CN113724073A - 一种风险识别和控制方法及装置 - Google Patents
一种风险识别和控制方法及装置 Download PDFInfo
- Publication number
- CN113724073A CN113724073A CN202111056848.2A CN202111056848A CN113724073A CN 113724073 A CN113724073 A CN 113724073A CN 202111056848 A CN202111056848 A CN 202111056848A CN 113724073 A CN113724073 A CN 113724073A
- Authority
- CN
- China
- Prior art keywords
- risk
- network
- instance
- nodes
- determining
- 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 47
- 230000000694 effects Effects 0.000 claims abstract description 151
- 230000006399 behavior Effects 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Security & Cryptography (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供了一种风险识别和控制方法及其装置,该方法包括:获取第一网络活动涉及的多个业务对象、以及业务对象之间的业务关系;根据业务对象和业务关系,更新第一元网络实例,其中,所述第一元网络实例根据预定的若干元结构模版中的第一元结构模板生成;提取第一元网络实例的实例特征;至少根据实例特征,确定第一元网络实例的风险类型。
Description
技术领域
本说明书一个或多个实施例涉及数字安全和风险防控领域,尤其涉及一种风险识别和控制方法及装置。
背景技术
近年来,很多互联网业务企业或平台的业务活动,依赖于用户之间或用户与组织/机构之间的关联和交互事件,例如,用户之间的推荐,用户与商户的支付事件,优惠券核销事件,等等。但是这些业务活动在为用户提供服务的同时,也为不法产业利用不合规手段获取不法收入提供了土壤,导致用户的服务受到影响,业务平台的稳定性下降。面对这个问题,一些企业和平台启用了技术手段来识别和防范这类不合法/不合规活动。但是,在企业与不法产业的对抗过程中,不法产业链也在一定程度上进行不断升级,其手段呈现从个体手段向群体手段,从聚集性的显性手法向分散性的隐性手法发展的趋势,这给企业和平台的风险防控带来巨大挑战。
因此,需要一种新的风险识别和控制方法。
发明内容
本说明书中的实施例旨在提供对于业务活动中的风险因素更有效的识别和控制方法,解决现有技术中的不足。
根据第一方面,提供了一种风险识别和控制方法,包括:
获取第一网络活动涉及的多个业务对象、以及所述业务对象之间的业务关系;
根据所述业务对象和所述业务关系,更新第一元网络实例,其中,所述第一元网络实例根据预定的若干元结构模版中的第一元结构模板生成;
提取第一元网络实例的实例特征;
至少根据所述实例特征,确定第一元网络实例的风险类型。
在一个实施例中,所述方法还包括,在根据所述业务对象和所述业务关系,更新第一元网络实例之前,
根据所述第一网络活动的第一活动模式,从所述预定的若干元结构模版中确定出第一元结构模版,所述第一元结构模板支持若干活动模式,所述若干活动模式包括所述第一活动模式;
根据第一元结构模版,生成第一元网络实例。
在一个实施例中,所述方法还包括,
根据所述风险类型,确定针对所述业务对象和/或其业务行为的管控动作。
在一个实施例中,所述第一元结构模版中的网络节点类型包括:群组节点和成员节点;
网络节点之间的关系包括:群组内群组至成员、群组内成员至群组、群组间成员至成员、群组间成员至群组、群组至群组中的一种或多种。
在一个实施例中,所述实例特征包括,网络节点数量、各节点的风险特征,所述风险特征包括,在预设的多种个体风险种类中,该节点所具有的个体风险种类对应的风险标签。
在一个实施例中,所述更新第一元网络实例,包括以下中至少一项:
根据所述多个业务对象,在所述第一元网络实例中添加节点;
根据所述业务关系,更新所述第一元网络实例中的连接边;
更新第一元网络实例中的节点的风险特征。
在一个实施例中,所述实例特征还包括风险一致性,其中,所述风险一致性用于指示第一元网络实例中,具有特定风险标签的节点在所有节点中的比例。
在一个实施例中,所述风险一致性包括,单风险一致性和/或多风险一致性,其中,所述单风险一致性,用于指示第一元网络实例中,具有单个风险标签的节点在所有节点中所占比例,所述多风险一致性,用于指示第一元网络实例中,具有指定的多个风险标签的节点在所有节点中所占比例。
在一个实施例中,至少根据所述实例特征,确定第一元网络实例的风险类型,包括:根据第一元网络实例中的节点和连接边、以及所述实例特征,确定第一元网络实例的风险类型。
在一个实施例中,确定第一元网络的风险类型包括:
基于预先训练好的风险检测模型,确定所述第一元网络实例的风险类型。
在一个实施例中,确定所述第一元网络实例的风险类型,包括,确定所述第一元网络实例对于预设的多种备选风险类型的概率分布。
在一个实施例中,所述方法还包括,
至少根据所述实例特征,确定第一元网络实例的风险级别;
根据第一元网络实例的风险类型和风险级别,确定针对所述业务对象和/或其业务行为的管控动作。
在一个实施例中,至少根据所述实例特征,确定第一元网络实例的风险级别,包括:
至少根据所述实例特征,确定预定判断指标的指标值;
根据所述指标值,确定第一元网络实例的风险级别。
在一个实施例中,所述实例特征包括网络节点数量、各节点的风险特征,所述风险特征包括,在预设的多种个体风险种类中,该节点所具有的个体风险种类对应的风险标签;
所述预定判断指标包括以下中的至少一个:网络规模、风险浓度、风险一致性;
所述至少根据所述实例特征,确定预定判断指标的指标值,包括以下中至少一项:
根据所述网络节点数量,确定第一元网络实例的网络规模;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中具有指定风险标签的节点在所有节点中所占比例,进而确定第一元网络实例的风险浓度;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中,具有单个风险标签和/或指定的多个风险标签的节点在所有节点中所占比例,进而确定单风险一致性和/或多风险一致性,归入所述风险一致性。
