪个区间,以确定该用户id的风险。
表4
例如,根据一个用户id的关联逾期人数和关联借款用户来计算出的欺诈比在0~0.1之间,则将该用户id的标签标记为中风险。
进一步的,其中,所述步骤500包括以下子步骤:
步骤510:基于所述第一、第二分析结果和历史参考行为特征信息,将与第二网络连接有关的用户行为进行标记以得到风险标签;例如可以将与第二网络连接有关的用户划分为低风险、中风险、高风险用户;
步骤520:将带有风险标签的用户的行为作为训练样本,基于机器学习模型并根据用户信贷结果表现构建逾期智能算法模型;
步骤530:将所述训练样本输入所述逾期智能算法模型,并以所述用户设备信息指标为特征,以用户信贷结果表现是否逾期为标识,对所述逾期智能算法模型进行训练,以生成所述反欺诈预测模型;
其中,所述训练样本包括网络链接点击人数、网络链接开启时间、网络链接点击次数和用户设备信息指标;
其中,所述反欺诈预测模型可采用二分类机器学习模型,如逻辑回归,决策树等模型。
进一步的,所述步骤600包括以下子步骤:
步骤610:根据第一、第二区域范围对用户类群进行分类;
步骤620:利用所述反欺诈预测模型并基于用于类群的分类结果预测网络链接的新用户行为,以判断用户为非真实用户群或欺诈风险用户群;
具体的,所述步骤620包括以下子步骤:
步骤621:利用所述反欺诈预测模型并基于用于类群的分类结果获得第二预测结果;
步骤622:根据所述预设的风险规则对所述第二预测结果进行标记,以获得多个第二风险标签(例如可以将所述第二预测结果标记为低风险、中风险和高风险的标签);
步骤623:将网络链接的新用户行为(例如新用户的链接开启时间、链接点击次数和用户设备信息指标等)输入所述反欺诈预测模型,并将相应的风险标签标记在所述网络链接的新用户上,以判断该新用户为欺诈用户(例如:可以将高风险的风险标签标记在A用户上,将中风险的风险标签标记在B用户上,将低风险的风险标签标记在C用户上低风险);
步骤624:当欺诈用户的数量与用户群的总人数数量的比值大于预设的欺诈比时,则判断该用户群为欺诈群。
实施例二
图2为本发明的一个实施例提供的一种基于网络链接回溯的反欺诈预测***的结构示意图,该反欺诈预测***包括第一获取模块、加密模块、第二获取模块、第一分析模块、第二分析模块、融合模块和预测模块;其中,
所述第一获取模块用于根据第一网络链接获取用户唯一标识;
所述加密模块对所述用户唯一标识进行加密以生成第二网络链接;
所述第二获取模块根据所述用户唯一标识获取所述第二网络链接在历史时间段内的标识去重数量;
所述第一分析模块根据所述标识去重数量对历史推广内容的历史行为进行特征分析,以获得第一分析结果;
所述第二分析模块根据所述标识去重数量对历史反欺诈内容的历史行为进行特征分析,以获得第二分析结果;
所述融合模块将所述第一、第二分析结果以及历史参考行为特征信息进行融合以生成反欺诈预测模型;
所述预测模块利用所述反欺诈预测模型预测网络链接的新用户的行为。
进一步的,所述第一获取模块从所述第一网络链接的尾端获取所述用户唯一标识。
进一步的,所述加密模块采用加密算法并只对所述用户唯一标识进行加密以生成所述第二网络链接。
进一步的,在一个实施例中,所述第二获取模块用于执行以下操作获取所述标识去重数量:
获取多个历史时间段内的相同的第二网络链接;
根据相同的所述第二网络链接产生所述标识的去重数量。
进一步的,在另一个实施例中,所述第二获取模块用于执行以下操作获取所述标识去重数量:
获取多个历史时间段内的不同的第二网络链接;
根据不同的所述第二网络链接产生所述标识去重数量。
进一步的,所述第一分析结果包括第二网络链接的方差值、用户当前时间的平均值、最大值和最小值;
所述第一分析模块通过执行以下操作以获得所述第二网络链接的方差值、用户当前时间的平均值、最大值和最小值:
通过对同一个第二网络链接的历史统计量进行方差计算获得所述第二网络链接的方差值;
通过对同一个第二网络链接当前时间的统计量与历史不同阈值时间的统计量进行逐一比较获得所述用户当前时间的平均值、最大值和最小值。
进一步的,所述第一分析结果还包括活跃用户群,所述第一分析模块通过执行以下操作将用户群定义为活跃用户群:
对每个用户id的分享链接数量所对应的关联点击人数进行分箱处理以获得第一区域范围;
当用户群的用户活跃数量大于等于所述第一区域范围时,则将该用户群定义为所述活跃用户群。
进一步的,所述第二分析模块通过执行以下操作获得所述第二分析结果,该第二分析结果具体为判断该用户群是否为欺诈群:
对预设的欺诈比进行分箱处理,以得到第二区域范围;
当用户群的欺诈比属于所述第二区域范围时,则判断该用户群为欺诈群
进一步的,所述融合模块包括标记模块、构建模块和训练模块;其中,
所述标记模块基于所述第一、第二分析结果和历史参考行为特征信息,将与第二网络连接有关的用户进行标记以得到风险标签;
所述构建模块将带有风险标签的用户的行为作为训练样本,基于机器学习模型并根据用户信贷结果表现构建逾期智能算法模型;
所述训练模块用于将所述训练样本输入所述逾期智能算法模型,并以所述用户设备信息指标为特征,以用户信贷结果表现是否逾期为标识,对所述逾期智能算法模型进行训练,以生成所述反欺诈预测模型;
其中,所述训练样本包括网络链接点击人数、网络链接开启时间、网络链接点击次数和用户设备信息指标。
进一步的,所述预测模块通过执行以下操作以预测网络链接的新用户的行为:
根据第一、第二区域范围对用户类群进行分类;
利用所述反欺诈预测模型并基于用于类群的分类结果预测网络链接的新用户的行为。
