CN115115370A - 风险群组的识别方法、装置、设备以及存储介质 - Google Patents
风险群组的识别方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115115370A CN115115370A CN202110291649.3A CN202110291649A CN115115370A CN 115115370 A CN115115370 A CN 115115370A CN 202110291649 A CN202110291649 A CN 202110291649A CN 115115370 A CN115115370 A CN 115115370A
- Authority
- CN
- China
- Prior art keywords
- group
- evaluated
- determining
- risk
- complaint
- 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
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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种风险群组的识别方法、装置、设备以及存储介质,可适用于人工智能、计算机等领域。该方法包括:确定至少一个投诉对象,基于各投诉对象从对象集合中确定至少一个待评估群组,其中,每一待评估群组包括至少一个投诉对象中的一个或者多个投诉对象;对于每一待评估群组,确定该待评估群组中各对象的至少一个对象特征,基于各对象特征确定该待评估群组的群组紧密度;对于每一待评估群组,确定该待评估群组对应的至少一个群组特征,基于各群组特征确定该待评估群组的群组风险度;基于各待评估群组的群组紧密度和群组风险度,从各待评估群组中确定出风险群组。采用本申请实施例,可提升风险群组的识别效率和准确性,适用性高。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种风险群组的识别方法、装置、设备以及存储介质。
背景技术
随着科学技术的飞速发展,进行资源转移的用户越来越多,给人们的生活带来了很大的便利性。比如,人们可以通过互联网中的支付平台进行各种交易、转账,而不需要随身携带现金。再比如,人们可以在网络游戏中进行虚拟资源的转移,以增强游戏互动。
现如今,有相当一部分的群体通过各种手段骗取资源,如网络诈骗、游戏诈骗等。传统的群体挖掘的方法都是通过各种各样的社区发现算法或者学习图向量的方式进行聚类来确定风险群体。在转移资源量突飞猛进的时代,传统的群体挖掘方法的准确率和效率较低。
发明内容
本申请实施例提供一种风险群组的识别方法、装置、设备以及存储介质,可提升风险群组的识别效率和准确性,适用性高。
一方面,本申请实施例提供一种风险群组的识别方法,该方法包括:
确定至少一个投诉对象,基于各上述投诉对象从对象集合中确定至少一个待评估群组,其中,每一上述待评估群组包括上述至少一个投诉对象中的一个或者多个投诉对象;
对于每一上述待评估群组,确定该待评估群组中各对象的至少一个对象特征,基于各上述对象特征确定该待评估群组的群组紧密度;
对于每一上述待评估群组,确定该待评估群组对应的至少一个群组特征,基于各上述群组特征确定该待评估群组的群组风险度;
基于各上述待评估群组的群组紧密度和群组风险度,从各上述待评估群组中确定出风险群组。
另一方面,本申请实施例提供了一种风险群组的识别装置,该训练装置包括:
待评估群组确定模块,用于确定至少一个投诉对象,基于各上述投诉对象从对象集合中确定至少一个待评估群组,其中,每一上述待评估群组包括上述至少一个投诉对象中的一个或者多个投诉对象;
紧密度确定模块,用于对于每一上述待评估群组,确定该待评估群组中各对象的至少一个对象特征,基于各上述对象特征确定该待评估群组的群组紧密度;
风险度确定模块,用于对于每一上述待评估群组,确定该待评估群组对应的至少一个群组特征,基于各上述群组特征确定该待评估群组的群组风险度;
风险群组确定模块,用于基于各上述待评估群组的群组紧密度和群组风险度,从各上述待评估群组中确定出风险群组。
另一方面,本申请实施例提供了一种电子设备,包括处理器和存储器,该处理器和存储器相互连接;
上述存储器用于存储计算机程序;
上述处理器被配置用于在调用上述计算机程序时,执行本申请实施例提供的风险群组的识别方法。
另一方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行以实现本申请实施例提供的风险群组的识别方法。
另一方面,本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行本申请实施例提供的风险群组的识别方法。
在本申请实施例中,通过投诉对象确定至少一个待评估群组,可提升待评估群组的确定效率。同时,通过对象特征确定各待评估群组的群组紧密度、以及通过群组特征确定各待评估群组的群组风险度,进而基于群组风险度和群组紧密度从各待评估群组中筛选出最终的风险群组,从而提升风险群组的识别效率和准确性,适用性高。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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是本申请实施例提供的风险群组的识别方法的场景示意图;
图2是本申请实施例提供的风险群组的识别方法的一流程示意图;
图3是本申请实施例提供的投诉信息的示意图;
图4是本申请实施例提供的投诉场景示意图;
图5a是本申请实施例提供的确定待评估群组的一场景示意图;
图5b是本申请实施例提供的确定待评估群组的另一场景示意图;
图5c是本申请实施例提供的确定待评估群组的又一场景示意图;
图6是本申请实施例提供的确定群组紧密度的流程示意图;
图7是本申请实施例提供的风险群组的识别方法的另一场景示意图;
图8是本申请实施例提供的确定待评估对象的场景示意图;
图9是本申请实施例提供的对诈骗账号进行处理的流程示意图;
图10是本申请实施例提供的风险群组的识别装置的结构示意图;
图11是本申请实施例提供的电子设备的结构示意图。
具体实施方式
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。
本申请实施例提供的风险群组的识别方法,可适用于识别网络诈骗团伙、洗钱团伙以及各管理***中不良团体等,具体应用场景可基于实际需求确定,在此不做限制。
参见图1,图1是本申请实施例提供的风险群组的识别方法的场景示意图。如图1所示,对象集合100中包括多个对象,在需要从对象集合100中确定风险群组时,可先确定至少一个投诉对象(如投诉对象201和投诉对象202),进而基于投诉对象201和投诉对象202从对象集合100中确定出至少一个待评估群组(如待评估群组301和待评估群组302)。
其中,在本申请实施例中,上述对象集合100中的对象可以是各应用软件对应的用户,如即时通讯应用的用户。上述对象集合中的对象可以为各领域中管理***对应的被管理人员,如银行管理***中的客户,企业员工管理***对应的员工等;上述对象集合中的对象还可以为区块链网络中的用户节点,如公有链、私有链以及联盟链中的用户节点。
其中,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,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数据,用于验证其相关信息的有效性(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。上述区块链中的用户节点可以为任意形式的计算设备,如服务器、用户终端等。
