CN112561684A - 金融欺诈风险识别方法、装置、计算机设备及存储介质 - Google Patents
金融欺诈风险识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112561684A CN112561684A CN202011480182.9A CN202011480182A CN112561684A CN 112561684 A CN112561684 A CN 112561684A CN 202011480182 A CN202011480182 A CN 202011480182A CN 112561684 A CN112561684 A CN 112561684A
- Authority
- CN
- China
- Prior art keywords
- fraud risk
- loan request
- risk factor
- position information
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 230000000977 initiatory effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 29
- 238000012706 support-vector machine Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 abstract description 7
- 238000004220 aggregation Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例属于大数据领域,应用于金融风险识别领域,涉及一种金融欺诈风险识别方法、装置、计算机设备及存储介质,其中方法包括:获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。利用位置信息图谱检测是否为时空聚集性欺诈,提高了金融欺诈风险识别水平。
Description
技术领域
本申请涉及大数据技术领域,尤其涉及金融欺诈风险识别方法、装置、计算机设备及存储介质。
背景技术
反欺诈风险控制是金融业和银行业至关重要的领域,对于信贷行业来说,反欺诈风险控制是信贷公司业务流程中的重要关卡。对于无抵押信用贷款业务来说,反欺诈尤其重要,但无抵押信用贷款的反欺诈一般通过传统的身份验证流程为由人工坐席通过电话向用户去电,根据用户预留信息核查用户信息真伪。由于技术有限,无法对来电内容进行分析处理,仅能对用户姓名、身份证号码、家庭住址等简单信息进行核验,反欺诈效果差,尤其是通过虚假身份证办理业务实施欺诈的,使得信贷机构很难防范。
发明内容
本申请实施例的目的在于提出一种金融欺诈风险识别方法、装置、计算机设备及存储介质,以解决金融欺诈风险难以识别的问题
为了解决上述技术问题,本申请实施例提供一种融欺诈风险控制方法,采用了如下所述的技术方案:
获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;
根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;
根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;
将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。
进一步的,所述请求人信息包含请求人身份识别码和/或请求人人脸特征,在所述获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息的步骤之后还包括:
将所述身份识别码和/或所述人脸特征与预设的风险人员数据库中的数据比对,当所述风险人员数据库包含所述身份识别码和/或所述人脸特征时,确定所述贷款请求具有欺诈风险。
进一步的,在所述根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子的步骤之前,还包括:
获取训练样本,所述训练样本为标注有是否具有欺诈风险的N个位置图谱,N为大于0的正整数;
将所述训练样本输入到所述GNN神经网络模型中,获取所述GNN神经网络模型响应所述训练样本输出的N个预测结果;
通过损失函数比对所述N个预测结果和所述标注是否一致,其中所述损失函数为:
其中,N为训练样本数,针对第i个样本其对应的yi是标注的结果,h=(h1,h2,...,hc)为样本i的预测结果,其中C是所有分类的数量;
调整所述GNN神经网络模型中各节点的参数,至所述损失函数达到最小时结束,得到训练好的GNN神经网络模型。
进一步的,所述贷款请求包含发起所述请求的通信号码,在所述获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息的步骤之后还包括:
将所述通信号码与预设的风险号码数据库中的数据比对,当所述风险号码数据库包含所述通信号码时,确定所述贷款请求具有欺诈风险。
进一步的,在所述根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子的步骤之后还包括:
根据所述请求人信息检索预设的金融信息数据库,获取所述请求人的资产负债数据;
根据所述资产负债数据构建资产负债特征向量;
将所述资产负债特征向量输入到预先训练的SVM支持向量机模型,获取所述贷款请求的第二欺诈风险因子;
将所述第二欺诈风险因子与预设的第二阈值比较,当所述第二欺诈风险因子大于所述第二阈值时,确定所述贷款请求具有欺诈风险。
进一步的,在所述将所述资产负债特征向量输入到预先训练的SVM支持向量机模型,获取所述贷款请求的第二欺诈风险因子的步骤之后还包括:
根据所述第一欺诈风险因子和所述第二欺诈风险因子按照下述公式计算综合欺诈风险因子:
S=aR1+bR2,
S为综合欺诈风险因子,R1、R2分别为第一欺诈风险因子和第二欺诈风险因子,a、b为预设的可调参数;