根据第二方面,提供一种风险识别和控制装置,所述装置包括:
业务对象获取单元,配置为,获取第一网络活动涉及的多个业务对象、以及所述业务对象之间的业务关系;
网络实例更新单元,配置为,根据所述业务对象和所述业务关系,更新第一元网络实例,其中,所述第一元网络实例根据预定的若干元结构模版中的第一元结构模板生成;
特征提取单元,配置为,提取第一元网络实例的实例特征;
风险类型确定单元,配置为,至少根据所述实例特征,确定第一元网络实例的风险类型。
在一个实施例中,所述装置还包括,
模版确定单元,配置为,根据所述第一网络活动的第一活动模式,从所述预定的若干元结构模版中确定出第一元结构模版,所述第一元结构模板支持若干活动模式,所述若干活动模式包括所述第一活动模式;
网络实例生成单元,配置为,根据第一元结构模版,生成第一元网络实例。
在一个实施例中,风险类型确定单元进一步配置为,根据第一元网络实例中的节点和连接边、以及所述实例特征,确定第一元网络实例的风险类型。
在一个实施例中,风险类型确定单元进一步配置为,基于预先训练好的风险检测模型,确定所述第一元网络实例的风险类型。
在一个实施例中,所述装置还包括,
风险级别确定单元,配置为,至少根据所述实例特征,确定第一元网络实例的风险级别;
管控动作确定单元,配置为,根据第一元网络实例的风险类型和风险级别,确定针对所述业务对象和/或其业务行为的管控动作。
在一个实施例中,风险级别确定单元,进一步配置为:
至少根据所述实例特征,确定预定判断指标的指标值;
根据所述指标值,确定第一元网络实例的风险级别。
在一个实施例中,所述实例特征包括网络节点数量、各节点的风险特征,所述风险特征包括,在预设的多种个体风险种类中,该节点所具有的个体风险种类对应的风险标签;
所述预定判断指标包括以下中的至少一个:网络规模、风险浓度、风险一致性;
所述至少根据所述实例特征,确定预定判断指标的指标值,包括以下中至少一项:
根据所述网络节点数量,确定第一元网络实例的网络规模;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中具有指定风险标签的节点在所有节点中所占比例,进而确定第一元网络实例的风险浓度;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中,具有单个风险标签和/或指定的多个风险标签的节点在所有节点中所占比例,进而确定单风险一致性和/或多风险一致性,归入所述风险一致性。
根据第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面所述的方法。
根据第四方面,提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面所述的方法。
利用以上各个方面中的方法、装置、计算设备、存储介质中的一个或多个,可以有效地提高对于业务活动中存在的分散性、群体性风险行为的识别能力,以及提高对于该种风险行为的控制能力,降低由于该种风险行为造成的损失。
附图说明
为了更清楚说明本发明实施例的技术方案,下面将对实施例描述中所需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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出根据本说明书实施例的一种风险识别和控制方法的原理示意图;
图2示出根据本说明书实施例的一种风险识别和控制方法的流程图;
图3示出根据本说明书实施例的第一模板对应的网络结构示意图;
图4示出根据本说明书实施例的第二、第三模板对应的网络结构示意图;
图5示出根据本说明书实施例的一种风险识别和控制装置的结构图。
具体实施方式
下面将结合附图,对本发明书提供的方案进行描述。
近年来,很多互联网企业或平台,投入营销资金开展各类例如以扩大用户量、促进用户活跃度为目的的平台营销活动,这些活动在推动业务发展的同时,也为不法产业开展不法活动提供了天然的土壤。同时,在企业与不法产业的对抗过程中,不法产业链也得到升级,其活动模式从以个体模式参与向以群体模式参与发展,其不合法手段从业余手段向分工明确、各司其职的专业化手段发展,从聚集性的显性手段向分散性的隐性手段发展,这给企业/平台的风险防控带来巨大挑战,导致企业的营销资金流入不法产业手中,无法充分发挥其作用。还可能导致企业被动的推出更多营销活动,或者降低用户准入门槛,但是这样却给不法活动提供了更大的空间。
一些企业为了解决这个问题,在营销活动的运作方式上做出更多的创新,持续推出大量不同运作方式的营销活动。为了监控这些营销活动,并识别其中出现的不合法行为风险,现有的一些技术方案,主要基于业务对象之间例如为资金关系、介质关系的通用关系,生成关系网络,从中识别可能出现的不法对象团伙。由于此类方案依据的资金关系、介质关系之类的通用关系,在所有的业务活动中通常均广泛存在,因此这些方案的通用性强,其相应的识别***具有一次构建可多次、多处使用的优点。但是,此类方案也存在如下问题。除了其构建成本(例如包括存储成本、计算成本)通常比较高,且需耗费较长建设周期外,更重要的是,通用方案依赖的通用关系类型较少、灵活性差,难以适应不同业务的多样性需求。或者说,通用方案缺乏业务针对性,其脱离业务规则的、单纯依赖通用关系数据的识别效果较差,其识别结果的可解释性通常也比较差。
另一类技术方案则主要基于不同的具体业务活动的业务关系和数据,针对性生成关系网络,从中识别可能出现的不法对象团伙。与上一类技术方案相比,这类方案由于针对不同活动的具体业务活动规则针对性构建关系网络,因此其与对应的业务活动匹配性好,便于从具体业务活动的关系网络中识别不法团伙。但是这类方案中的关系网络相当于根据具体业务活动定制,因此其通用性很差,对于其他的业务活动没有适应性。造成针对某种业务活动的识别网络在建设后,在该业务活动结束后即失去价值,因而造成建构成本的浪费。而对每种业务活动都进行针对性建构的累积时间和人工成本也呈不断增加。更重要的是,由于业务活动通常时效性很强,对每种业务活动进行针对性建构在时间上的紧迫性常比较高,对于建构人员的压力比较大。而在业务活动有限的上线时期之内,由于针对性建构必然消耗的时间造成的空窗期,则可能影响对于业务活动的及时监控。
本说明书实施例提供了一种风险识别和控制方法。通过对于各种业务活动的实施方式的研究,发明人认为,尽管各种业务活动的具体实施方式***,依然可以从中抽象出一些具有共性的运作思路,例如组队模式、人传人模式等。针对这些抽象模式,可以分别定义出不同的元网络结构模版,每一种元网络结构模版中对应的定义一种抽象网络模式的网络结构特性。从而利用每种元网络结构模版可以进行多个不同的业务推广活动的风险识别,只要这些业务推广活动中的业务对象和关系构成的网络,可以匹配该元网络结构模版的特性定义。