更进一步的,所述预测通过利用所述反欺诈预测模型并基于用于类群的分类结果预测网络链接的新用户的行为包括执行以下操作:
利用所述反欺诈预测模型并基于用于类群的分类结果以获得预测结果;
根据预设的风险规则对所述预测结果进行标记,以获得多个风险标签(例如可以将所述第二预测结果标记为低风险、中风险和高风险的标签);
将网络链接的新用户行为(例如新用户的链接开启时间、链接点击次数和用户设备信息指标等)输入所述反欺诈预测模型,并将相应的风险标签标记在所述网络链接的新用户上,以判断该新用户为欺诈用户(例如:可以将高风险的风险标签标记在A用户上,将中风险的风险标签标记在B用户上,将低风险的风险标签标记在C用户上低风险);
当欺诈用户的数量与用户群的总人数数量的比值大于所述预设的欺诈比时,则判断该用户群为欺诈群。
上述各个模块的具体实施方式与实施例一的各个反欺诈预测方法步骤的具体实施方式一致,在此不再赘述。
本发明具有以下优点:
本发明根据第一网络链接获取用户唯一标识;对所述用户唯一标识进行加密以生成第二网络链接;根据所述用户唯一标识获取所述第二网络链接在历史时间段内的标识去重数量;根据所述标识去重数量对历史推广内容的历史行为进行特征分析,以获得第一分析结果;根据所述标识去重数量对历史反欺诈内容的历史行为进行特征分析,以获得第二分析结果;将所述第一、第二分析结果以及历史参考行为特征信息进行融合以生成反欺诈预测模型;利用所述反欺诈预测模型预测网络链接的新用户行为,从而判断所述网络链接的新用户的真实性与风险性,从而可以降低群体诈骗的风险概率,提高了该反欺诈预测***的推广能力。
本领域普通技术人员可以意识到,结合本发明实施例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、或者计算机软件和电子硬件的结合来实现。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。
在本申请所提供的实施例中,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,所述单元的划分,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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,也可以两个或两个以上单元集成在一个单元中。
所述功能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,可以存储在一个计算机可读取存储介质中。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,服务器,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。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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,可轻易想到变化或替换,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 (5)
1.一种基于网络链接回溯的反欺诈预测方法,该反欺诈预测方法包括以下步骤:
根据第一网络链接获取用户唯一标识;
对所述用户唯一标识进行加密以生成第二网络链接;
根据所述用户唯一标识获取所述第二网络链接在历史时间段内的标识去重数量;
根据所述标识去重数量对历史推广内容的历史行为进行特征分析,以获得第一分析结果;根据所述标识去重数量对历史反欺诈内容的历史行为进行特征分析,以获得第二分析结果;
将所述第一、第二分析结果以及历史参考行为特征信息进行融合以生成反欺诈预测模型;
利用所述反欺诈预测模型预测网络链接的新用户的行为;
其中,所述第一分析结果包括第二网络链接的方差值、用户当前时间的平均值、最大值、最小值和活跃用户群;所述第二网络链接的方差值是通过对同一个第二网络链接的历史统计量进行方差计算所获得的;所述用户当前时间的平均值、最大值和最小值是通过对同一个第二网络链接当前时间的统计量与历史不同阈值时间的统计量进行逐一比较所获得的;
所述活跃用户群是通过以下子步骤获得的:对每个用户id的分享链接数量所对应的关联点击人数进行分箱处理以获得第一区域范围;当用户群的用户活跃数量大于等于所述第一区域范围时,则将该用户群定义为所述活跃用户群;
所述第二分析结果是通过以下子步骤获得的:对预设的欺诈比进行分箱处理,以得到第二区域范围;当用户群的欺诈比属于所述第二区域范围时,则判断该用户群为欺诈群;
所述反欺诈预测模型是通过以下子步骤获得的:
基于所述第一、第二分析结果和历史参考行为特征信息,将与第二网络连接有关的用户进行标记以得到风险标签;带有风险标签的用户包括低风险、中风险、高风险用户;
将带有风险标签的用户的行为作为训练样本,基于机器学习模型中根据用户信贷结果表现构建逾期智能算法模型;
将所述训练样本输入所述逾期智能算法模型,并以用户设备信息指标为特征,以用户信贷结果表现是否逾期为标识,对所述逾期智能算法模型进行训练,以生成所述反欺诈预测模型;
其中,所述训练样本包括网络链接点击人数、网络链接开启时间、网络链接点击次数和用户设备信息指标;
所述网络链接的新用户的行为是通过以下子步骤获得的:根据第一、第二区域范围对用户类群进行分类;
利用所述反欺诈预测模型并基于用于类群的分类结果预测网络链接的新用户的行为。
2.根据权利要求1所述的反欺诈预测方法,其特征在于,采用加密算法并只对所述用户唯一标识进行加密以生成所述第二网络链接。