将所述综合欺诈风险因子与预设的第三阈值比较,当所述综合欺诈风险因子大于所述第三阈值时,确定所述贷款请求具有欺诈风险。
进一步的,所述金融欺诈风险识别方法还包括:
将所述贷款请求存储于区块链中。
为了解决上述技术问题,本申请实施例还提供一种金融欺诈风险识别装置,采用了如下所述的技术方案:
获取模块,用于获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;
查询模块,用于根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;
计算模块,用于根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;
判断模块,用于将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。
进一步的,所述请求人信息包含请求人身份识别码和/或请求人人脸特征,所述金融欺诈风险识别装置还包括:
身份判断子模块,用于将所述身份识别码和/或所述人脸特征与预设的风险人员数据库中的数据比对,当所述风险人员数据库包含所述身份识别码和/或所述人脸特征时,确定所述贷款请求具有欺诈风险。
进一步的,所述金融欺诈风险识别装置还包括:
第一获取子模块,用于获取训练样本,所述训练样本为标注有是否具有欺诈风险的N个位置图谱,N为大于0的正整数;
第一预测子模块,用于将所述训练样本输入到所述GNN神经网络模型中,获取所述GNN神经网络模型响应所述训练样本输出的N个预测结果;
第一比较子模块,用于通过损失函数比对所述N个预测结果和所述标注是否一致,其中所述损失函数为:
其中,N为训练样本数,针对第i个样本其对应的yi是标注的结果,h=(h1,h2,...,hc)为样本i的预测结果,其中C是所有分类的数量;
第一调整子模块,用于调整所述GNN神经网络模型中各节点的参数,至所述损失函数达到最小时结束,得到训练好的GNN神经网络模型。
进一步的,所述贷款请求包含发起所述请求的通信号码,所述金融欺诈风险识别装置还包括:
号码判断子模块,用于将所述通信号码与预设的风险号码数据库中的数据比对,当所述风险号码数据库包含所述通信号码时,确定所述贷款请求具有欺诈风险。
进一步的,所述金融欺诈风险识别装置还包括:
第一检索子模块,用于根据所述请求人信息检索预设的金融信息数据库,获取所述请求人的资产负债数据;
第一构建子模块,用于根据所述资产负债数据构建资产负债特征向量;
第一计算子模块,用于将所述资产负债特征向量输入到预先训练的SVM支持向量机模型,获取所述贷款请求的第二欺诈风险因子;
第一判断子模块,用于将所述第二欺诈风险因子与预设的第二阈值比较,当所述第二欺诈风险因子大于所述第二阈值时,确定所述贷款请求具有欺诈风险。
进一步的,所述金融欺诈风险识别装置还包括:
第二计算子模块,用于根据所述第一欺诈风险因子和所述第二欺诈风险因子按照下述公式计算综合欺诈风险因子:
S=aR1+bR2,
S为综合欺诈风险因子,R1、R2分别为第一欺诈风险因子和第二欺诈风险因子,a、b为预设的可调参数;
第二判断子模块,用于将所述综合欺诈风险因子与预设的第三阈值比较,当所述综合欺诈风险因子大于所述第三阈值时,确定所述贷款请求具有欺诈风险。
进一步的,所述金融欺诈风险识别装置还包括:
存储模块,用于将所述贷款请求存储于区块链中
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,存储器中存储有计算机可读指令,处理器执行计算机可读指令时实现如上述金融欺诈风险识别方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,计算机可读存储介质上存储有计算机可读指令,计算机可读指令被处理器执行时实现如上述金融欺诈风险识别方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:通过获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。利用位置信息图谱进行模型预测,可以有效检测是否冒用他人身份,是否为时间空间聚集性欺诈,提高了金融欺诈风险识别水平。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图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是本申请可以应用于其中的示例性***架构图;
图2根据本申请的金融欺诈风险识别方法的一个实施例的流程图;
图3根据资产负债特征向量计算第二欺诈风险因子的流程图;
图4是根据本申请的金融欺诈风险识别装置的一个实施例的结构示意图;
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的金融欺诈风险识别方法一般由服务器/终 端设备执行,相应地,金融欺诈风险识别装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的金融欺诈风险识别的方法的一个实施例的流程图。所述的金融欺诈风险识别方法,包括以下步骤:
步骤S201,获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息。
在本实施例中,金融欺诈风险识别方法运行于其上的电子设备(例如图1所示的服 务器/终端设备)可以通过有线连接方式或者无线连接方式接收贷款请求。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
用户通过可交互的界面提出贷款请求,贷款请求包含请求人信息,包括请求人姓名、身份识别码等。
用户也可以通过拨打电话的方式发起贷款请求。
当用户发起贷款请求时,获取发起请求的当前位置信息,如果通过移动电子设备上的应用程序发起贷款请求,应用程序读取移动电子设备上GPS定位***定位的信息作为当前位置,如果通过移动电子设备通话功能发起贷款请求时,通过解析通话消息中的通信基站信息,获取发起请求的当前位置,通过固定电子设备发起贷款请求时,通过解析网络消息中的IP地址信息,获取发起请求的当前位置。