元网络结构模版,在本说明书中也称之为半结构化网络模板。该模板并非如上述第二类方案,完全针对每个具体业务推广活动的业务对象及其关系而定义。而是根据多种业务活动,抽象和定义出一种更泛化的网络结构,进而依据这种网络结构,进行多个业务活动的风险识别。因此,相对于上述第二类方案,这种方案可以处理多种业务活动,其通用性和处理时效性更好;且,这种元网络结构模版可以多次使用,减少了风险识别***的建构成本。相对于上述第一类方案,由于这种网络元结构模板来自于对于多种业务活动的业务对象及其关系的共性的抽象,因此其不仅可以适配多种业务活动,且其中包括了与真实的业务活动规则相关的网络特征,而不是如上述第一类方案中完全不考虑具体的业务活动的规则因素。因此,基于这种元网络结构模版进行的风险识别,对于其适配的业务活动,比上述第一类方案的识别效果更好。
图1示出根据本说明书实施例的一种风险识别和控制方法的原理示意图。如图1所示,首先,可以预先根据大量业务活动,抽象和定义例如M个元网络结构模板,分别为第一至第M模板。当需要处理各种业务活动时,对于其中一个具体的业务活动,可以根据其具体活动规则或活动模式,为其匹配一种元网络结构模板。例如,M个元网络结构模板中包括第一模板,本说明书中也称之为战队模板。该模板可以用于为业务规则具有如下性质的业务活动构建业务网络,即这些业务活动中具有一类或多类群组参与者,以及与这些群组参与者具有关联的成员参与者,这些群组和成员、群组和群组、成员与成员之间可以具有不同具体的关系。图3示出根据本说明书实施例的第一模板对应的网络结构示意图,在图3所示中,第一模板中例如定义了例如为A类、B类的不同类别的群组节点,以及例如为C类的成员节点,以及例如为群组内关系、群组间关系的两种节点关系。而群组内关系具体包括,如边①所示的群组节点→成员节点的关系(在不同的实施例中,其可以对应不同的业务活动中不同业务关系,例如,家庭互动活动中家庭节点与家庭成员之间的关系,不同活动中商家节点和客户节点之间的关系等),如边②所示的成员节点→群组节点的关系(例如,对应客户使用特定商家的消费卷的关系)。群组间关系具体包括,如边③所示的群组间成员节点→成员节点的关系(例如,对应不同家庭的成员互相串门送红包的关系),如边④所示的成员节点→多群组节点的关系(例如,对应政府消费券活动中,用户在多个商户核销消费券的关系),如边⑤所示的群组节点→群组节点的关系(例如,对应政府消费券活动中,多个活动商户间转账的关系)。
根据以上描述可知道,第一模板中的对于节点及其关系的定义,具有泛化性,可以利用第一模板对于不同的业务活动构建业务网络。例如,在一个实施例中,一种业务活动(活动1)的活动模式具体是家庭互动活动,该活动的规则是多个家庭的家庭成员间可以互动,如互相串门发红包。因此,这个业务活动对应的业务关系网络的可以认为具有如下特性,具有群组节点(家庭)、成员节点(家庭成员),群组节点和成员节点之间具有关联关系(组成家庭的行为),不同群组节点的成员节点之间可以具有关联关系(例如串门发红包的行为)。因此,利用第一模板可以建立与活动1的规则匹配的业务关系网络。又例如,在另一个实施例中,一种业务活动(活动2)的活动模式具体是政府消费券活动,该活动中,顾客可以领取政府发放的消费卷去多个商家消费,而参与的商家之间的转账具有较高的敏感度。根据上一个实施例同样的推理逻辑,利用第一模板也可以建立与活动2的规则匹配的业务关系网络。因此,同一个模板可以支持具有共同特点的多种活动模式,每种活动模式下可以展开具体的业务活动。
但是,第一模板的适配能力具有限度,并不能匹配所有种类的业务活动。例如,在一个实施例中,一种业务活动为二维码转发活动(活动3),其活动模式为由少数的转发者将二维码转发给更多的转发者,逐渐将二维码通过转发扩散给更多的人。因此,其业务网络呈现由多级参与者及其转发关系构成的树状发散模式。对于业务网络的这种结构特性,第一模型中并不具有适合的对应定义。因此,在一个实施例中,可以为活动3匹配另一种例如为第二模板的元网络结构模版,本说明书中又称之为人传人模板。图4示出根据本说明书实施例的第二、第三模板对应的网络结构示意图。如图4(a)所示,第二模版定义的网络结构,具有其各成员节点构成了树状结构的特性。在具体的实施例中,第二模板中例如可以通过将节点分为根节点、中间节点、叶节点的类型定义,以及对于中间节点、叶节点的父节点属性定义,实现对于其网络结构的定义。图4(b)中还示出了第三模板,本说明书中又称之为服务商返佣模板,其网络结构特性是,作为根节点的服务商节点和作为中间节点的商户节点,和作为叶节点的用户节点构成树状结构,其中服务商节点和商户节点可以是群组节点。在不同的实施例中,元网络结构模版还可以具有其他的具体类型和对应的网络结构,本说明书对此不做限定。在不同的实施例中,对于网络结构也可以具有不同的具体定义方式,本说明书对此也不做限定。
接着,在根据网络活动的业务规则,确定网络活动匹配的元网络结构模板之后,可以根据匹配的模板,生成对应的元网络实例。在一个实施例中,在根据第一模板生成的第一元网络实施例中,其各节点和关系的类型,可以是第一模型中限定的各种节点类型和关系类型。
然后,可以根据例如为实时采集的第一网络活动的关联数据,更新第一元网络实例。第一网络活动的关联数据,在不同的实施例中,可以为参与活动的各个帐户、这些帐户之间建立的活动组,以及这些帐户和组之间的与第一网络活动相关的业务行为。具体的,在一个例子中,可以根据不断参与的帐户和建立的组,生成帐户和组对应的网络节点。根据帐户和组之间的业务行为,生成节点之间的关系(又称之为节点之间的边)。还可以根据帐户的具体信息,填充对应节点的对应属性,例如根据帐户的ID、年龄、姓名信息,填充到节点的对应ID、年龄、姓名属性的值中。在一个例子中,节点的ID、年龄、姓名属性可以作为节点属性在元结构模板中进行定义。
在基于第一网络活动的实际活动数据,填充第一元网络实例之后,可以提取该元网络实例的实例特征。然后,例如将所述实例特征保存到第一元网络实例中,再将第一元网络实例的当前拷贝,发送到预先训练好的风险类型识别模型中,获取第一元网络实例的风险类型。在不同的实施例中,所述实例特征中可以包括针对元网络实例的预定统计特征,所述预定统计特征可以根据第一元网络实例中的节点、关系以及其属性生成。所述实例特征还可以包括针对元网络实例的节点级别的风险特征,即其各节点具有的风险特征。具体而言,节点具有的风险特征,在本说明书中是指在预设的多种个体风险种类中,该节点所具有的个体风险种类对应的风险标签。由于本说明书实施例中的元网络结构模板具有泛化性,因此,其可以适配不同的业务活动,例如发生在不同时期的不同业务活动,因此,其风险类型识别模型也可以利用其他的业务活动获得的样本数据进行训练,不仅使得风险类型识别模型具有通用性,而且提高了风险识别处理的响应速度。