需要特别说明的是,其中,本申请实施例中的投诉对象为被其他对象投诉的对象,即被投诉对象。本申请实施例中的对象集合以及对象集合中的对象具体可基于实际应用场景需求确定,在此不做限制。
进一步的,对于每一待评估群组,可确定该待评估群组中各对象的至少一个对象特征,基于各对象特征确定该待评估群组的群组紧密度。同时可确定该待评估群组对应的至少一个群组特征,基于各群组特征确定该待评估群组的群组风险度。
基于此,可确定出图1中待评估群组301的群组紧密度和群组风险度、以及待评估群组302的群组紧密度和群组风险度。进而根据待评估群组301和待评估群组302的群组紧密度和群组风险度,从待评估群组301和待评估群组302中确定出风险群组400。
本申请实施例提供的风险群组的识别方法可以由实际应用场景下的用户设备或者服务器执行,如游戏场景下的游戏服务器,员工管理***中的相关设备等,具体可基于实际应用场景需求确定,在此不做限制。
其中,上述服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、Tcaplus、安全服务、内容分发网络(ContentDelivery Network,CDN)的云服务器或服务器集群,在此不做限制。
其中,上述用户设备包括但不限于智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、客户机以及智能手表等,但并不局限于此。
在本申请实施例中,基于各对象特征确定各待评估群组的群组紧密度、以及基于群组特征确定各待评估群组的群组风险度的具体过程可基于云技术领域中的云计算和/或大数据等方式实现。
其中,云计算是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用***能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。
参见图2,图2是本申请实施例提供的风险群组的识别方法的一流程示意图。如图2所示,本申请实施例提供的风险群组的识别方法可包括如下步骤:
步骤S21、确定至少一个投诉对象,基于各投诉对象从对象集合中确定至少一个待评估群组。
在一些可行的实施方式中,上述对象可以为即时通讯应用的用户,网络游戏中的玩家等,具体可基于实际应用场景需求确定,在此不做限制。其中,上述对象集合包括指定领域的指定对象范围内的多个对象,且上述指定领域的指定对象范围可以为即时通信应用中的活跃用户,可以为企业员工群体中的高层员工等,具体可同样基于实际应用场景需求确定,在此不做限制。
例如,上述对象集合可以为即时通讯应用中活跃时间在预设时间范围内的用户所构成的用户集合,即在对该即时通讯应用的用户进行风险群组识别时,可将除长时间未上线的用户外的其他用户作为对象集合,进而从该对象集合中确定至少一个待评估群组。
再例如,上述对象集合可以为某网络游戏中的合规玩家所构成的玩家集合,即在对该网络游戏的玩家进行风险群组识别时,可将该网络游戏中未被封禁的玩家群体作为对象集合,进而从该对象集合中确定至少一个待评估群组。
其中,上述投诉对象为对象集合中的被投诉对象,例如即时通讯应用中被投诉的用户,网络游戏中被投诉的玩家等。具体的,在确定投诉对象时,可获取投诉信息进而基于投诉信息对应为图片证据以及对应的文本内容等确定投诉对象,或者基于投诉信息确定投诉对象的相关信息(如员工工号、昵称、姓名等),基于投诉对象的相关信息确定投诉对象。
需要特别说明的是,上述确定投诉对象的具体实现方式仅为示例,具体可基于实际应用场景需求确定,在此不做限制。
参见图3,图3是本申请实施例提供的投诉信息的示意图。图3所示了一即时通讯应用中的部分投诉信息,对于投诉类型为诱导交易的投诉信息1而言,该投诉信息的投诉内容中简要说明了“张三”的具体欺诈过程以及相关的图片证据,基于投诉内容中的文本内容和/或图片内容,可确定投诉信息1对应的投诉对象为“张三”。对于投诉类型为兼职诈骗的投诉信息2而言,该投诉信息的投诉内容中简要说明了“李四”的具体欺诈过程以及相关的图片证据,基于投诉内容中的文本内容和/或图片内容,可确定投诉信息2对应的投诉对象为“李四”。对于投诉类型为诱导交易的投诉信息3而言,该投诉信息的投诉内容中简要说明了“王五”的具体欺诈过程以及相关的图片证据,基于投诉内容中的文本内容和/或图片内容,可确定投诉信息3对应的投诉对象为“王五”。
在一些可行的实施方式中,在确定出至少一个投诉对象之后,可确定各投诉对象的至少一个对象特征,基于各投诉对象对应的对象特征从对象集合中确定出至少一个待评估群组。
其中,对于每一待评估群组,该待评估群组可包括至少一个投诉对象。例如,对于两个不同的投诉对象而言(如投诉对象A和投诉对象B),投诉对象A和投诉对象B可同时存在于同一待评估群组中,或者投诉对象A和投诉对象B可分别存在于不同的待评估群组中。
其中,上述对象特征包括对象的对象信息、对象的位置信息、对象的设备信息、对象对应的投诉信息的文本内容、对象对应的转移资源中的至少一项。
具体的,对象的对象信息包括但不限于对象的姓名、昵称以及其他身份信息以及标识信息等,具体可基于实际应用场景确定,在此不做限制。例如,对象的对象信息可以为即时通讯应用中的用户名称,可以为网络游戏中的游戏名称等。
具体的,对象的位置信息可以为对象所使用的设备的IP地址、地域信息等,对象的设备信息可以为对象所使用的设备的设备标识、设备型号以及设备名称等。其中,对应的设备信息和位置信息具体也可基于实际应用场景需求确定,在此不做限制。
具体的,对象对应的转移资源为对象从投诉其的对象处所获取的资源,如某诈骗对象所诈骗得到的金额,某游戏玩家通过不正当手段从其他玩家获取的虚拟资产等。
在一些可行的实施方式中,对于投诉对象而言,若对象集合中的某一对象与投诉对象基于某一对象特征与投诉对象存在关联关系,则该对象可能与投诉对象属于同一对象群组。
例如,若对象集合为即时通讯应用中的用户集合,投诉对象为该用户集合中的诈骗用户,则该用户集合中与该诈骗用户属于同一诈骗团伙的其他用户往往与该诈骗用户具有相同或者类似的对象特征。也就是说,即时通讯应用中的某一诈骗团伙,往往具有相同或者类似的用户信息(对象信息)、位置信息、设备信息等,或者该诈骗团伙内的部分诈骗用户所受到投诉的投诉信息的具体文本内容相同或者类似,或者该诈骗团伙内的诈骗用户会将诈骗得到的资金(转移资源)转移至其他用户,进而该诈骗团伙内的部分诈骗用户之间存在转移资源之间的关联关系(资源转移路径等)。
基于此,在确定各个投诉对象的至少一个对象特征之后,对于每一对象特征,可基于该对象特征确定对象集合中各对象间的关联关系,进而基于对象集合中各对象间的关联关系,从对象集合中确定至少一个待评估群组。
参见图4,图4是本申请实施例提供的投诉场景示意图。图4所示了一受骗用户进行投诉的应用场景,在该场景中,受骗用户被诈骗用户以各种借口借钱,进而向诈骗用户进行转账,此时受骗用户并未察觉遭到诈骗。诈骗用户在未还钱的情况下继续借钱时,受骗用户发现自己被骗,进而对诈骗用户进行投诉产生投诉信息。
在图4所示的场景中,诈骗用户为了方便资金转移,统一对账号进行管理,因此不同的诈骗用户的姓名往往雷同。在此情况下,可基于产生的投诉信息确定投诉对象的对象信息,进而从对象集合中筛选出具有相同或者相似对象信息的其他对象,进而可基于对象信息建立对象集合中部分对象之间的关联关系。