步骤S202,根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息。
在本实施例中,预设的图数据库用于存储请求人在LBS***中的历史信息,包括并不限于以下信息:请求人常用住址经纬度,请求人常用工作地址经纬度,请求人常驻城市等级,请求人三个月内出入银行/金融机构/保险公司/财务公司总天数,请求人三个月内出入公检法机关总天数,请求人三个月内出入工商税务机构总天数,请求人三月内工作日出入奢华酒店总天数,请求人三月内工作日出入快捷酒店总天数,请求人常用住址附近楼盘价格中位数。图数据库可以实现用户历史信息的快速查询匹配,保证检测的时效性。
基于位置服务(Location Based Services,LBS)是指围绕地理位置数据而展开的服务,其由移动终端使用无线通信网络(或卫星定位***),基于空间数据库,获取用户的地理位置坐标信息并与其他信息集成以向用户提供所需的与位置相关的增值服务。一般电信运营商提供LBS服务。根据请求人的通信号码查询LBS位置库,获取请求人的历史位置。
步骤S203,根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子。
在本实施例中,将当前位置和历史位置构建位置信息图谱,位置信息图谱包含地点、地点权重和地点之间的关系,例如地点A、B、C,地点之间的关系为A->B->C->A,地点权重为请求人到访该地点的次数或预设的地点参数,例如是否为公检法机构、是否为奢华酒店,将位置信息图谱输入到预先训练的GNN神经网络模型,获取GNN神经网络模型输出的第一欺诈风险因子。
位置信息图谱是不规则的,包含多个大小可变的无序节点,图中的每个节点都有不同数量的相邻节点,传统的深度学习神经网络模型,例如处理图像(image)的神经网络模型,基于各节点独立的前提,不适用于图谱,对于图谱来说,图谱中的每个节点与图中其他节点相关,这些信息可用于捕获实例之间的相互关系。这里采用GNN(Graph NeuralNetworks)神经网络模型,GNN是一种处理图数据的神经网络结构,基于GNN的深度学习神经网络学习图谱的拓扑结构和节点信息,进行图谱的分类、识别。GNN神经网络预先训练的过程为准备训练样本,样本包含标注了是否具有欺诈风险的位置图谱,将训练样本输入到GNN神经网络模型,调节GNN神经网络模型各节点的参数,使输出的预测结果与标注的一致。
GNN神经网络对位置信息图片进行模型预测,可以有效检测是否冒用他人身份,是否为时间空间聚集性欺诈。
步骤S204,将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。
预先训练的GNN图神经网络输出为当前输入具有欺诈风险的概率,这里称为第一欺诈风险因子,比较第一欺诈风险因子与预设的第一阈值,当第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。
本申请通过获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。利用位置信息图谱进行模型预测,可以有效检测是否冒用他人身份,是否为时间空间聚集性欺诈,提高了金融欺诈风险识别水平。
在本实施例的一些可选的实现方式中,所述请求人信息包含请求人身份识别码和/或请求人人脸特征,在步骤S201之后,上述电子设备还可以执行以下步骤:
将所述身份识别码和/或所述人脸特征与预设的风险人员数据库中的数据比对,当所述风险人员数据库包含所述身份识别码和/或所述人脸特征时,确定所述贷款请求具有欺诈风险。
请求人信息包含请求人的身份识别码,身份识别码可以为身份证号、护照号等,预设风险人员数据库中的数据可以包括各金融机构的黑名单,已经被征信机构列为失信人的名单,将请求人的身份识别码与风险人员数据库中的数据进行比对,如果请求人的身份识别码在预设的风险人员数据库中,确定此次贷款请求具有欺诈风险。
本申请通过比较身份识别码与预设的风险人员数据库中的数据,确定贷款请求是否具有欺诈风险,由于预设的风险人员数据库中的数据是已经验证过的失信人员名单,所以据此判断是否有欺诈风险更准确。
在用户请求贷款时,通过摄像头拍摄请求人的人脸图像,并对人脸图像进行特征提取,特征提取可采用多种提取算法,例如方向梯度直方图算法,LBP(局部二值算法);LBP算法的基本原理为:定义LBP算子,LBP算在定义为在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该窗口中心像素点的LBP值,并用这个值来反映该区域的纹理信息。
通过相似性度量函数来判断请求人的人脸特征是否与预设的风险人员数据库中的数据一致,相似性度量函数可以采用欧式距离:
其中,x为所述请求人的人脸特征向量,y为所述风险人员数据库中的数据。
预设的风险人员数据库中的数据为已经验证为失信人的人脸特征。通过将请求人的人脸特征与已经验证为失信人的人脸特征比对,判断是否有欺诈风险更准确。
在一些可选的实现方式中,在步骤S203之前,还包括:
获取训练样本,所述训练样本为标注有是否具有欺诈风险的N个位置图谱,N为大于0的正整数;
将所述训练样本输入到所述GNN神经网络模型中,获取所述GNN神经网络模型响应所述训练样本输出的N个预测结果;
通过损失函数比对所述N个预测结果和所述标注是否一致,其中所述损失函数为:
其中,N为训练样本数,针对第i个样本其对应的yi是标注的结果,h=(h1,h2,...,hc)为样本i的预测结果,其中C是所有分类的数量;
调整所述GNN神经网络模型中各节点的参数,至所述损失函数达到最小时结束,得到训练好的GNN神经网络模型。
GNN(Graph Neural Networks)神经网络模型,GNN是一种处理图数据的神经网络结构,基于GNN的深度学习神经网络学习图谱的拓扑结构和节点信息,进行图谱的分类、识别。GNN神经网络预先训练的过程为准备训练样本,样本包含标注了是否具有欺诈风险的位置图谱,将训练样本输入到GNN神经网络模型,调节GNN神经网络模型各节点的参数,使输出的预测结果与标注的一致。