在获取第一元网络实例的风险类型后,还可以根据第一元网络实例的特征,依据预定的判别指标,确定第一元网络实例的风险级别。在一个实施例中,判别指标例如可以包括网络规模、网络风险浓度、网络风险一致性。其中,网络规模可以根据节点数量确定的,、网络风险浓度可以根据风险节点在所有节点中的占比确定的,网络风险一致性可以根据具有不同的风险特征的节点在所有节点中的占比确定。在一个实施例中,可以结合上述指标确定第一元网络实例的风险级别为高、中、低中的一种。
在获得第一元网络实例的风险类型和风险级别后,可以依据风险类型和风险级别,确定相应的风险管控方式。在不同的实施例中,例如可以依据风险类型和风险级别的不同结合方式,确定具体对应的风险管控手段。
利用该风险识别及风险管控方法,具有如下优点:通过构建半结构化的元网络,天然地将活动规则与资金关系、介质关系等融合起来作为风险识别的依据,从而提高了在复杂网络条件下,对于低浓度批量不合规行为的风险识别能力,且识别结果的可解释性强。通过构建半结构化的元网络,使得基于该网络的识别***在建设周期、适配性、有效性各方面取得良好的平衡。通过结合风险手法(类型)和风险等级确定管控手段,提供了多维度的层次化管控方案,提升管控准确率。
下面进一步阐述该方法的详细过程。图2示出根据本说明书实施例的一种风险识别和控制方法的流程图。如图2所述,该方法至少包括如下步骤:
步骤21,获取第一网络活动涉及的多个业务对象、以及所述业务对象之间的业务关系;
步骤22,根据业务对象和业务关系,更新第一元网络实例,其中,第一元网络实例根据预定的若干元结构模版中的第一元结构模板生成;
步骤23,提取第一元网络实例的实例特征;
步骤24,至少根据所述实例特征,确定第一元网络实例的风险类型。
首先,在步骤11,获取第一网络活动涉及的多个业务对象、以及业务对象之间的业务关系。在不同的实施例中,第一网络活动可以是由企业、商家或平台发起的有多个参与对象(业务对象)的多种类型的网络活动。例如,在一个实施例中,第一网络活动可以是由企业或商家发起的营销活动,在另一个实施例中,第一网络活动可以是某商务平台发起的某种业务的推广活动或客户活跃度提升活动等。在不同的实施例中,业务对象可以是第一网络活动涉及的账户、客户、参与用户,或者其他对应于活动参与者的标识。业务关系可以是各业务对象之间与第一网络活动有关的任意行为产生的关系,例如,红包活动中的例如为不同账户、用户之间的发红包行为构成的业务关系,组队团购活动中例如为不同账户、用户之间的组队行为、下单行为构成的业务关系。在一些实施例中,业务关系也可以是各业务对象之间在第一网络活动中的默认关系。
然后,在步骤12,根据所述业务对象和所述业务关系,更新第一元网络实例。
该步骤中,第一元网络实例,是根据预定的若干元结构模版中的第一元结构模板生成的。因此,在一个实施例中,可以在更新第一元网络实例之前,根据第一网络活动的第一活动模式,从所述预定的若干元结构模版中确定出第一元结构模版,所述第一元结构模板支持若干活动模式,所述若干活动模式包括所述第一活动模式;根据第一元结构模版,生成第一元网络实例。
第一网络活动的活动模式,即第一活动模式,在不同的实施例中,可以是不同的,例如,可以是家庭互动活动、政府消费券活动等。进而,在不同的实施例中,根据其具体的活动模型,确定出的第一元结构模版也可以是不同的。在一个实施例中,第一元结构模版对于网络结构的定义可以表现为,第一结构模版中的网络节点类型可以包括:群组节点和成员节点,第一结构模版中的网络节点之间的关系可以包括:群组内群组至成员、群组内成员至群组、群组间成员至成员、群组间成员至群组、群组至群组中的一种或多种。在一个实施例中,对网络节点类型还可以进一步细分,例如,群组节点还可以进一步细分为A类群组节点和B类群组节点。
在一种实施方式中,可以根据采集的业务对象及其业务关系,更新第一元网络实例。具体的,在不同的实施例中,例如可以进行以下操作中的一种或多种:可以根据多个业务对象,在第一元网络实例中添加节点;根据业务关系,更新第一元网络实例中的连接边;以及更新第一元网络实例中的节点的风险特征。
接着,在步骤13,提取第一元网络实例的实例特征。
该步骤中,提取第一元网络实例的实例特征。在不同的实施例中,具体提取的实例特征可以是不同的。在一个实施例中,所述实例特征可以包括,网络节点数量、各节点的风险特征。在一个具体的实施例中,网络节点数量例如可以是网络中全部类型的节点的总数。而如前文所述,某个节点的风险特征,是指在预设的多种个体风险种类中,该节点所具有的个体风险种类对应的风险标签。例如,在一些实施例的网络活动中,参与者的年龄具有风险敏感性,预设的多种个体风险种类中例如可以包括‘年长者风险种类’,例如当参与者的年龄大于某个预定值(例如大于65岁),根据该参与者生成的节点则可以具有‘年长者风险标签’。又例如,在另一些实施例的网络活动中,参与者的异常返款具有风险敏感性,预设的多种个体风险种类中例如可以包括异常返款风险种类,当参与者具有异常返款动作时,根据该参与者生成的节点则可以具有‘异常返款风险标签’。在不同的实施例中,可以预设不同的个体风险种类,本说明书对此不做限定。
在一个实施例中,实施特征还可以包括风险一致性,其中,所述风险一致性用于指示第一元网络实例中,具有特定风险标签的节点在所有节点中的比例。在一个具体的实施例中,风险一致性还可以包括,单风险一致性和/或多风险一致性,其中,多风险一致性,用于指示具有单个风险标签的节点在所有节点中所占比例,所述多风险一致性,用于指示第一元网络实例中,具有指定的多个风险标签的节点在所有节点中所占比例。在一个例子中,例如可以针对网络中的全部节点(c1,c2,…,cm),和预设的全部风险标签(f1,f2,…,fn),其中,m为节点数量,n为标签种类数量。依次确定具有每个风险标签的节点在所有节点中的占比(共n个),进而获得n个分别针对每种风险标签的单风险一致性的值。在另一个例子中,例如可以针对网络中的全部节点(c1,c2,…,cm),和目标标签集合,确定具有其中至少x个标签的成员在所有成员中的占比,从而得到整个网络的多风险一致性。在具体的例子中,所述目标标签集合,可以为预设的全部风险标签(f1,f2,…,fn)或所述全部风险标签中预定的一部分,
此后,在步骤14,至少根据所述实例特征,确定第一元网络实例的风险类型。
该步骤中,可以根据第一元网络实例的实例特征,确定第一元网络实例的风险类型。确定风险类型可以基于预先训练的神经网络模型。在一个实施例中,还可以根据第一元网络实例中的节点和连接边、以及实例特征,确定第一元网络实例的风险类型。具体的,在一个实施例中,可以将节点和连接边、以及实例特征,输入预先训练好的风险检测模型,得到第一元网络实例的风险类型。在不同的实施例中,预先训练神经网络模型用的样本可以基于第一元网络实例获取,也可以基于其他元网络实例的积累数据获取,所述其他网络实例是根据第一元结构模板生成的。