可选的,基于各对象间的关联关系可构建同构图,进而可清晰表示确定出的待评估群组中各对象之间的关联关系。作为一示例,参见图5a,图5a是本申请实施例提供的确定待评估群组的一场景示意图。若某一投诉对象的用户名为“梦梦”,则从对象集合中可确定出与“梦梦”相似的其他对象,如用户名为“梦梦2”、“梦梦3”、“梦梦A”以及“梦梦B”的对象,则可基于投诉对象的对象信息“梦梦”建立包括投诉对象在内的用户名与“梦梦”相关的其他用户之间的关联关系,进而基于该关联关系可确定出一个待评估群组。由于用户名“牛年大吉”以及用户名“平安是福”与“梦梦”完全不同,因此可该待评估群组中不包括用户名“牛年大吉”以及用户名“平安是福”对应的对象。
作为一示例,参见图5b,图5b是本申请实施例提供的确定待评估群组的另一场景示意图。假设对象集合由即时通讯应用中的各用户组成,并确定出多个投诉对象(被投诉用户)。在确定出各投诉对象的对象特征为转移资源后,可基于所有用户的转移资源确定被投诉用户所获取到的资源的转移路径,进而基于资源转移路径确定包括被投诉用户在内的用户间的关联关系。
例如,可先确定接收被投诉用户所转移的资源的接收用户,并建立接收用户和相对应的被投诉用户之间的关联关系。以此类推,基于所有用户的转移资源可确定被投诉用户获取的转移资源对应的转移路径,进而建立包括被投诉用户在内的部分用户获之间的关联关系,得到至少一个待评估群组。
可选的,确定各投诉对象的多个对象特征的情况下,可分别确定对象集合中各用户对应于不同对象特征的关联关系。在此情况下,若两个对象间存在关联关系,则该两个对象间可能存在对应于一个对象特征的关联关系,或者可能存在对应于多个对象特征的多个关联关系。进一步的,可对对应于不同对象特征的关联关系进行融合和/或拆分,得到至少一个待评估群组。如基于对应于不同对象特征的关联关系,构建对象集合中各对象的对应的异构图,并进一步对异构体进行拆分得到至少一个待评估群组。
需要特别说明的是,此时对于确定出的任一待评估群组,该待评估群组中对象间的关联关系只表示与投诉对象存在一定联系,或者与投诉对象存在联系的对象存在联系。
参见图5c,图5c是本申请实施例提供的确定待评估群组的又一场景示意图。假设各投诉对象的对象特征包括转移资源和对象信息(如昵称),基于转移资源和对象信息可构建同时存在资源关系和昵称关系的异构图。其中,两个对象间存在资源关系,表示该两个对象间存在资源转移行为,存在昵称关系则表示该两个对象的昵称相同或者相似。
进一步的,在两个对象间同时存在资源关系和昵称关系的情况下,可将资源关系和昵称关系进行融合以表示二者之间存在一定联系。在两个对象之间只存一种关联关系的情况下,若二者分别属于异构图中的不同群体,则可将二者之间的关联关系进行拆分,进而得到两个不同的待评估群组。
在一些可行的实施方式中,本申请实施例中基于投诉对象确定至少一个待评估群体还可基于标签传播算法以及社区发现算法等确定,在此不做限制。
步骤S22、对于每一待评估群组,确定该待评估群组中各对象的至少一个对象特征,基于各对象特征确定该待评估群组的群组紧密度。
在一些可行的实施方式中,对于每一待评估群组,该待评估群组中各对象的对象特征与投诉对象的对象特征相同,在此不再赘述。
在一些可行的实施方式中,对于每一待评估群组,基于各对象特征确定该待评估群组的群组紧密度的具体实现方式可参见图6。图6是本申请实施例提供的确定群组紧密度的流程示意图。如图6所示,本申请实施例提供的确定群组紧密度具体可包括如下步骤:
步骤S61、确定该待评估群组中的多个对象组合。
在一些可行的实施方式中,该待评估群组中的一个对象组合为具有关联关系的两个对象。如同构图中的两个对象节点为一个对象组合,二者之间的边表示二者之间具有关联关系。
其中,对于该待评估群组中的任一对象,该对象对应有至少一个对象组合,即该对象可以与一个或者多个对象分别构成对象组合。
步骤S62、对于每一对象组合,基于各对象特征确定该对象组合对应的对象相似度。
在一些可行的实施方式中,对于每一对象组合中的每一对象,可基于神经网络模型对该对象对应的各对象特征进行融合,得到用于表示该对象的各对象特征的特征向量。进一步确定该对象组合中各对象对应的特征向量间的相似度,以得到该对象组合中两个对象的对象相似度,即该对象组合对应的对象相似度。
可选的,对于每一对象组合,可分别确定该对象组合中各对象对应于每一对象特征的特征相似度,进而基于各对象对应于每一对象特征的特征相似度确定出一个最终的特征相似度,并将最终的特征相似度确定为该对象组合对应的对象相似度。
例如,可分别确定该对象组合中各对象对应于对象信息的第一特征相似度、对应于位置信息的第二特征相似度以及对应于设备信息的第三特征相似度,进而基于第一特征相似度、第二特征相似度以及第三特征相似度确定该对象组合对应的对象相似度。
进一步的,对于每一对象组合,在确定该对象组合对应于每一对象特征的特征相似度之后,可确定各对象特征对应的对象特征权重,进而基于对应于各对象特征的特征相似度和相对应的对象特征权重,确定该对象组合对应的对象相似度。
例如,对于每一对象组合,xi表示该对象组合对应于一个对象特征的特征相似度,εi表示一个特征对象对应的对象特征权重,i表示对象特征的索引。则该对象组合对应的对象相似度y=∑xi*εi。
其中,在确定该对象组合对应于每一对象特征的特征相似度时,同样可确定各对象特征对应的特征向量,进而确定同一对象特征的特征向量之间的特征相似度以作为对应于一个对象特征的特征相似度。或者,该对象组合对应于每一对象特征的特征相似度还基于确定文本相似度或者其他相似度模型确定,具体可基于实际应用场景需求确定,在此不做限制。
其中,对于每一对象组合,该对象组合对应的对象相似度用于表示该对象组合中的两个对象的关系紧密程度,对象相似度越高,则表示该对象组合中的两个对象至今的关系越紧密,即二者属于同一类型的对象的概率越高。如某一投诉对象被投诉为诈骗用户,且该对象所在的对象组合对应的对象相似度较高,则该对象组合内的另一对象为诈骗用户的可能性也就越高。
步骤S63、基于各对象组合对应的对象相似度,确定该待评估群组的群组紧密度。
在一些可行的实施方式中,在确定各对象组合对应的对象相似度之后,可基于各对象组合对应的对象相似度确定该待评估群组的群组紧密度。其中,对于每一待评估群组,该待评估群组的群组紧密度用于表示该待评估群组内部的关联紧密程度,群组紧密度越高,则表示该待评估群组内部各对象的关联紧密程度越高。如某一投诉对象被投诉为诈骗用户,且该对象所在的待评估群组的群组紧密度越高,说明该待评估群组内部各对象的关联紧密程度越高,则该投诉对象所在的待评估群组为诈骗团伙的可能性也就越高。
在一些可行的实施方式中,可将该待评估群组中各对象组合对应的对象相似度之和作为该待评估群组的群组紧密度。或者将该待评估群组中各对象组合对应的对象相似度之后进行进一步处理,如进行归一化处理得到该待评估群组的群组紧密度,具体可基于实际应用场景需求确定,在此不做限制。
可选的,可确定该待评估群组中的对象组合的组合数量,进而基于各对象组合对应的对象相似度和组合数量,确定该待评估群组的群组紧密度。例如,yk表示一个对象组合对应的对象相似度,k表示对象组合的索引,则该待评估群组对应的群组紧密度其中H为该待评估群组中对象组合的数量。
需要特别说明的是,上述基于待评估群组中对象组合的组合数量、以及各对象组合对应的对象相似度确定待评估群组的群组紧密度的实现方式仅为示例,在本申请实施例中不做限制。
步骤S23、对于每一待评估群组,确定该待评估群组对应的至少一个群组特征,基于各群组特征确定该待评估群组的群组风险度。
在一些可行的实施方式中,对于每一待评估群组,该待评估群组的群组特征包括以下至少一项:
待评估群组对应的投诉次数;
待评估群组对应的投诉来源对象的数量;
待评估群组对应的投诉资源总量;
待评估群组对应的资源接收总量。