在一些可选的实现方式中,所述贷款请求包含发起所述请求的通信号码,在步骤S201之后,上述电子设备还可以执行以下步骤:
将所述通信号码与预设的风险号码数据库中的数据比对,当所述风险号码数据库包含所述通信号码时,确定所述贷款请求具有欺诈风险。
如果贷款请求是用户拨打电话发起的,或用户在可交互的界面输入了联系电话号码,接收发起所述请求的通信号码,将通信号码与预设的的风险号码数据库中的数据比对,如果通信号码与预设的风险号码库中的数据其中之一一致,确定此次贷款请求具有欺诈风险。
预设的风险号码数据库中的数据为已经验证过的高欺诈风险的通信号码,通过将发起请求的通信号码与已经验证过的高欺诈风险的通信号码相比较,判断此次请求是否具有欺诈风险更准确。
在一些可选的实现方式中,在步骤S203之后,上述电子设备还可以执行以下步骤:
步骤S301,根据所述请求人信息检索预设的金融信息数据库,获取所述请求人的资产负债数据;
步骤S302,根据所述资产负债数据构建资产负债特征向量;
步骤S303,将所述资产负债特征向量输入到预先训练的SVM支持向量机模型,获取所述贷款请求的第二欺诈风险因子;
步骤S304,将所述第二欺诈风险因子与预设的第二阈值比较,当所述第二欺诈风险因子大于所述第二阈值时,确定所述贷款请求具有欺诈风险。
根据请求人的身份识别码检索预设的金融信息数据库,预设的金融信息数据库预存了请求人的资产负债数据。资产负债数据包括历史收入、历史支出、历史借贷、存款、负债等,根据资产负债数据构建多维向量,作为资产负债特征向量。
本申请实施例中,预先训练的SVM支持向量机模型,将请求人的资产负债特征向量输入到预先训练的SVM支持向量机模型中,获取此次贷款请求的第二欺诈风险因子。SVM解决高维空间的数据分类问题。预先对SVM进行训练,准备训练数据集,得到分离超平面和分类决策函数,SVM的训练可以通过Matlab的SVM工具箱,或python框架下的SciKit Learn实现。
在一些可选的实现方式中,在步骤S303之后,上述电子设备还可以执行以下步骤:
根据所述第一欺诈风险因子和所述第二欺诈风险因子按照下述公式计算综合欺诈风险因子:
S=aR1+bR2,
S为综合欺诈风险因子,R1、R2分别为第一欺诈风险因子和第二欺诈风险因子,a、b为预设的可调参数;
将所述综合欺诈风险因子与预设的第三阈值比较,当所述综合欺诈风险因子大于所述第三阈值时,确定所述贷款请求具有欺诈风险。
综合风险因子的计算可以采用加权求和的算法:
S=aR1+bR2,S为综合欺诈风险因子,R1、R2分别为第一欺诈风险因子和第二欺诈风险因子,a、b为预设的可调参数。
综合欺诈风险因子,综合体现了地理位置异常和资产负债情况异常,使金融风险能被更全面准确的识别。
在一些可选的实现方式中,上述电子设备还可以执行以下步骤:
将所述贷款请求存储于区块链中。
需要强调的是,为进一步保证上述贷款请求信息的私密和安全性,上述房产图片验证请求信息还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种金融欺诈风险识别装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的金融欺诈风险识别装置400包括:获取模块401、查询模块402、计算模块403以及判断模块404。其中:
获取模块401,用于获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;
查询模块402,用于根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;
计算模块403,用于根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;
判断模块404,用于将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。
在本实施例中,通过获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。利用位置信息图谱进行模型预测,可以有效检测是否冒用他人身份,是否为时间空间聚集性欺诈,提高了金融欺诈风险识别水平。
在本实施例的一些可选的实现方式中,所述请求人信息包含请求人身份识别码和/或请求人人脸特征,所述金融欺诈风险识别装置还包括:
身份判断子模块,用于将所述身份识别码和/或所述人脸特征与预设的风险人员数据库中的数据比对,当所述风险人员数据库包含所述身份识别码和/或所述人脸特征时,确定所述贷款请求具有欺诈风险。
在本实施例的一些可选实施方式中,所述金融欺诈风险识别装置还包括:
第一获取子模块,用于获取训练样本,所述训练样本为标注有是否具有欺诈风险的N个位置图谱,N为大于0的正整数;
第一预测子模块,用于将所述训练样本输入到所述GNN神经网络模型中,获取所述GNN神经网络模型响应所述训练样本输出的N个预测结果;
第一比较子模块,用于通过损失函数比对所述N个预测结果和所述标注是否一致,其中所述损失函数为:
其中,N为训练样本数,针对第i个样本其对应的yi是标注的结果,h=(h1,h2,...,hc)为样本i的预测结果,其中C是所有分类的数量;
第一调整子模块,用于调整所述GNN神经网络模型中各节点的参数,至所述损失函数达到最小时结束,得到训练好的GNN神经网络模型。
在本实施例的一些可选的实现方式中,所述贷款请求包含发起所述请求的通信号码,所述金融欺诈风险识别装置还包括:
号码判断子模块,用于将所述通信号码与预设的风险号码数据库中的数据比对,当所述风险号码数据库包含所述通信号码时,确定所述贷款请求具有欺诈风险。
在本实施例的一些可选的实现方式中,所述金融欺诈风险识别装置还包括:
第一检索子模块,用于根据所述请求人信息检索预设的金融信息数据库,获取所述请求人的资产负债数据;
第一构建子模块,用于根据所述资产负债数据构建资产负债特征向量;