风险检测模型输出的风险类型,其具体表现形式可以是连续的或是离散的,例如,可以表现为特定风险类型,或多种备选风险类型的概率分布。因此,在一个实施例中,可以确定所述第一元网络实例对于预设的多种备选风险类型的概率分布。在一个实施例中,备选风险类型可以具有进一步的细分类型,可以分别确定出备选风险类型及其细分类型的概率分布。在一个例子中,在风险类型‘冒用风险’中例如可以包括‘年长者-冒用’、‘非年长者-冒用’两个子类型。在一个具体的例子中,确定后的多种备选风险类型的概率分布,例如可以是,‘设备风险’概率为0.11,‘冒用风险’概率为0.72,‘虚假交易风险’概率为0.16,‘刷单风险’概率为0.01。而在‘冒用风险’下,‘年长者-冒用’的概率为0.98,‘非年长者-冒用’的概率为0.02。
在获得风险类型后,根据一种实施方式,可以依据风险类型,确定对于业务对象和/或业务行为的管控动作。根据另一种实施方式,还可以根据所述实例特征,确定第一元网络实例的风险级别;根据第一元网络实例的风险类型和风险级别,确定针对所述业务对象和/或其业务行为的管控动作。
具体的,可以利用预定的预定判断指标,确定所述风险级别。因此,在一个实施例中,可以至少根据实例特征,确定预定判断指标的指标值;根据所述指标值,确定第一元网络实例的风险级别。
在一个具体的实施例中,实例特征例如具体包括网络节点数量、各节点的风险特征。预定判断指标例如包括网络规模、风险浓度、风险一致性中的一个或多个。该实施例中,例如可以通过如下步骤确定各预定判断指标的指标值:
根据所述网络节点数量,确定第一元网络实例的网络规模;根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中具有指定风险标签的节点在所有节点中所占比例,进而确定第一元网络实例的风险浓度;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中,具有单个风险标签和/或指定的多个风险标签的节点在所有节点中所占比例,进而确定单风险一致性和/或多风险一致性,归入所述风险一致性。
该实施例中,在获得各指标值之后,还可以例如结合网络规模、风险浓度和风险一致性的指标值,确定第一元网络实例的风险级别。
在一个具体的实施例中,确定的网络规模的指标值例如可以是网络规模大、中或小中的任意一个,风险浓度的指标值例如可以是风险浓度高、中或低的任意一个,风险一致性的指标值例如可以是单/多特征一致性高、中或低。在不同的例子中,风险一致性的指标值可以是,基于全部风险标签中不同的单个/多个风险标签确定的。本说明书对此不作限定。
在一个例子中,确定出第一元网络实例的风险级别,例如可以通过如下具体方式:当确定出网络规模小、风险浓度低且多特征一致性高时,第一元网络实例的风险级别为高风险;当确定出网络规模中、风险浓度中且单特征一致性中时,则第一元网络实例的风险级别为中风险;当出现网络规模低、风险浓度低且单特征一致性低时,则风险级别为低风险。
在其他的实施例中,确定第一元网络实例的风险级别,还可以具有其他的具体方式,本说明书对此不作限定。
如前所述,在一个实施例中,可以结合风险类型和风险级别确定,对于业务对象或业务关系的管控动作。表1中示出,一个实施例中,根据风险类型和风险级别确定的管控动作。
设备风险 | 冒用-年长者 | 冒用-非年长者 | 线下风险 | |
高风险 | 不返奖 | 人脸+绑卡 | 外呼交互式问答 | 高风险问答 |
中风险 | 不返奖 | 人脸 | 外呼风险预警确认 | 中风险问答 |
低风险 | 降低返奖 | 绑卡 | 延迟人脸校验 | 低风险模块 |
表1风险级别、风险类型与管控动作的对应表
如表1所述,最左列为风险级别,最上排为风险类型。根据风险级别和风险类型,可以确定对应的管控动作。例如,当判断当前活动网络的风险类型为‘设备风险’时,若当前活动网络的风险级别为‘高风险’或‘中风险’,则对应的管控动作为不返给奖金或奖品,若当前活动网络的风险级别为‘低风险’,则对应的管控动作为不返给奖金或奖品。在不同的实施例中,由于即使是高风险的活动网络中,不一定其中所有的节点/关系均需要成为管控的实施对象。因此,在具体的例子中,还可以先确定出管控动作具体实施的对象,例如确定出管控动作针对的某个/些业务对象或业务关系,然后对其实施管控动作。例如,在一个例子中,针对高风险-设备风险,可以先确定出具体的风险设备,然后拦截当笔返奖。在一个例子中,针对中风险-冒用风险,可以先确定具体的风险账户,通过人脸校验的方式做验证,若校验通过,则正常返奖,否则不进行返奖。在又一个例子中,针对高冒用-年长者风险,还可以通过交互式机器人问答的方式,询问年长者对参与的活动是否了解,当时的场景是怎样的等问题,来判断是否有不合规行为。在又一个例子中,针对商家在线下招揽用户进行不合规行为的风险,通过众包交互式问卷方式,如询问用户是否第一次到该店铺、买的商品类型等信息,综合判断商户是否有不合规行为,还可以根据判断结果,再确定进一步的管控行为。对于确定管控的实施对象的具体方式,本说明书不做限定。
根据另一方面的实施例,还提供一种风险识别和控制方法装置。图5示出根据本说明书实施例的一种风险识别和控制装置的结构图。如图5所示,该装置500包括:
业务对象获取单元51,配置为,获取第一网络活动涉及的多个业务对象、以及所述业务对象之间的业务关系;
网络实例更新单元52,配置为,根据所述业务对象和所述业务关系,更新第一元网络实例,其中,所述第一元网络实例根据预定的若干元结构模版中的第一元结构模板生成;
特征提取单元53,配置为,提取第一元网络实例的实例特征;
风险类型确定单元54,配置为,至少根据所述实例特征,确定第一元网络实例的风险类型。
在一个实施例中,所述装置还可以包括,
模版确定单元,配置为,根据所述第一网络活动的第一活动模式,从所述预定的若干元结构模版中确定出第一元结构模版,所述第一元结构模板支持若干活动模式,所述若干活动模式包括所述第一活动模式;
网络实例生成单元,配置为,根据第一元结构模版,生成第一元网络实例。
在一个实施例中,风险类型确定单元可以进一步配置为,根据第一元网络实例中的节点和连接边、以及所述实例特征,确定第一元网络实例的风险类型。
在一个实施例中,风险类型确定单元可以进一步配置为,基于预先训练好的风险检测模型,确定所述第一元网络实例的风险类型。
在一个实施例中,所述装置还可以包括,
风险级别确定单元,配置为,至少根据所述实例特征,确定第一元网络实例的风险级别;
管控动作确定单元,配置为,根据第一元网络实例的风险类型和风险级别,确定针对所述业务对象和/或其业务行为的管控动作。