3.根据权利要求1所述的反欺诈预测方法,其特征在于,所述标识去重数量是通过以下子步骤产生的:
获取多个历史时间段内的相同的所述第二网络链接;
根据相同的所述第二网络链接产生所述标识去重数量。
4.根据权利要求1所述的反欺诈预测方法,其特征在于,所述标识去重数量是通过以下子步骤产生的:
获取多个历史时间段内的不同的所述第二网络链接;
根据不同的所述第二网络链接产生所述标识去重数量。
5.一种基于网络链接回溯的反欺诈预测***,该反欺诈预测***包括第一获取模块、加密模块、第二获取模块、第一分析模块、第二分析模块、融合模块和预测模块;其中,
所述第一获取模块用于根据第一网络链接获取用户唯一标识;
所述加密模块对所述用户唯一标识进行加密以生成第二网络链接;
所述第二获取模块根据所述用户唯一标识获取所述第二网络链接在历史时间段内的标识去重数量;
所述第一分析模块根据所述标识去重数量对历史推广内容的历史行为进行特征分析,以获得第一分析结果;
所述第二分析模块根据所述标识去重数量对历史反欺诈内容的历史行为进行特征分析,以获得第二分析结果;
所述融合模块将所述第一、第二分析结果以及历史参考行为特征信息进行融合以生成反欺诈预测模型;
所述预测模块利用所述反欺诈预测模型预测网络链接的新用户的行为;
其中,所述第一分析结果包括第二网络链接的方差值、用户当前时间的平均值、最大值、最小值和活跃用户群;所述第二网络链接的方差值是通过对同一个第二网络链接的历史统计量进行方差计算所获得的;所述用户当前时间的平均值、最大值和最小值是通过对同一个第二网络链接当前时间的统计量与历史不同阈值时间的统计量进行逐一比较所获得的;
所述第一分析模块通过执行以下操作将用户群定义为活跃用户群:对每个用户id的分享链接数量所对应的关联点击人数进行分箱处理以获得第一区域范围;当用户群的用户活跃数量大于等于所述第一区域范围时,则将该用户群定义为所述活跃用户群;
所述第二分析模块通过执行以下操作获得所述第二分析结果:对预设的欺诈比进行分箱处理,以得到第二区域范围;当用户群的欺诈比属于所述第二区域范围时,则判断该用户群为欺诈群;
所述融合模块包括标记模块、构建模块和训练模块;其中,
所述标记模块基于所述第一、第二分析结果和历史参考行为特征信息,将与第二网络连接有关的用户进行标记以得到风险标签,带有风险标签的用户包括低风险、中风险、高风险用户;
所述构建模块将带有风险标签的用户的行为作为训练样本,基于机器学习模型并根据用户信贷结果表现构建逾期智能算法模型;
所述训练模块用于将所述训练样本输入所述逾期智能算法模型,并以所述用户设备信息指标为特征,以用户信贷结果表现是否逾期为标识,对所述逾期智能算法模型进行训练,以生成所述反欺诈预测模型;
其中,所述训练样本包括网络链接点击人数、网络链接开启时间、网络链接点击次数和用户设备信息指标;
所述预测模块通过执行以下操作以预测网络链接的新用户的行为:
根据第一、第二区域范围对用户类群进行分类;
利用所述反欺诈预测模型并基于用于类群的分类结果预测网络链接的新用户的行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010925813.7A CN111784360B (zh) | 2020-09-07 | 2020-09-07 | 一种基于网络链接回溯的反欺诈预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010925813.7A CN111784360B (zh) | 2020-09-07 | 2020-09-07 | 一种基于网络链接回溯的反欺诈预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784360A CN111784360A (zh) | 2020-10-16 |
CN111784360B true CN111784360B (zh) | 2021-01-22 |
Family
ID=72762270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010925813.7A Active CN111784360B (zh) | 2020-09-07 | 2020-09-07 | 一种基于网络链接回溯的反欺诈预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784360B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159424A (zh) * | 2021-04-23 | 2021-07-23 | 平安科技(深圳)有限公司 | 基于机器学习的指标预测方法、装置、设备及存储介质 |
CN117291615B (zh) * | 2023-11-27 | 2024-02-06 | 成都乐超人科技有限公司 | 基于网络支付下克服反欺诈的可视化对比分析方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033153A (zh) * | 2018-12-05 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种对信息推荐进行资源奖励方法、装置及设备 |
CN110765374A (zh) * | 2019-09-16 | 2020-02-07 | 阿里巴巴集团控股有限公司 | 风险链接识别方法、装置及计算机设备 |