第一计算子模块,用于将所述资产负债特征向量输入到预先训练的SVM支持向量机模型,获取所述贷款请求的第二欺诈风险因子;
第一判断子模块,用于将所述第二欺诈风险因子与预设的第二阈值比较,当所述第二欺诈风险因子大于所述第二阈值时,确定所述贷款请求具有欺诈风险。
在本实施例的一些可选的实现方式中,所述预设金融风险预测模型基于SVM支持向量机算法。
在本实施例的一些可选的实现方式中,所述金融欺诈风险识别装置还包括:
第二计算子模块,用于根据所述第一欺诈风险因子和所述第二欺诈风险因子按照下述公式计算综合欺诈风险因子:
S=aR1+bR2,
S为综合欺诈风险因子,R1、R2分别为第一欺诈风险因子和第二欺诈风险因子,a、b为预设的可调参数;
第二判断子模块,用于将所述综合欺诈风险因子与预设的第三阈值比较,当所述综合欺诈风险因子大于所述第三阈值时,确定所述贷款请求具有欺诈风险。
在本实施例的一些可选的实现方式中,所述金融欺诈风险识别装置还包括:
存储模块,用于将所述贷款请求存储于区块链中。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图5,图5为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过***总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是,图中仅示出了具有组件51-53的计算机设备5,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器51可以是所述计算机设备5的内部存储单元,例如该计算机设备5的硬盘或内存。在另一些实施例中,所述存储器51也可以是所述计算机设备5的外部存储设备,例如该计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中,所述存储器51通常用于存储安装于所述计算机设备5的操作***和各类应用软件,例如金融欺诈风险识别方法的计算机可读指令等。此外,所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中,所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据,例如运行所述金融欺诈风险识别方法的计算机可读指令。
所述网络接口53可包括无线网络接口或有线网络接口,该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
通过获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。利用位置信息图谱进行模型预测,可以有效检测是否冒用他人身份,是否为时间空间聚集性欺诈,提高了金融欺诈风险识别水平。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的金融欺诈风险识别方法的步骤。
通过获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。利用位置信息图谱进行模型预测,可以有效检测是否冒用他人身份,是否为时间空间聚集性欺诈,提高了金融欺诈风险识别水平。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种金融欺诈风险识别方法,其特征在于,包括下述步骤:
获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;
根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;
根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;
将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。
2.根据权利要求1所述的金融欺诈风险识别方法,其特征在于,所述请求人信息包含请求人身份识别码和/或请求人人脸特征,在所述获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息的步骤之后还包括:
将所述身份识别码和/或所述人脸特征与预设的风险人员数据库中的数据比对,当所述风险人员数据库包含所述身份识别码和/或所述人脸特征时,确定所述贷款请求具有欺诈风险。
3.根据权利要求1所述的金融欺诈风险识别方法,其特征在于,在所述根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子的步骤之前,还包括:
获取训练样本,所述训练样本为标注有是否具有欺诈风险的N个位置图谱,N为大于0的正整数;
将所述训练样本输入到所述GNN神经网络模型中,获取所述GNN神经网络模型响应所述训练样本输出的N个预测结果;
通过损失函数比对所述N个预测结果和所述标注是否一致,其中所述损失函数为:
其中,N为训练样本数,针对第i个样本其对应的yi是标注的结果,h=(h1,h2,...,hc)为样本i的预测结果,其中C是所有分类的数量;
调整所述GNN神经网络模型中各节点的参数,至所述损失函数达到最小时结束,得到训练好的GNN神经网络模型。
4.根据权利要求1所述的金融欺诈风险识别方法,其特征在于,所述贷款请求包含发起所述请求的通信号码,在所述获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息的步骤之后还包括:
将所述通信号码与预设的风险号码数据库中的数据比对,当所述风险号码数据库包含所述通信号码时,确定所述贷款请求具有欺诈风险。
5.根据权利要求1所述的金融欺诈风险识别方法,其特征在于,在所述根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子的步骤之后还包括:
根据所述请求人信息检索预设的金融信息数据库,获取所述请求人的资产负债数据;
根据所述资产负债数据构建资产负债特征向量;