在一个实施例中,风险级别确定单元,可以进一步配置为:
至少根据所述实例特征,确定预定判断指标的指标值;
根据所述指标值,确定第一元网络实例的风险级别。
在一个实施例中,所述实例特征可以包括网络节点数量、各节点的风险特征,所述可以风险特征包括,在预设的多种个体风险种类中,该节点所具有的个体风险种类对应的风险标签;
所述预定判断指标可以包括以下中的至少一个:网络规模、风险浓度、风险一致性;
所述至少根据所述实例特征,确定预定判断指标的指标值,可以包括以下中至少一项:
根据所述网络节点数量,确定第一元网络实例的网络规模;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中具有指定风险标签的节点在所有节点中所占比例,进而确定第一元网络实例的风险浓度;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中,具有单个风险标签和/或指定的多个风险标签的节点在所有节点中所占比例,进而确定单风险一致性和/或多风险一致性,归入所述风险一致性。
本说明书又一方面提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述任一项方法。
本说明书再一方面提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现上述任一项方法。
需要理解,本文中的“第一”,“第二”等描述,仅仅为了描述的简单而对相似概念进行区分,并不具有其他限定作用。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式,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,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (23)
1.一种风险识别和控制方法,包括:
获取第一网络活动涉及的多个业务对象、以及所述业务对象之间的业务关系;
根据所述业务对象和所述业务关系,更新第一元网络实例,其中,所述第一元网络实例根据预定的若干元结构模版中的第一元结构模板生成;
提取第一元网络实例的实例特征;
至少根据所述实例特征,确定第一元网络实例的风险类型。
2.根据权利要求1所述的方法,还包括,在根据所述业务对象和所述业务关系,更新第一元网络实例之前,
根据所述第一网络活动的第一活动模式,从所述预定的若干元结构模版中确定出第一元结构模版,所述第一元结构模板支持若干活动模式,所述若干活动模式包括所述第一活动模式;
根据第一元结构模版,生成第一元网络实例。
3.根据权利要求1所述的方法,还包括,
根据所述风险类型,确定针对所述业务对象和/或其业务行为的管控动作。
4.根据权利要求1所述的方法,其中,所述第一元结构模版中的网络节点类型包括:群组节点和成员节点;
网络节点之间的关系包括:群组内群组至成员、群组内成员至群组、群组间成员至成员、群组间成员至群组、群组至群组中的一种或多种。
5.根据权利要求1所述的方法,其中,所述实例特征包括,网络节点数量、各节点的风险特征,所述风险特征包括,在预设的多种个体风险种类中,该节点所具有的个体风险种类对应的风险标签。
6.根据权利要求5所述的方法,其中,所述更新第一元网络实例,包括以下中至少一项:
根据所述多个业务对象,在所述第一元网络实例中添加节点;
根据所述业务关系,更新所述第一元网络实例中的连接边;
更新第一元网络实例中的节点的风险特征。
7.根据权利要求5所述的方法,其中,所述实例特征还包括风险一致性,其中,所述风险一致性用于指示第一元网络实例中,具有特定风险标签的节点在所有节点中的比例。
8.根据权利要求7所述的方法,其中,所述风险一致性包括,单风险一致性和/或多风险一致性,其中,所述单风险一致性,用于指示第一元网络实例中,具有单个风险标签的节点在所有节点中所占比例,所述多风险一致性,用于指示第一元网络实例中,具有指定的多个风险标签的节点在所有节点中所占比例。
9.根据权利要求1所述的方法,其中,至少根据所述实例特征,确定第一元网络实例的风险类型,包括:根据第一元网络实例中的节点和连接边、以及所述实例特征,确定第一元网络实例的风险类型。
10.根据权利要求1所述的方法,其中,确定第一元网络的风险类型包括:
基于预先训练好的风险检测模型,确定所述第一元网络实例的风险类型。
11.根据权利要求10所述的方法,其中,确定所述第一元网络实例的风险类型,包括,确定所述第一元网络实例对于预设的多种备选风险类型的概率分布。
12.根据权利要求1所述的方法,还包括,
至少根据所述实例特征,确定第一元网络实例的风险级别;
根据第一元网络实例的风险类型和风险级别,确定针对所述业务对象和/或其业务行为的管控动作。
13.根据权利要求12所述的方法,其中,至少根据所述实例特征,确定第一元网络实例的风险级别,包括:
至少根据所述实例特征,确定预定判断指标的指标值;
根据所述指标值,确定第一元网络实例的风险级别。
14.根据权利要求13所述的方法,其中,所述实例特征包括网络节点数量、各节点的风险特征,所述风险特征包括,在预设的多种个体风险种类中,该节点所具有的个体风险种类对应的风险标签;
所述预定判断指标包括以下中的至少一个:网络规模、风险浓度、风险一致性;
所述至少根据所述实例特征,确定预定判断指标的指标值,包括以下中至少一项:
根据所述网络节点数量,确定第一元网络实例的网络规模;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中具有指定风险标签的节点在所有节点中所占比例,进而确定第一元网络实例的风险浓度;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中,具有单个风险标签和/或指定的多个风险标签的节点在所有节点中所占比例,进而确定单风险一致性和/或多风险一致性,归入所述风险一致性。
15.一种风险识别和控制装置,所述装置包括:
业务对象获取单元,配置为,获取第一网络活动涉及的多个业务对象、以及所述业务对象之间的业务关系;
网络实例更新单元,配置为,根据所述业务对象和所述业务关系,更新第一元网络实例,其中,所述第一元网络实例根据预定的若干元结构模版中的第一元结构模板生成;
特征提取单元,配置为,提取第一元网络实例的实例特征;
风险类型确定单元,配置为,至少根据所述实例特征,确定第一元网络实例的风险类型。
16.根据权利要求15所述的装置,还包括,
模版确定单元,配置为,根据所述第一网络活动的第一活动模式,从所述预定的若干元结构模版中确定出第一元结构模版,所述第一元结构模板支持若干活动模式,所述若干活动模式包括所述第一活动模式;