具体的,待评估群组对应的投诉次数为针对该待评估群组中的对象发起的投诉次数,也即待评估群组中的对象被投诉的总次数,或者被投诉信息中被投诉对象为待评估群组中的对象的投诉信息的数量。例如,用户“张三”对该待评估群组中的用户1和用户2分别发起投诉,即此时产生两次投诉。用户“李四”对该待评估群组中的用户1和用户3分别发起投诉,此时又产生两次投诉。在该待评估群组只有用户1、用户2以及用户3被投诉的情况下,用户1、用户2以及用户3合计被投诉4次,即该待评估群组对应的投诉次数为4。
具体的,待评估群组对应的投诉来源对象的数量为对待评估群组中的对象进行投诉的对象的数量,也即待评估群组中的对象作为被投诉对象的投诉信息的来源对象的数量。例如,用户“张三”对该待评估群组中的用户1和用户2分别发起投诉,用户“李四”对该待评估群组中的用户1和用户3分别发起投诉。在该待评估群组只有用户1、用户2以及用户3被投诉的情况下,该待评估群组对应的投诉来源对象的数量为2(“张三”和“李四”)。
具体的,待评估群组对应的投诉资源总量为待评估群组对应的所有投诉信息所涉及的转移资源总量。在确定待评估群组对应的投诉资源总量时,可分别确定该评估群组中的对象作为被投诉对象的各个投诉信息所对应的投诉资源量,进而基于各个投诉信息对应的投诉资源量,得到待评估群组对应的投诉资源总量。
需要特别说明的是,上述确定待评估群组对应的投诉资源总量的具体方式仅为示例,具体可基于实际应用场景需求确定,在此不做限制。
具体的,待评估群组对应的资源接收总量为该待评估群组中的对象对应的转移资源量。具体可包括该待评估群组中投诉对象对应的资源接收总量,第一对象对应的资源接收总量(投诉对象向第一对象转移的总资源量),第二对象对应的资源接收总量(第一对象向第二对象转移的总资源量)等等。
其中,在确定待评估群组对应的资源接收总量时,可确定待平群组中投诉对象对应的转移资源的转移路径,基于该转移资源的转移路径确定待评估群组对应的资源接收总量。
作为一示例,若本申请实施例提供的风险群组的识别方法用于识别涉及社交网络中的诈骗团伙,待评估群组为确定出的疑似诈骗团伙。对于任一疑似诈骗团伙而言,投诉对象即为疑似诈骗团伙中的被投诉用户,如被投诉诈骗钱财的用户。待评估群组对应的投诉次数为疑似诈骗团伙中的被投诉用户合计被投诉的次数,待评估群组对应的投诉来源对象的数量为对疑似诈骗团伙中的用户进行投诉的用户的数量,待评估群组对应的投诉资源总量为对疑似诈骗团伙中的用户进行投诉的用户所投诉的被诈骗的资金总量,待评估群组对应的资源接收总量可以为疑似诈骗团伙中被投诉用户所获取的资金总量,以及接收被投诉用户转移的资金的用户所接收的资金总量。
作为一示例,若本申请实施例提供的风险群组的识别方法用于识别游戏中的恶意玩家群体,则待评估群组为确定出的游戏中的疑似恶意玩家群体。对于任一疑似恶意玩家群体而言,投诉对象即为疑似恶意玩家群体中的被投诉玩家,如被投诉诈骗虚拟资产的玩家。待评估群组对应的投诉次数为疑似恶意玩家群体中的被投诉玩家合计被投诉的次数,待评估群组对应的投诉来源对象的数量为对疑似恶意玩家群体中的玩家进行投诉的玩家的数量,待评估群组对应的投诉资源总量为对疑似恶意玩家群体中的玩家进行投诉的玩家所投诉的被诈骗的虚拟资产总量,待评估群组对应的资源接收总量可以为疑似恶意玩家群体中被投诉玩家所获取的虚拟资产总量,以及接收被投诉玩家转移的虚拟资产的玩家所接收的虚拟资产总量。
在一些可行的实施方式中,对于每一待评估群组,该待评估群组的群组风险度用于表示该待评估群组为风险群组的概率,群组风险度越高,该待评估群组为风险群组的概率越高。例如,若本申请实施例提供的风险群组的识别方法用于识别涉及社交网络中的诈骗团伙,若待评估群组的群组风险度越高,则该待评估群组为诈骗团伙的可能性越高。再例如,若本申请实施例提供的风险群组的识别方法用于识别游戏中的恶意玩家群体,若待评估群组的群组风险度越高,则该待评估群组为恶意玩家群体的可能性越高。
具体的,对于每一待评估群组,在确定该待评估群组的群组风险度时,可确定各所述群组特征对应的群组特征值,进而基于各所述群组特征值确定该待评估群组的群组风险度。
其中,对于每一群组特征,该群组特征的群组特征值可基于风险预测模型确定,也可对该群组特征进行数据处理,如归一化处理等得到该群组特征对应的群组特征值,具体确定方式可基于实际应用场景需求确定,在此不做限制。
进一步的,在得到该待评估群组的各群组特征的群组特征值之后,可对各群组特征值进行求和得到该待评估群组的群组风险度。
可选的,还可确定各群组特征对应的群组特征权重,进而基于各群组特征对应的群组特征群众和相对应的群组特征值,确定该待评估群组对应的群组风险度。
需要特别说明的是,上述确定待评估群组的群组风险度的具体方式仅为示例,具体可基于实际应用场景需求确定,在此不做限制。
步骤S24、基于各待评估群组的群组紧密度和群组风险度,从各待评估群组中确定出风险群组。
在一些可行的实施方式中,由于群组紧密度越高,表示待评估群组内部各对象之间的联系越紧密,群组风险度越高,待评估群组为风险群组的概率越高。基于此,对于确定出的至少一个待评估群组,可将确定出群组紧密度高于第一阈值且群组风险度高于第二阈值的待评估群组确定为风险群组。
例如,若本申请实施例提供的风险群组的识别方法用于识别涉及社交网络中的诈骗团伙,则可将确定出待评估群组中群组紧密度高于第一阈值且群组风险度高于第二阈值的待评估群组确定为诈骗团伙。再例如,若本申请实施例提供的风险群组的识别方法用于识别游戏中的恶意玩家群体,可将确定出待评估群组中群组紧密度高于第一阈值且群组风险度高于第二阈值的待评估群组确定为恶意玩家群体。
其中,上述第一阈值和第二阈值的取值具体可基于实际应用场景需求确定,在此不做限制。
参见图7,图7是本申请实施例提供的风险群组的识别方法的另一场景示意图。参见图7,图7所示的风险群组的识别方法可包括如下步骤:
S71、确定至少一个投诉对象,基于各投诉对象从对象集合中确定至少一个待评估群组。
S72、对于每一待评估群组,确定该待评估群组中各对象的至少一个对象特征,基于各对象特征确定该待评估群组的群组紧密度。
S73、对于每一待评估群组,确定该待评估群组对应的至少一个群组特征,基于各群组特征确定该待评估群组的群组风险度。
S74、基于各待评估群组的群组紧密度和群组风险度,从各待评估群组中确定出风险群组。
在一些可行的实施方式中,图7中步骤S71至步骤S74的具体实施方式,可参见图2中步骤S21至步骤S24所示的实现方式,在此不再赘述。
S75、对于每一风险群组,基于各对象特征确定与该风险群组中的风险对象相关联的待评估对象。
在一些可行的实施方式中,对于每一风险群组,随着时间的不断推移,该风险群组可能会不断扩大,即该风险群组中的风险对象可能不断增多,因此在确定出风险群组之后,可基于风险群组中风险对象的对象特征确定出新的风险对象,为方面描述,以下称为待评估对象。
例如,若以风险群组为诈骗团伙,则可基于诈骗团伙中各诈骗对象的对象特征,如对象信息、设备信息、位置信息、投诉信息的文本内容以及转移资源等,确定出与任一诈骗对象对应于上述对象特征存在关联关系的新的对象。参见图8,图8是本申请实施例提供的确定待评估对象的场景示意图。在图8中,被投诉账号A、被投诉账号B、被投诉账号C、收款账号D、收款账号E以及收款账号F构成一诈骗团伙(风险群组)。若一段时间后确定收款账号D收到新账号G和新账号H转移的资金,则新账号G和新账号H分别与收款账号D具有关联关系;若新账号1接收收款账号E转移的资金,则可确定新账号1与收款账号E具有关联关系。对于图8中的风险群组而言,新账号1、新账号H以及新账号G基于对象特征确定出的与风险群组中的风险对象相关联的待评估对象。