将所述资产负债特征向量输入到预先训练的SVM支持向量机模型,获取所述贷款请求的第二欺诈风险因子;
将所述第二欺诈风险因子与预设的第二阈值比较,当所述第二欺诈风险因子大于所述第二阈值时,确定所述贷款请求具有欺诈风险。
6.根据权利要求5所述的金融欺诈风险识别方法,其特征在于,在所述将所述资产负债特征向量输入到预先训练的SVM支持向量机模型,获取所述贷款请求的第二欺诈风险因子的步骤之后还包括:
根据所述第一欺诈风险因子和所述第二欺诈风险因子按照下述公式计算综合欺诈风险因子:
S=aR1+bR2,
S为综合欺诈风险因子,R1、R2分别为第一欺诈风险因子和第二欺诈风险因子,a、b为预设的可调参数,a、b为预设的可调参数;
将所述综合欺诈风险因子与预设的第三阈值比较,当所述综合欺诈风险因子大于所述第三阈值时,确定所述贷款请求具有欺诈风险。
7.根据权利要求1所述的金融欺诈风险识别方法,其特征在于,还包括:
将所述贷款请求存储于区块链中。
8.一种金融欺诈风险识别装置,其特征在于,包括:
获取模块,用于获取贷款请求,所述贷款请求包含请求人信息和发起所述贷款请求的当前位置信息;
查询模块,用于根据所述请求人信息查询预设的图数据库,获得所述请求人的历史位置信息;
计算模块,用于根据所述当前位置信息和所述历史位置信息构建位置信息图谱,将所述位置信息图谱输入到预先训练的GNN神经网络模型,获取所述贷款请求的第一欺诈风险因子;
判断模块,用于将所述第一欺诈风险因子与预设的第一阈值比较,当所述第一欺诈风险因子大于所述第一阈值时,确定所述贷款请求具有欺诈风险。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的金融欺诈风险识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的金融欺诈风险识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480182.9A CN112561684B (zh) | 2020-12-15 | 2020-12-15 | 金融欺诈风险识别方法、装置、计算机设备及存储介质 |
PCT/CN2021/090412 WO2022126970A1 (zh) | 2020-12-15 | 2021-04-28 | 金融欺诈风险识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011480182.9A CN112561684B (zh) | 2020-12-15 | 2020-12-15 | 金融欺诈风险识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561684A true CN112561684A (zh) | 2021-03-26 |
CN112561684B CN112561684B (zh) | 2024-03-19 |
Family
ID=75063839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011480182.9A Active CN112561684B (zh) | 2020-12-15 | 2020-12-15 | 金融欺诈风险识别方法、装置、计算机设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112561684B (zh) |
WO (1) | WO2022126970A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052711A (zh) * | 2021-05-31 | 2021-06-29 | 国任财产保险股份有限公司 | 基于区块链的保险保全风险控制方法和装置 |
CN113283978A (zh) * | 2021-05-06 | 2021-08-20 | 北京思图场景数据科技服务有限公司 | 基于生物基础与行为特征及业务特征的金融风险评估方法 |
CN113362137A (zh) * | 2021-06-11 | 2021-09-07 | 北京十一贝科技有限公司 | 保险产品推荐方法、装置、终端设备及存储介质 |
CN113706291A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 欺诈风险预测方法、装置、设备及存储介质 |
WO2022126970A1 (zh) * | 2020-12-15 | 2022-06-23 | 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 |
CN114861746A (zh) * | 2021-12-15 | 2022-08-05 | 平安科技(深圳)有限公司 | 基于大数据的反欺诈识别方法、装置及相关设备 |
CN115022014A (zh) * | 2022-05-30 | 2022-09-06 | 平安银行股份有限公司 | 登录风险识别方法、装置、设备及存储介质 |
CN117132392A (zh) * | 2023-10-23 | 2023-11-28 | 蓝色火焰科技成都有限公司 | 车辆贷款欺诈风险预警方法及*** |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308762B (zh) * | 2023-05-19 | 2023-08-11 | 杭州钱袋数字科技有限公司 | 一种基于人工智能的可信度评估及授信处理方法 |
CN116578877B (zh) * | 2023-07-14 | 2023-12-26 | 之江实验室 | 一种模型训练及二次优化打标的风险识别的方法及装置 |
CN117132391A (zh) * | 2023-10-16 | 2023-11-28 | 杭银消费金融股份有限公司 | 一种基于人机交互的授信审批方法与*** |