网络实例生成单元,配置为,根据第一元结构模版,生成第一元网络实例。
17.根据权利要求15所述的装置,其中,风险类型确定单元进一步配置为,根据第一元网络实例中的节点和连接边、以及所述实例特征,确定第一元网络实例的风险类型。
18.根据权利要求15所述的装置,其中,风险类型确定单元进一步配置为,基于预先训练好的风险检测模型,确定所述第一元网络实例的风险类型。
19.根据权利要求15所述的装置,还包括,
风险级别确定单元,配置为,至少根据所述实例特征,确定第一元网络实例的风险级别;
管控动作确定单元,配置为,根据第一元网络实例的风险类型和风险级别,确定针对所述业务对象和/或其业务行为的管控动作。
20.根据权利要求19所述的装置,其中,风险级别确定单元,进一步配置为:
至少根据所述实例特征,确定预定判断指标的指标值;
根据所述指标值,确定第一元网络实例的风险级别。
21.根据权利要求20所述的装置,其中,所述实例特征包括网络节点数量、各节点的风险特征,所述风险特征包括,在预设的多种个体风险种类中,该节点所具有的个体风险种类对应的风险标签;
所述预定判断指标包括以下中的至少一个:网络规模、风险浓度、风险一致性;
所述至少根据所述实例特征,确定预定判断指标的指标值,包括以下中至少一项:
根据所述网络节点数量,确定第一元网络实例的网络规模;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中具有指定风险标签的节点在所有节点中所占比例,进而确定第一元网络实例的风险浓度;
根据所述网络节点数量、各节点的风险特征,确定第一元网络实例中,具有单个风险标签和/或指定的多个风险标签的节点在所有节点中所占比例,进而确定单风险一致性和/或多风险一致性,归入所述风险一致性。
22.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-14中任一项的所述的方法。
23.一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111056848.2A CN113724073A (zh) | 2021-09-09 | 2021-09-09 | 一种风险识别和控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111056848.2A CN113724073A (zh) | 2021-09-09 | 2021-09-09 | 一种风险识别和控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113724073A true CN113724073A (zh) | 2021-11-30 |
Family
ID=78682934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111056848.2A Pending CN113724073A (zh) | 2021-09-09 | 2021-09-09 | 一种风险识别和控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724073A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719033A (zh) * | 2014-12-02 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 用于识别客体风险的方法及装置 |
CN107730262A (zh) * | 2017-10-23 | 2018-02-23 | 阿里巴巴集团控股有限公司 | 一种欺诈识别方法和装置 |
CN109003089A (zh) * | 2018-06-28 | 2018-12-14 | 中国工商银行股份有限公司 | 风险识别方法及装置 |
CN109308573A (zh) * | 2018-08-31 | 2019-02-05 | 阿里巴巴集团控股有限公司 | 一种基于风险点的业务风险控制方法、装置及电子设备 |
CN109598509A (zh) * | 2018-10-17 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 风险团伙的识别方法和装置 |
CN109949046A (zh) * | 2018-11-02 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 风险团伙的识别方法和装置 |
US10504028B1 (en) * | 2019-04-24 | 2019-12-10 | Capital One Services, Llc | Techniques to use machine learning for risk management |
CN110765117A (zh) * | 2019-09-30 | 2020-02-07 | 中国建设银行股份有限公司 | 欺诈识别方法、装置、电子设备及计算机可读存储介质 |
CN111080304A (zh) * | 2019-12-12 | 2020-04-28 | 支付宝(杭州)信息技术有限公司 | 一种可信关系识别方法、装置及设备 |
CN111309983A (zh) * | 2020-03-10 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 基于异构图进行业务处理的方法及装置 |
CN111489168A (zh) * | 2020-04-17 | 2020-08-04 | 支付宝(杭州)信息技术有限公司 | 一种目标对象的风险识别方法、装置和处理设备 |
CN111738628A (zh) * | 2020-08-14 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种风险群组识别方法及装置 |
CN112419041A (zh) * | 2020-11-05 | 2021-02-26 | 鹏元征信有限公司 | 一种风险监控方法、装置、存储介质及计算机设备 |
CN112750030A (zh) * | 2021-01-11 | 2021-05-04 | 深圳前海微众银行股份有限公司 | 风险模式识别方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-09-09 CN CN202111056848.2A patent/CN113724073A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719033A (zh) * | 2014-12-02 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 用于识别客体风险的方法及装置 |