其中,若投诉对象为一段时间内的投诉对象,如一天内的投诉对象,基于步骤S75所示的方法,可确定出一段时间内(如一个月)与风险群组相关联的待评估对象。
S76、对于每一待评估对象,基于各对象特征确定该待评估对象的对象风险度。
在一些可行的实施方式中,由于与风险群组中的风险对象相关联的待评估对象可能为无异常对象,或者与风险对象的相关性不大,如某对象的对象信息、位置信息以及设备信息等与风险群组中某一风险对应偶然相同,则该对象很可能不属于该风险群组中的风险对象。
基于此,在确定出与风险群组中的风险对应相关联的待评估对象之后,对于每一待评估对象,可基于上述对象特征确定该待评估对象的对象风险度。其中,对象风险度表示该待评估对象为风险群组中的风险对象的概率,也可以表示该待评估对象的风险程度。
其中,确定该待评估对象的对象风险度时,可将该待评估对象与相对应的风险对应确定为一个对象组合,进而基于上述对象特征确定该对象组合对应的对象相似度,以基于该对象相似度确定待评估对象的对象风险度。
其中,确定待评估对象对应的对象组合的对象相似度的实现方式,可参见图2中步骤S22所示的实施方式,在此不再赘述。
具体的,若该待评估对象只与待风险群组中的一个风险对象相关联,则可将该待评估对象所在的对象组合对应的对象相似度确定为该待评估对象的对象风险度。
可选的,若该待评估对象与待风险群组中的多个风险对象相关联,则可确定多个对象组合,每一对象组合包括该待评估对象和一个相关联的风险对象,进而确定各对象组合对应的对象相似度,从而基于各对象组合对应的对象相似度确定出该待评估对象的对象风险度。
S77、基于各待评估对象的对象风险度,对各待评估对象进行处理。
在一些可行的实施方式中,由于待评估对象的对象风险度表示该待评估对象为风险群组中的风险对象的概率,也可以表示该待评估对象的风险程度,因此可基于各待评估对象的对象风险度,对各待评估对象进行处理。
其中,若投诉对象为一段时间内的投诉对象,如一天内的投诉对象,基于步骤S75所示的方法,可确定出一段时间内(如一个月)与风险群组相关联的待评估对象,进而基于各待评估对象的对象风险度对待评估对象进行进一步筛选,如剔除对象风险度低于一定值的待评估对象,将剩余的待评估对象作为风险群组中的新的风险对象,从而可不断扩大风险群组的群组范围。
可选的,可基于预置的风险处理表确定各待评估对象对应的处理措施,进而基于相对应的处理措施对待评估对象进行处理。其中,上述风险处理表包括多个风险度区间,每一风险度区间对应于不同的处理方式,且在不同的应用场景中不同风险度区间对应的处理方式也不同。
例如,对于社交网络中的诈骗团伙而言,基于待评估对象对应的对象风险度,可对不同对象风险度的待评估对象进行账户冻结、账号封禁以及自然人限制等措施。对于网络游戏中的恶意玩家群体,可对不同对象风险度的待评估对象进行删除游戏账号、游戏封禁等处理。
其中,上述风险度区间的具体确定方式可基于实际应用场景需求确定,在此不做限制。并且,基于对象风险度对待评估对象进行处理的具体处理方式同样可基于实际应用场景需求确定,在此不做限制。
可选的,对于风险群组中的任一对象,可同样基于上述方式确定该对象的对象风险度,进而基于该对象的对象风险度对该风险对象进行处理。
参见图9,图9是本申请实施例提供的对诈骗账号进行处理的流程示意图。如图9所示,对于某一通讯应用,可在每天确定欺诈大盘的投诉账号,进而将其他账号与投诉账号进行对象特征关联,即与投诉账号有资金往来的各级收款号相关联,得到至少一个疑似诈骗团伙。
进一步的,对每个疑似诈骗团伙进行团伙评分,即确定每个疑似诈骗团伙的群组紧密度和群组风险度,进而从中筛选出高可疑团伙(风险团伙)。并在一个月内基于对象特征进行团伙扩散,确定新团伙成员,从而不断对该高可疑团伙中的诈骗账号进行处理。
利用欺诈大盘投诉账号的当日出款资金链路进行团伙划分,然后关联团伙的账号特征,进行对团伙的紧密度和恶意度评分,筛选出高可疑团伙及账号,根据这些账号的近一个月的资金流水扩散出更多可疑账号,最后对这些账号进行恶意度评分,分级处置打击。
在一些可行的实施方式中,本申请实施例提供的风险群组的识别方法可同样适用于人工智能领域中的机器学习(Machine Learning,ML)技术,机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。基于机器学习的方式使得计算机可自行对风险群体进行识别,提升本申请实施例提供的风险群体的识别方法的适用性。
在一些可行的实施方式中,本申请实施例提供的风险群组的识别方法同样涉及自然语言处理(Nature Language processing,NLP)中的文本识别等领域,通过文本识别可确定投诉信息中的文本内容,进而基于文本内容确定待评估群体。
在本申请实施例中,通过投诉对象确定至少一个待评估群组,提升待评估群组的确定效率,同时,通过对象特征确定各待评估群组的群组紧密度、以及通过群组特征确定各待评估群组的群组风险度,进而基于群组风险度和群组紧密度从各待评估群组中筛选出最终的风险群组,从而提升风险群组的识别效率和准确性。进一步的,还可基于风险群组中风险对象对应的对象特征,不断扩展风险群组中的风险对象的数量,进而对风险群组中的风险对象采取不同的处理措施,适用性高。
参见图10,图10是本申请实施例提供的风险群组的识别装置的结构示意图。本申请实施例提供的风险群组的识别装置1包括:
待评估群组确定模块11,用于确定至少一个投诉对象,基于各上述投诉对象从对象集合中确定至少一个待评估群组,其中,每一上述待评估群组包括上述至少一个投诉对象中的一个或者多个投诉对象;
紧密度确定模块12,用于对于每一上述待评估群组,确定该待评估群组中各对象的至少一个对象特征,基于各上述对象特征确定该待评估群组的群组紧密度;
风险度确定模块13,用于对于每一上述待评估群组,确定该待评估群组对应的至少一个群组特征,基于各上述群组特征确定该待评估群组的群组风险度;
风险群组确定模块14,用于基于各上述待评估群组的群组紧密度和群组风险度,从各上述待评估群组中确定出风险群组。
在一些可行的实施方式中,上述待评估群组确定模块11,用于:
确定各上述投诉对象的至少一个对象特征;
对于每一上述对象特征,基于该对象特征确定对象集合中各对象间的关联关系;
基于上述对象集合中各对象间的关联关系,从上述对象集合中确定至少一个待评估群组。
在一些可行的实施方式中,上述紧密度确定模块12,用于:
确定该待评估群组中的多个对象组合,每一对象组合包括具有关联关系的两个对象;
对于每一上述对象组合,基于各上述对象特征确定该对象组合对应的对象相似度;
基于各上述对象组合对应的对象相似度,确定该待评估群组的群组紧密度。
在一些可行的实施方式中,上述紧密度确定模块12,用于:
确定该对象组合对应于每一上述对象特征的特征相似度;
确定各上述对象特征对应的对象特征权重;
基于各上述特征相似度以及各上述对象特征对应的对象特征权重,确定该对象组合对应的对象相似度。
在一些可行的实施方式中,上述紧密度确定模块12,用于:
确定该待评估群组中的对象组合的组合数量;
基于各上述对象组合对应的对象相似度和上述组合数量,确定该待评估群组的群组紧密度。
在一些可行的实施方式中,上述对象特征包括以下至少一项:
对象的对象信息;
对象的位置信息;
对象的设备信息;
对象对应的投诉信息的文本内容;
对象的转移资源。
在一些可行的实施方式中,上述风险度确定模块13,用于:
确定各上述群组特征对应的群组特征值;
基于各上述群组特征值确定该待评估群组的群组风险度。
在一些可行的实施方式中,上述风险度确定模块13,用于:
确定各上述群组特征对应的群组特征权重;
基于各上述群组特征值和相对应的群组特征权重,确定该待评估群组的群组风险度。