CN117112808B (zh) * | 2023-10-24 | 2024-01-19 | 中国标准化研究院 | 一种信用失信主体的信息知识图谱构建方法 |
CN117911139A (zh) * | 2024-01-18 | 2024-04-19 | 广州西米科技有限公司 | 一种基于用户关系网的金融风险控制方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030093366A1 (en) * | 2001-11-13 | 2003-05-15 | Halper Steven C. | Automated loan risk assessment system and method |
CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
CN109191281A (zh) * | 2018-08-21 | 2019-01-11 | 重庆富民银行股份有限公司 | 一种基于知识图谱的团体欺诈识别*** |
CN110363449A (zh) * | 2019-07-25 | 2019-10-22 | 中国工商银行股份有限公司 | 一种风险识别方法、装置及*** |
CN110689423A (zh) * | 2019-08-22 | 2020-01-14 | 平安科技(深圳)有限公司 | 一种信用评估的方法及装置 |
CN110930246A (zh) * | 2019-12-04 | 2020-03-27 | 深圳市新国都金服技术有限公司 | 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 |
CN111275546A (zh) * | 2020-02-24 | 2020-06-12 | 中国工商银行股份有限公司 | 金融客户欺诈风险识别方法及装置 |
CN111368738A (zh) * | 2020-03-05 | 2020-07-03 | 苏宁金融科技(南京)有限公司 | 一种骗贷风险识别方法、***及设备 |
WO2020211388A1 (zh) * | 2019-04-16 | 2020-10-22 | 深圳壹账通智能科技有限公司 | 基于预测模型的行为预测方法、装置、设备及存储介质 |
CN112053222A (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 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180033009A1 (en) * | 2016-07-27 | 2018-02-01 | Intuit Inc. | Method and system for facilitating the identification and prevention of potentially fraudulent activity in a financial system |
CN108960304B (zh) * | 2018-06-20 | 2022-07-15 | 东华大学 | 一种网络交易欺诈行为的深度学习检测方法 |
CN110875834A (zh) * | 2018-08-31 | 2020-03-10 | 马上消费金融股份有限公司 | 一种风控模型的创建方法、风控评估方法及相关装置 |
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 |
-
2020
- 2020-12-15 CN CN202011480182.9A patent/CN112561684B/zh active Active
-
2021
- 2021-04-28 WO PCT/CN2021/090412 patent/WO2022126970A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030093366A1 (en) * | 2001-11-13 | 2003-05-15 | Halper Steven C. | Automated loan risk assessment system and method |
CN107945024A (zh) * | 2017-12-12 | 2018-04-20 | 厦门市美亚柏科信息股份有限公司 | 识别互联网金融借贷企业经营异常的方法、终端设备及存储介质 |
CN109191281A (zh) * | 2018-08-21 | 2019-01-11 | 重庆富民银行股份有限公司 | 一种基于知识图谱的团体欺诈识别*** |
WO2020211388A1 (zh) * | 2019-04-16 | 2020-10-22 | 深圳壹账通智能科技有限公司 | 基于预测模型的行为预测方法、装置、设备及存储介质 |
CN110363449A (zh) * | 2019-07-25 | 2019-10-22 | 中国工商银行股份有限公司 | 一种风险识别方法、装置及*** |
CN110689423A (zh) * | 2019-08-22 | 2020-01-14 | 平安科技(深圳)有限公司 | 一种信用评估的方法及装置 |
CN110930246A (zh) * | 2019-12-04 | 2020-03-27 | 深圳市新国都金服技术有限公司 | 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 |
CN111275546A (zh) * | 2020-02-24 | 2020-06-12 | 中国工商银行股份有限公司 | 金融客户欺诈风险识别方法及装置 |
CN111368738A (zh) * | 2020-03-05 | 2020-07-03 | 苏宁金融科技(南京)有限公司 | 一种骗贷风险识别方法、***及设备 |
CN112053222A (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 |