CN107730262A (zh) * | 2017-10-23 | 2018-02-23 | 阿里巴巴集团控股有限公司 | 一种欺诈识别方法和装置 |
CN109003089A (zh) * | 2018-06-28 | 2018-12-14 | 中国工商银行股份有限公司 | 风险识别方法及装置 |
CN109308573A (zh) * | 2018-08-31 | 2019-02-05 | 阿里巴巴集团控股有限公司 | 一种基于风险点的业务风险控制方法、装置及电子设备 |
CN109598509A (zh) * | 2018-10-17 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 风险团伙的识别方法和装置 |
CN109949046A (zh) * | 2018-11-02 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 风险团伙的识别方法和装置 |
US10504028B1 (en) * | 2019-04-24 | 2019-12-10 | Capital One Services, Llc | Techniques to use machine learning for risk management |
CN110765117A (zh) * | 2019-09-30 | 2020-02-07 | 中国建设银行股份有限公司 | 欺诈识别方法、装置、电子设备及计算机可读存储介质 |
CN111080304A (zh) * | 2019-12-12 | 2020-04-28 | 支付宝(杭州)信息技术有限公司 | 一种可信关系识别方法、装置及设备 |
CN111309983A (zh) * | 2020-03-10 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 基于异构图进行业务处理的方法及装置 |
CN111489168A (zh) * | 2020-04-17 | 2020-08-04 | 支付宝(杭州)信息技术有限公司 | 一种目标对象的风险识别方法、装置和处理设备 |
CN111738628A (zh) * | 2020-08-14 | 2020-10-02 | 支付宝(杭州)信息技术有限公司 | 一种风险群组识别方法及装置 |
CN112419041A (zh) * | 2020-11-05 | 2021-02-26 | 鹏元征信有限公司 | 一种风险监控方法、装置、存储介质及计算机设备 |
CN112750030A (zh) * | 2021-01-11 | 2021-05-04 | 深圳前海微众银行股份有限公司 | 风险模式识别方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
王赛娥;刘彩霞;俞定玖;胡鑫鑫;: "网络安全风险评估模型研究综述", 无线电通信技术, no. 04, 18 December 2020 (2020-12-18) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009174B (zh) | 风险识别模型训练方法、装置及服务器 | |
Van Vlasselaer et al. | APATE: A novel approach for automated credit card transaction fraud detection using network-based extensions | |
Carneiro et al. | A data mining based system for credit-card fraud detection in e-tail | |
Majumdar et al. | Do tweets create value? A multi-period analysis of Twitter use and content of tweets for manufacturing firms | |
CN109615454A (zh) | 确定用户金融违约风险的方法及装置 | |
CN109034892B (zh) | 资源分配方法、装置、计算机可读存储介质和计算机设备 | |
CN111371767B (zh) | 恶意账号识别方法、恶意账号识别装置、介质及电子设备 | |
CN115943406A (zh) | 基于身份图的欺诈检测***和方法 | |
CN111523831A (zh) | 风险团伙的识别方法、装置、存储介质和计算机设备 | |
CN107742217A (zh) | 基于商家的业务控制方法和装置 | |
JP2016206878A (ja) | 営業員育成支援システムおよび営業員育成支援方法 | |
CN112184334A (zh) | 用于确定问题用户的方法、装置、设备和介质 | |
CN111882420A (zh) | 响应率的生成方法、营销方法、模型训练方法及装置 | |
CN111091408A (zh) | 用户识别模型创建方法、装置与识别方法、装置 | |
CN110009371B (zh) | 异常行为确定方法、装置、设备及计算机可读存储介质 | |
CN108737138A (zh) | 服务提供方法及服务平台 | |
CN112330373A (zh) | 用户行为分析方法、装置及计算机可读存储介质 | |
CN113743619B (zh) | 基于关联网络行为的作弊用户识别方法和装置 | |
Rahman et al. | Search rank fraud de-anonymization in online systems | |
CN117114689A (zh) | 一种欺诈检测模型构建方法、装置、设备及存储介质 | |
CN111553542A (zh) | 一种用户优惠券核销率预测方法 | |
CN117094764A (zh) | 银行积分处理方法及装置 | |
CN113724073A (zh) | 一种风险识别和控制方法及装置 | |
CN115660814A (zh) | 风险预测方法、装置、计算机可读存储介质及电子设备 | |
TWM630550U (zh) | 鎖定廣告受眾的運算系統 |
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 |