在一些可行的实施方式中,对于每一上述待评估群组,该待评估群组对应的群组特征包括以下至少一项:
待评估群组对应的投诉次数;
待评估群组对应的投诉来源对象的数量;
待评估群组对应的投诉资源总量;
待评估群组对应的资源接收总量。
在一些可行的实施方式中,上述风险群组确定模块14,用于:
将各上述待评估群组中群组紧密度高于第一阈值且群组风险度高于第二阈值的待评估群组确定为风险群组。
在一些可行的实施方式中,上述识别装置1还包括风险处理模块15,上述风险处理模块15,还用于:
对于每一上述风险群组,基于各上述对象特征确定与该风险群组中的风险对象相关联的待评估对象;
对于每一上述待评估对象,基于各上述对象特征确定该待评估对象的对象风险度;
基于各上述待评估对象的对象风险度,对各上述待评估对象进行处理。
在一些可行的实施方式中,上述风险处理模块15,还用于:
基于各上述对象特征确定该待评估对象与相关联的风险对象的对象相似度;
基于上述对象相似度确定该待评估对象的对象风险度。
具体实现中,上述识别装置1可通过其内置的各个功能模块执行如上述图2、图6和/或图7中各个步骤所提供的实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
上述风险群组的识别装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该风险群组的识别装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。
在一些实施例中,本申请实施例提供的风险群组的识别装置可以采用软硬件结合的方式实现,作为示例,本申请实施例提供的风险群组的识别装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本申请实施例提供的风险群组的识别方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,ApplicationSpecific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable LogicDevice)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
在一些可行的实施方式中,本申请实施例提供的风险群组的识别装置可以采用软件方式实现,其可以是程序和插件等形式的软件,并包括一系列的模块,包括待评估群组确定模块11、紧密度确定模块12、风险度确定模块13、风险群组确定模块14以及风险处理模块15。其中,待评估群组确定模块11、紧密度确定模块12、风险度确定模块13、风险群组确定模块14以及风险处理模块15用于实现本申请实施例提供的风险群组的识别方法。
参见图11,图11是本申请实施例提供的电子设备的结构示意图。如图11所示,本实施例中的电子设备1000可以包括:处理器1001,网络接口1004和存储器1005,此外,上述电子设备1000还可以包括:用户接口1003,和至少一个通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。其中,用户接口1003可以包括显示屏(Display)、键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1004可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图11所示,作为一种计算机可读存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及设备控制应用程序。
在图11所示的电子设备1000中,网络接口1004可提供网络通讯功能;而用户接口1003主要用于为用户提供输入的接口;而处理器1001可以用于调用存储器1005中存储的设备控制应用程序,以实现:
确定至少一个投诉对象,基于各上述投诉对象从对象集合中确定至少一个待评估群组,其中,每一上述待评估群组包括上述至少一个投诉对象中的一个或者多个投诉对象;
对于每一上述待评估群组,确定该待评估群组中各对象的至少一个对象特征,基于各上述对象特征确定该待评估群组的群组紧密度;
对于每一上述待评估群组,确定该待评估群组对应的至少一个群组特征,基于各上述群组特征确定该待评估群组的群组风险度;
基于各上述待评估群组的群组紧密度和群组风险度,从各上述待评估群组中确定出风险群组。
在一些可行的实施方式中,上述处理器1001用于:
确定各上述投诉对象的至少一个对象特征;
对于每一上述对象特征,基于该对象特征确定对象集合中各对象间的关联关系;
基于上述对象集合中各对象间的关联关系,从上述对象集合中确定至少一个待评估群组。
在一些可行的实施方式中,上述处理器1001用于:
确定该待评估群组中的多个对象组合,每一对象组合包括具有关联关系的两个对象;
对于每一上述对象组合,基于各上述对象特征确定该对象组合对应的对象相似度;
基于各上述对象组合对应的对象相似度,确定该待评估群组的群组紧密度。
在一些可行的实施方式中,上述处理器1001用于:
确定该对象组合对应于每一上述对象特征的特征相似度;
确定各上述对象特征对应的对象特征权重;
基于各上述特征相似度以及各上述对象特征对应的对象特征权重,确定该对象组合对应的对象相似度。
在一些可行的实施方式中,上述处理器1001用于:
确定该待评估群组中的对象组合的组合数量;
基于各上述对象组合对应的对象相似度和上述组合数量,确定该待评估群组的群组紧密度。
在一些可行的实施方式中,上述对象特征包括以下至少一项:
对象的对象信息;
对象的位置信息;
对象的设备信息;
对象对应的投诉信息的文本内容;
对象的转移资源。
在一些可行的实施方式中,上述处理器1001用于:
确定各上述群组特征对应的群组特征值;
基于各上述群组特征值确定该待评估群组的群组风险度。
在一些可行的实施方式中,上述处理器1001用于:
确定各上述群组特征对应的群组特征权重;
基于各上述群组特征值和相对应的群组特征权重,确定该待评估群组的群组风险度。
在一些可行的实施方式中,对于每一上述待评估群组,该待评估群组对应的群组特征包括以下至少一项:
待评估群组对应的投诉次数;
待评估群组对应的投诉来源对象的数量;
待评估群组对应的投诉资源总量;
待评估群组对应的资源接收总量。
在一些可行的实施方式中,上述处理器1001用于:
将各上述待评估群组中群组紧密度高于第一阈值且群组风险度高于第二阈值的待评估群组确定为风险群组。
在一些可行的实施方式中,上述处理器1001还用于:
对于每一上述风险群组,基于各上述对象特征确定与该风险群组中的风险对象相关联的待评估对象;
对于每一上述待评估对象,基于各上述对象特征确定该待评估对象的对象风险度;
基于各上述待评估对象的对象风险度,对各上述待评估对象进行处理。
在一些可行的实施方式中,上述处理器1001用于:
基于各上述对象特征确定该待评估对象与相关联的风险对象的对象相似度;
基于上述对象相似度确定该待评估对象的对象风险度。
应当理解,在一些可行的实施方式中,上述处理器1001可以是中央处理单元(central processing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integratedcircuit,ASIC)、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
具体实现中,上述电子设备1000可通过其内置的各个功能模块执行如上述图2、图6和/或图7中各个步骤所提供的实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,被处理器执行以实现图2、图6和/或图7中各个步骤所提供的方法,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
上述计算机可读存储介质可以是前述风险群组的识别装置或者电子设备的内部存储单元,例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备,例如该电子设备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(flash card)等。上述计算机可读存储介质还可以包括磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(randomaccess memory,RAM)等。进一步地,该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图2、图6和/或图7中各个步骤所提供的方法。
本申请的权利要求书和说明书及附图中的术语“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。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或电子设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或电子设备固有的其它步骤或单元。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展示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。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本领域普通技术人员可以意识到,结合本文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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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申请的范围。
以上所揭露的仅为本申请较佳实施例而已,不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (15)
1.一种风险群组的识别方法,其特征在于,所述方法包括:
确定至少一个投诉对象,基于各所述投诉对象从对象集合中确定至少一个待评估群组,其中,每一所述待评估群组包括所述至少一个投诉对象中的一个或者多个投诉对象;
对于每一所述待评估群组,确定该待评估群组中各对象的至少一个对象特征,基于各所述对象特征确定该待评估群组的群组紧密度;
对于每一所述待评估群组,确定该待评估群组对应的至少一个群组特征,基于各所述群组特征确定该待评估群组的群组风险度;
基于各所述待评估群组的群组紧密度和群组风险度,从各所述待评估群组中确定出风险群组。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述投诉对象从对象集合中确定至少一个待评估群组,包括:
确定各所述投诉对象的至少一个对象特征;
对于每一所述对象特征,基于该对象特征确定对象集合中各对象间的关联关系;
基于所述对象集合中各对象间的关联关系,从所述对象集合中确定至少一个待评估群组。
3.根据权利要求1所述的方法,其特征在于,对于每一所述待评估群组,所述基于各所述对象特征确定该待评估群组的群组紧密度,包括:
确定该待评估群组中的多个对象组合,每一对象组合包括具有关联关系的两个对象;
对于每一所述对象组合,基于各所述对象特征确定该对象组合对应的对象相似度;
基于各所述对象组合对应的对象相似度,确定该待评估群组的群组紧密度。
4.根据权利要求3所述的方法,其特征在于,对于每一所述对象组合,所述基于各所述对象特征确定该对象组合对应的对象相似度,包括:
确定该对象组合对应于每一所述对象特征的特征相似度;
确定各所述对象特征对应的对象特征权重;
基于各所述特征相似度以及各所述对象特征对应的对象特征权重,确定该对象组合对应的对象相似度。
5.根据权利要求3所述的方法,其特征在于,所述基于各所述对象组合对应的对象相似度,确定该待评估群组的群组紧密度,包括:
确定该待评估群组中的对象组合的组合数量;
基于各所述对象组合对应的对象相似度和所述组合数量,确定该待评估群组的群组紧密度。
6.根据权利要求1所述的方法,其特征在于,所述对象特征包括以下至少一项:
对象的对象信息;
对象的位置信息;
对象的设备信息;
对象对应的投诉信息的文本内容;
对象的转移资源。
7.根据权利要求1所述的方法,其特征在于,对于每一所述待评估群组,所述基于各所述群组特征确定该待评估群组的群组风险度,包括:
确定各所述群组特征对应的群组特征值;
基于各所述群组特征值确定该待评估群组的群组风险度。
8.根据权利要求7所述的方法,其特征在于,所述基于各所述群组特征值确定该待评估群组的群组风险度,包括:
确定各所述群组特征对应的群组特征权重;
基于各所述群组特征值和相对应的群组特征权重,确定该待评估群组的群组风险度。
9.根据权利要求1所述的方法,其特征在于,对于每一所述待评估群组,该待评估群组对应的群组特征包括以下至少一项:
待评估群组对应的投诉次数;
待评估群组对应的投诉来源对象的数量;
待评估群组对应的投诉资源总量;
待评估群组对应的资源接收总量。
10.根据权利要求1所述的方法,其特征在于,所述基于各所述待评估群组的群组紧密度和群组风险度,从各所述待评估群组中确定出风险群组,包括:
将各所述待评估群组中群组紧密度高于第一阈值且群组风险度高于第二阈值的待评估群组确定为风险群组。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对于每一所述风险群组,基于各所述对象特征确定与该风险群组中的风险对象相关联的待评估对象;
对于每一所述待评估对象,基于各所述对象特征确定该待评估对象的对象风险度;
基于各所述待评估对象的对象风险度,对各所述待评估对象进行处理。
12.根据权利要求11所述的方法,其特征在于,对于每一所述待评估对象,所述基于各所述对象特征确定该待评估对象的对象风险度,包括:
基于各所述对象特征确定该待评估对象与相关联的风险对象的对象相似度;
基于所述对象相似度确定该待评估对象的对象风险度。
13.一种风险群组的识别装置,其特征在于,所述装置包括:
待评估群组确定模块,用于确定至少一个投诉对象,基于各所述投诉对象从对象集合中确定至少一个待评估群组,其中,每一所述待评估群组包括所述至少一个投诉对象中的一个或者多个投诉对象;
紧密度确定模块,用于对于每一所述待评估群组,确定该待评估群组中各对象的至少一个对象特征,基于各所述对象特征确定该待评估群组的群组紧密度;
风险度确定模块,用于对于每一所述待评估群组,确定该待评估群组对应的至少一个群组特征,基于各所述群组特征确定该待评估群组的群组风险度;
风险群组确定模块,用于基于各所述待评估群组的群组紧密度和群组风险度,从各所述待评估群组中确定出风险群组。
14.一种电子设备,其特征在于,包括处理器和存储器,所述处理器和存储器相互连接;
所述存储器用于存储计算机程序;
所述处理器被配置用于在调用所述计算机程序时,执行如权利要求1至12任一项所述的方法。
15.一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存储有计算机程序,所述计算机程序被处理器执行以实现权利要求1至12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291649.3A CN115115370A (zh) | 2021-03-18 | 2021-03-18 | 风险群组的识别方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291649.3A CN115115370A (zh) | 2021-03-18 | 2021-03-18 | 风险群组的识别方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115370A true CN115115370A (zh) | 2022-09-27 |
Family
ID=83323217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291649.3A Pending CN115115370A (zh) | 2021-03-18 | 2021-03-18 | 风险群组的识别方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115370A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564332A (zh) * | 2022-10-08 | 2023-01-03 | 深圳中科保泰科技有限公司 | 基于大数据的政务风险分析方法及*** |
-
2021
- 2021-03-18 CN CN202110291649.3A patent/CN115115370A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564332A (zh) * | 2022-10-08 | 2023-01-03 | 深圳中科保泰科技有限公司 | 基于大数据的政务风险分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11830004B2 (en) | Blockchain transaction safety | |
US10965668B2 (en) | Systems and methods to authenticate users and/or control access made by users based on enhanced digital identity verification | |
US10356099B2 (en) | Systems and methods to authenticate users and/or control access made by users on a computer network using identity services | |
Isacenkova et al. | Inside the scam jungle: A closer look at 419 scam email operations | |
CN112700252B (zh) | 一种信息安全性检测方法、装置、电子设备和存储介质 | |
CN106453061A (zh) | 一种识别网络诈骗行为的方法及*** | |
Lopez-Rojas et al. | A review of computer simulation for fraud detection research in financial datasets | |
Balagolla et al. | Credit card fraud prevention using blockchain | |
Bhuiyan et al. | BONIK: A blockchain empowered chatbot for financial transactions | |
Luntovskyy et al. | Cryptographic technology blockchain and its applications | |
US20230281479A1 (en) | Object recognition method and apparatus, electronic device and storage medium | |
New Scientist | The End of Money: The story of bitcoin, cryptocurrencies and the blockchain revolution | |
CN115115370A (zh) | 风险群组的识别方法、装置、设备以及存储介质 | |
Gomathi et al. | Rain drop service and biometric verification based blockchain technology for securing the bank transactions from cyber crimes using weighted fair blockchain (WFB) algorithm | |
CN111260372B (zh) | 资源转移用户群确定方法、装置、计算机设备和存储介质 | |
Swanson | Watermarked tokens and pseudonymity on public blockchains | |
Masteika et al. | Bitcoin double-spending risk and countermeasures at physical retail locations | |
Loporchio et al. | Is Bitcoin gathering dust? An analysis of low-amount Bitcoin transactions | |
Thomas et al. | A comparison of conventional and online fraud | |
Kumar et al. | Review on Social Network Trust With Respect To Big Data Analytics | |
Mwale | Modelling the dynamics of the bitcoin blockchain | |
Roshini et al. | An efficient SecureU application to detect malicious applications in social media networks | |
US11973875B2 (en) | Computer systems and computer-implemented methods utilizing digital resource accessing mechanism schema for digital tokens | |
Rani et al. | Blockchain based voting system using Ethereum network | |
Mohima et al. | Exploring attacks in the NFT gaming industry: A study of risks and mitigation strategies |
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 |