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 |
Non-Patent Citations (1)
Title |
---|
邢巍;余锦河;曹肖悦;江帆;: "基于数据分析的业务风险防控研究", 现代商业, no. 09, 28 March 2020 (2020-03-28), pages 16 - 19 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022126970A1 (zh) * | 2020-12-15 | 2022-06-23 | 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 |
CN113283978A (zh) * | 2021-05-06 | 2021-08-20 | 北京思图场景数据科技服务有限公司 | 基于生物基础与行为特征及业务特征的金融风险评估方法 |
CN113283978B (zh) * | 2021-05-06 | 2024-05-10 | 北京思图场景数据科技服务有限公司 | 基于生物基础与行为特征及业务特征的金融风险评估方法 |
CN113052711A (zh) * | 2021-05-31 | 2021-06-29 | 国任财产保险股份有限公司 | 基于区块链的保险保全风险控制方法和装置 |
CN113362137A (zh) * | 2021-06-11 | 2021-09-07 | 北京十一贝科技有限公司 | 保险产品推荐方法、装置、终端设备及存储介质 |
CN113362137B (zh) * | 2021-06-11 | 2024-04-05 | 北京十一贝科技有限公司 | 保险产品推荐方法、装置、终端设备及存储介质 |
CN113706291A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 欺诈风险预测方法、装置、设备及存储介质 |
CN114861746A (zh) * | 2021-12-15 | 2022-08-05 | 平安科技(深圳)有限公司 | 基于大数据的反欺诈识别方法、装置及相关设备 |
CN115022014A (zh) * | 2022-05-30 | 2022-09-06 | 平安银行股份有限公司 | 登录风险识别方法、装置、设备及存储介质 |
CN117132392A (zh) * | 2023-10-23 | 2023-11-28 | 蓝色火焰科技成都有限公司 | 车辆贷款欺诈风险预警方法及*** |
CN117132392B (zh) * | 2023-10-23 | 2024-01-30 | 蓝色火焰科技成都有限公司 | 车辆贷款欺诈风险预警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112561684B (zh) | 2024-03-19 |
WO2022126970A1 (zh) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561684B (zh) | 金融欺诈风险识别方法、装置、计算机设备及存储介质 | |
WO2022134584A1 (zh) | 房产图片验证方法、装置、计算机设备及存储介质 | |
CN112101437A (zh) | 基于图像检测的细粒度分类模型处理方法、及其相关设备 | |
CN112330331A (zh) | 基于人脸识别的身份验证方法、装置、设备及存储介质 | |
CN112699297A (zh) | 基于用户画像的服务推荐方法、装置、设备及存储介质 | |
CN112395390B (zh) | 意图识别模型的训练语料生成方法及其相关设备 | |
CN111414888A (zh) | 低分辨率人脸识别方法、***、装置及存储介质 | |
CN111881777B (zh) | 一种视频处理方法和装置 | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN113220734A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
CN112016502B (zh) | 安全带检测方法、装置、计算机设备及存储介质 | |
CN113673519A (zh) | 基于文字检测模型的文字识别方法及其相关设备 | |
CN114663871A (zh) | 图像识别方法、训练方法、装置、***及存储介质 | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN113705534A (zh) | 基于深度视觉的行为预测方法、装置、设备及存储介质 | |
CN115578735A (zh) | 文本检测方法和文本检测模型的训练方法、装置 | |
CN112651399B (zh) | 检测倾斜图像中同行文字的方法及其相关设备 | |
CN114861241A (zh) | 基于智能检测的防窥屏方法及其相关设备 | |
CN114386013A (zh) | 学籍自动认证方法、装置、计算机设备及存储介质 | |
CN112750038B (zh) | 交易风险的确定方法、装置和服务器 | |
CN112507141B (zh) | 调查任务生成方法、装置、计算机设备及存储介质 | |
CN112396060A (zh) | 基于身份证分割模型的身份证识别方法及其相关设备 | |
CN112419257A (zh) | 文本录制视频清晰度检测方法、装置、计算机设备及存储介质 | |
CN112396048A (zh) | 图片信息提取方法、装置、计算机设备及存储介质 | |
CN111709851A (zh) | 基于rfid及面部识别的酒店安全入住的方法、装置及设备 |
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 |