CN111192045A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 基于交易记录信息的反作弊方法、装置和*** |
CN111199473A (zh) * | 2019-12-16 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 基于交易记录信息的反作弊方法、装置和*** |
CN111435507A (zh) * | 2019-01-11 | 2020-07-21 | 腾讯科技(北京)有限公司 | 广告反作弊方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11682074B2 (en) * | 2018-04-13 | 2023-06-20 | Gds Link Llc | Decision-making system and method based on supervised learning |
-
2020
- 2020-09-07 CN CN202010925813.7A patent/CN111784360B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033153A (zh) * | 2018-12-05 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种对信息推荐进行资源奖励方法、装置及设备 |
CN111435507A (zh) * | 2019-01-11 | 2020-07-21 | 腾讯科技(北京)有限公司 | 广告反作弊方法、装置、电子设备及可读存储介质 |
CN110765374A (zh) * | 2019-09-16 | 2020-02-07 | 阿里巴巴集团控股有限公司 | 风险链接识别方法、装置及计算机设备 |
CN111192045A (zh) * | 2019-12-16 | 2020-05-22 | 北京淇瑀信息科技有限公司 | 基于交易记录信息的反作弊方法、装置和*** |
CN111199473A (zh) * | 2019-12-16 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 基于交易记录信息的反作弊方法、装置和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111784360A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818344B (zh) | 用户行为进行分类和预测的方法和*** | |
CN110399925B (zh) | 账号的风险识别方法、装置及存储介质 | |
CN108416198B (zh) | 人机识别模型的建立装置、方法及计算机可读存储介质 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
Ostapowicz et al. | Detecting fraudulent accounts on blockchain: A supervised approach | |
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理*** | |
CN112329816A (zh) | 数据分类方法、装置、电子设备和可读存储介质 | |
CN110348528A (zh) | 基于多维数据挖掘的用户信用确定方法 | |
CN111784360B (zh) | 一种基于网络链接回溯的反欺诈预测方法及*** | |
CN106095939B (zh) | 账户权限的获取方法和装置 | |
CN111210335A (zh) | 用户风险识别方法、装置及电子设备 | |
CN111522724B (zh) | 异常账号的确定方法、装置、服务器及存储介质 | |
CN113139876B (zh) | 风险模型训练方法、装置、计算机设备及可读存储介质 | |
CN110855648A (zh) | 一种网络攻击的预警控制方法及装置 | |
CN113177700B (zh) | 一种风险评估方法、***、电子设备及存储介质 | |
KR20200075120A (ko) | 기업 부도 예측 시스템 및 이의 동작 방법 | |
CN110675252A (zh) | 风险评估方法、装置、电子设备及存储介质 | |
CN112861056A (zh) | 一种企业网站建设信息展示发布***及方法 | |
CN114124460A (zh) | 工控***入侵检测方法、装置、计算机设备及存储介质 | |
CN110347669A (zh) | 基于流式大数据分析的风险防范方法 | |
CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
CN113609394A (zh) | 面向信息流的安全推荐*** | |
CN117574374A (zh) | 恶意访问识别方法、设备、存储介质及装置 | |
CN115982646B (zh) | 一种基于云平台的多源测试数据的管理方法及*** | |
CN116843395A (zh) | 一种业务***的告警分级方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |