CN115270984A - 一种反欺诈模型构建方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种反欺诈模型构建方法、装置、电子设备及存储介质，涉及计算机技术领域。其中，该方法包括：接收第一机构发送的第一样本数据，接收第二机构发送的第二样本数据；确定第一样本数据和第二样本数据的共有用户；对第一样本数据的特征和第二样本数据的特征取并集得到目标特征；基于第一样本数据和第二样本数据确定第三样本数据，第三样本数据是共有用户拥有目标特征的数据；基于第三样本数据通过纵向联邦学习构建目标反欺诈模型。本申请提供的技术方案，可以提高目标反欺诈模型识别电信诈骗的准确性，实现了数据安全共享，也能够防止由于电信诈骗所造成的经济损失。

Description

一种反欺诈模型构建方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种反欺诈模型构建方法、装置、电子设备及存储介质。

背景技术

近年来，电信诈骗的案发率越来越高以及作案手段层出不穷。在电信诈骗过程中，会产生一系列的行为事件，涉及的不同的通信商和不同的银行，用户的通信商通信业务行为以及银行业务交易行为存在着诸多显著的特征，但是由于通信商和银行各自有涉密数据、用户隐私和数据安全的原因，各方原始数据信息不能直接进行交换，这给联合建模带来了诸多困难。因此，如何有效地识别电信诈骗，防止电信诈骗造成用户的经济损失，保护公民财产安全，成为了亟待解决的问题。

发明内容

本申请提供了一种反欺诈模型构建方法、装置、电子设备及存储介质，可以提高目标反欺诈模型识别电信诈骗的准确性，实现了数据安全共享，也能够防止由于电信诈骗所造成的经济损失。

第一方面，本申请提供了一种反欺诈模型构建方法，该方法包括：

接收第一机构发送的第一样本数据，接收第二机构发送的第二样本数据；

确定所述第一样本数据和所述第二样本数据的共有用户；

对所述第一样本数据的特征和所述第二样本数据的特征取并集得到目标特征；

基于所述共有用户和所述目标特征从所述第一样本数据和所述第二样本数据中提取出第三样本数据；

基于所述第三样本数据通过纵向联邦学习构建目标反欺诈模型。

第二方面，本申请提供了一种反欺诈模型构建装置，该装置包括：

样本数据接收模块，用于接收第一机构发送的第一样本数据，接收第二机构发送的第二样本数据；

共有用户确定模块，用于确定所述第一样本数据和所述第二样本数据的共有用户；

目标特征确定模块，用于对所述第一样本数据的特征和所述第二样本数据的特征取并集得到目标特征；

样本数据确定模块，用于基于所述共有用户和所述目标特征从所述第一样本数据和所述第二样本数据中提取出第三样本数据；

反欺诈模型构建模块，用于基于所述第三样本数据通过纵向联邦学习构建目标反欺诈模型。

第三方面，本申请提供了一种电子设备，该电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的反欺诈模型构建方法。

第四方面，本申请提供了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指令，所述计算机指令用于使处理器执行时实现本申请任意实施例所述的反欺诈模型构建方法。

本申请实施例提供了一种反欺诈模型构建方法、装置、电子设备及存储介质，包括：接收第一机构发送的第一样本数据，接收第二机构发送的第二样本数据；确定第一样本数据和第二样本数据的共有用户；对第一样本数据的特征和第二样本数据的特征取并集得到目标特征；基于第一样本数据和第二样本数据确定第三样本数据，第三样本数据是共有用户拥有目标特征的数据；基于第三样本数据通过纵向联邦学习构建目标反欺诈模型。本申请先从第一样本数据和第二样本数据中提取得到第三样本数据，再通过纵向联邦学习对第三样本数据进行建模，充分利用了第一样本数据和第二样本数据之间的关联性，可以提高目标反欺诈模型识别电信诈骗的准确性，实现了数据安全共享，也能够防止由于电信诈骗所造成的经济损失。

需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与反欺诈模型构建装置的处理器封装在一起，也可以与反欺诈模型构建装置的处理器单独封装，本申请对此不做限定。

本申请中第二方面、第三方面以及第四方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面以及第四方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。

可以理解的是，在使用本申请各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本申请所涉及个人信息的类型、使用范围以及使用场景等告知用户并获得用户的授权。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本申请实施例提供的一种反欺诈模型构建方法的第一流程示意图；

图2为本申请实施例提供的一种反欺诈模型构建方法的第二流程示意图；

图3为本申请实施例提供的一种反欺诈模型构建方法的第三流程示意图；

图4为本申请实施例提供的一种反欺诈模型构建方法的第四流程示意图；

图5为本申请实施例提供的一种反欺诈模型构建装置的结构示意图；

图6是用来实现本申请实施例的一种反欺诈模型构建方法的电子设备的框图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，都应当属于本申请保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”以及“原始”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够实施除了在这里图示或描述之外的顺序。此外，术语“包括”、“具有”以及他们的任何变形，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、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1为本申请实施例提供的一种反欺诈模型构建方法的第一流程示意图，本实施例可适用于将第一机构的数据和第二机构的数据进行联合构建目标反欺诈模型，用于识别电信诈骗。本实施例提供的一种反欺诈模型构建方法可以由本申请实施例提供的反欺诈模型构建装置来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的电子设备中。优选的，本申请实施例中的电子设备是可信度较高的中心机构的电子设备，例如：安防机构。

参见图1，本实施例的方法包括但不限于如下步骤：

S110、接收第一机构发送的第一样本数据，接收第二机构发送的第二样本数据。

其中，第一机构可以是承接金融交易业务的机构，如银行等。第一样本数据可以是用户在第一机构有关金融交易业务的历史数据。第二机构可以是承接网络通信业务的机构，如通信商等。第二样本数据可以是用户在第二机构有关网络通信业务的历史数据。样本数据中可以包括用户标识和用户标识对应的多个特征，其中，用户标识可以是经脱敏处理之后的标识，第一样本数据的特征可以是金融交易业务相关的内容，如业务上次启动时间、业务平均交易金额、业务启用频率、业务的平均额度；第二样本数据的特征可以是网络通信业务相关的内容，如业务启用平均时长、业务办理频率。

在本申请实施例中，第一机构将有关金融交易业务的历史数据经脱敏处理之后得到第一样本数据，再通过加密传输给中心机构的电子设备，中心机构的电子设备接收第一样本数据。第二机构将有关网络通信业务的历史数据经脱敏处理之后得到第二样本数据，再通过加密传输给中心机构的电子设备，中心机构的电子设备接收第二样本数据。

获取样本数据的方式可以是：由于同一类型的多个机构所采集的样本数据的特征存在差异，所以需要将样本特征统一。主要做法是：联合同一类型的多个机构的样本数据先确定同一类型机构的共有特征，基于共有特征各个机构生产各自包含共有特征的样本数据。需要说明的是，第一机构和第二机构属于不同类型的机构，多个第一机构或者多个第二机构属于同一类型的机构。

具体的，获取第一样本数据的方式可以是：确定多个第一机构的数据的第一共有特征；获取每个第一机构对应的具有第一共有特征的第一历史数据；对多个第一机构的第一历史数据进行预设数据处理得到第一样本数据。

具体的，获取第二样本数据的方式可以是：确定多个第二机构的数据的第二共有特征；获取每个第二机构对应的具有第二共有特征的第二历史数据；对多个第二机构的第二历史数据进行预设数据处理得到第二样本数据，预设数据处理至少包括数据汇总、数据脱敏和数据加密。

可选的，可根据步骤S150所构建的目标反欺诈模型的识别效果，对第一共有特征和第二共有特征的选取进行调整。

S120、确定第一样本数据和第二样本数据的共有用户。

在本申请实施例中，经上述步骤S110接收到第一样本数据和第二样本数据，由于第一样本数据和第二样本数据是来自不同类型的机构，不同类型机构的特征是不同的，因而需要对第一样本数据和第二样本数据进行数据对齐。本步骤是数据对齐的第一步，即提取出共有用户。具体的：分别确定第一样本数据中的第一用户标识和第二样本数据中的第二用户标识，然后从第一用户标识和第二用户标识中提取出共有用户。

S130、对第一样本数据的特征和第二样本数据的特征取并集得到目标特征。

在本申请实施例中，本步骤是数据对齐的第二步，即确定出目标特征。具体的：分别确定第一样本数据中的第一特征和第二样本数据中的第二特征，将第一特征和第二特征取并集得到目标特征。此过程是对全局样本特征的统一。

S140、基于共有用户和目标特征从第一样本数据和第二样本数据中提取出第三样本数据。

在本申请实施例中，本步骤是数据对齐的第三步，即确定出第三样本数据也就是，具有全局特征的样本数据。具体的：经上述步骤确定出共有用户和目标特征之后，再基于共有用户和目标特征从第一样本数据和第二样本数据中提取出第三样本数据，从而完成不同类型机构样本对齐。其中，第三样本数据为共有用户具有目标特征的数据。

S150、基于第三样本数据通过纵向联邦学习构建目标反欺诈模型。

在本申请实施例中，第三样本数据融合了第一机构的特征和第二机构的特征。中心机构的电子设备选择能够识别具有全局特征样本数据的算法，再通过纵向联邦学习训练得到目标反欺诈模型。

可选的，目标反欺诈模型的算法可以参考下述实施例中的第一机构反欺诈模型和第二机构反欺诈模型的算法。

较佳的，由于第三样本数据是融合第一样本数据和第二样本数据，所以在构建目标反欺诈模型的过程中，可以是首先通过横向联邦学习构建下述实施例中的第一机构反欺诈模型和第二机构反欺诈模型，然后基于第一机构反欺诈模型和第二机构反欺诈模型的算法与模型参数构建本步骤中的目标反欺诈模型。其中，第一机构反欺诈模型和第二机构反欺诈模型的算法可以相同，也可以不同，各自采用合适的算法。

本实施例提供的技术方案，接收第一机构发送的第一样本数据，接收第二机构发送的第二样本数据；确定第一样本数据和第二样本数据的共有用户；对第一样本数据的特征和第二样本数据的特征取并集得到目标特征；基于第一样本数据和第二样本数据确定第三样本数据，第三样本数据是共有用户拥有目标特征的数据；基于第三样本数据通过纵向联邦学习构建目标反欺诈模型。本申请先从第一样本数据和第二样本数据中提取得到第三样本数据，再通过纵向联邦学习对第三样本数据进行建模，充分利用了第一样本数据和第二样本数据之间的关联性，可以提高目标反欺诈模型识别电信诈骗的准确性，实现了数据安全共享，也能够防止由于电信诈骗所造成的经济损失。

下面进一步描述本发明实施例提供的反欺诈模型构建方法，图2为本申请实施例提供的一种反欺诈模型构建方法的第二流程示意图。本申请实施例是在上述实施例的基础上进行优化，具体优化为：本实施例对一种反欺诈的识别过程进行详细的解释说明。

参见图2，本实施例的方法包括但不限于如下步骤：

S210、接收第一机构发送的第一实时数据，接收第二机构发送的第二实时数据。

在本申请实施例中，第一实时数据可以是用户当前时刻在第一机构有关金融交易业务的数据。第二实时数据可以是用户当前时刻在第二机构有关网络通信业务的数据。实时数据中可以包括用户标识和用户标识对应的多个特征，其中，用户标识可以是经脱敏处理之后的标识，第一实时数据的特征可以是金融交易业务相关的内容，如业务启动时间、业务交易金额、办理业务状态是否正常、业务的额度、业务交易双方的信誉情况，第二实时数据的特征可以是网络通信业务相关的内容，如业务启用时长、办理业务状态是否正常、业务办理双方的信誉情况。

在本申请实施例中，第一机构将有关金融交易业务的实时数据经脱敏处理之后得到第一实时数据，再通过加密传输给中心机构，中心机构接收第一实时数据。第二机构将有关网络通信业务的实时数据经脱敏处理之后得到第二实时数据，再通过加密传输给中心机构，中心机构接收第二实时数据。

S220、通过目标反欺诈模型对第一实时数据和第二实时数据进行识别，得到反欺诈识别结果。

在本申请实施例中，由于第一实时数据和第二实时数据是来自不同类型的机构，不同类型机构的特征是不同的，因而需要对第一实时数据和第二实时数据进行数据对齐，得到第三实时数据。其中，数据对齐的具体过程与上述实施例中对第一样本数据和第二样本数据进行数据对齐的具体过程一样，在此不做赘述。然后，将第三实时数据输入至目标反欺诈模型中，进行反欺诈判别，得到反欺诈识别结果。

S230、若反欺诈识别结果为存在欺诈行为，则确定存在被欺诈的目标用户。

在本申请实施例中，如果中心机构的目标反欺诈模型识别出存在欺诈行为，那么也会输出存在被欺诈的用户标识，即目标用户。

S240、基于第一实时数据、第二实时数据和第三样本数据确定目标用户名下的至少一个第一机构和/或至少一个第二机构。

在本申请实施例中，中心机构是可信度较高的机构，中心机构汇聚了第一实时数据、第二实时数据和第三样本数据。如果中心机构的目标反欺诈模型识别出存在欺诈行为，中心机构的电子设备需要将识别结果反馈给该目标用户名下的第一机构和/或第二机构，识别结果广播的第一步：中心机构的电子设备可以基于第一实时数据、第二实时数据和第三样本数据确定目标用户名下的至少一个第一机构和/或至少一个第二机构。

S250、生成风险提示消息，将风险提示消息广播给至少一个第一机构和/或至少一个第二机构，以使至少一个第一机构和/或至少一个第二机构基于风险提示消息对目标用户进行风险提示。

在本申请实施例中，此步骤为识别结果广播的第二步：基于反欺诈识别结果生成风险提示消息，再将风险提示消息广播给至少一个第一机构和/或至少一个第二机构，以使至少一个第一机构和/或至少一个第二机构基于风险提示消息对目标用户进行风险提示。其中，本申请不对风险提示消息的具体内容进行限定。

本实施例提供的技术方案，通过接收第一机构发送的第一实时数据，接收第二机构发送的第二实时数据；通过目标反欺诈模型对第一实时数据和第二实时数据进行识别，得到反欺诈识别结果；若反欺诈识别结果为存在欺诈行为，则确定存在被欺诈的目标用户；基于第一实时数据、第二实时数据和第三样本数据确定目标用户名下的至少一个第一机构和/或至少一个第二机构；生成风险提示消息，将风险提示消息广播给至少一个第一机构和/或至少一个第二机构，以使至少一个第一机构和/或至少一个第二机构基于风险提示消息对目标用户进行风险提示。本申请充分利用了第一实时数据和第二实时数据之间的关联性，可以提高目标反欺诈模型识别电信诈骗的准确性，实现了数据安全共享，也能够防止由于电信诈骗所造成的经济损失。

下面进一步描述本发明实施例提供的反欺诈模型构建方法，图3为本申请实施例提供的一种反欺诈模型构建方法的第三流程示意图。本申请实施例是在上述实施例的基础上进行优化，具体优化为：本实施例对另一种反欺诈的识别过程进行详细的解释说明。

参考图3，本实施例的方法包括但不限于如下步骤：

S310、基于第一样本数据通过横向联邦学习构建第一机构反欺诈模型。

其中，第一机构可以是承接金融交易业务的机构，如银行等。第一样本数据可以是用户在第一机构有关金融交易业务的历史数据。第一机构的数量可以是多个。第一机构反欺诈模型是中心机构为多个第一机构共同构建的。构建第一机构反欺诈模型的目的在于在下述步骤中各个第一机构建自己的本地反欺诈模型(即第一本地反欺诈模型)。

在本申请实施例中，获取每个第一机构的第一样本数据之后，再基于第一样本数据通过横向联邦学习为多个第一机构构建第一机构反欺诈模型。

S320、确实第一机构反欺诈模型的第一模型参数，并将第一模型参数发送给每个第一机构，以使每个第一机构基于第一模型参数构建对应的第一本地反欺诈模型。

在本申请实施例中，第一本地反欺诈模型是各个第一机构为自己所构建的。由于第一机构反欺诈模型是融合多个第一机构的样本数据所构建的，因而，可以将第一机构反欺诈模型的模型参数(即第一模型参数)共享给每个第一机构，以此各个第一机构可以构建自己的本地反欺诈模型(即第一本地反欺诈模型)。

这样设置的原因在于，第一机构A和第一机构B之间不能进行数据共享，若第一机构A单独用自己的本地数据构建本地反欺诈模型，则模型会有局限性，反欺诈识别不会准确。但是，中心机构是可以使用第一机构B的本地数据，所以通过中心机构基于第一机构A的本地数据和第一机构B的本地数据构建第一机构反欺诈模型，再将模型参数分享给第一机构A，以使第一机构A构建自己的本地反欺诈模型。

S330、接收第一本地反欺诈模型发送的包含存在欺诈行为的第一本地反欺诈识别结果，第一本地反欺诈识别结果是第一本地反欺诈模型对第一机构本地数据进行识别得到的，第一本地反欺诈识别结果中包括存在被欺诈的目标用户。

在本申请实施例中，第一机构的第一本地反欺诈模型实时监测本地是否发生欺诈行为，因为少了数据汇总、数据脱敏和数据加密处理，所以识别速度很快，当存在欺诈行为时可以更快地对目标用户进行风险提示，这也是在第一机构为自己构建本地反欺诈模型的目的。

具体的，第一机构将第一机构本地数据输入到第一本地反欺诈模型中，判别是否发生欺诈行为，若发生欺诈行为，则将第一本地反欺诈识别结果发送给中心机构的电子设备。中心机构的电子设备接收第一本地反欺诈识别结果。

S340、基于第一机构本地数据和第三样本数据确定目标用户名下的至少一个第一机构和/或至少一个第二机构。

在本申请实施例中，第一机构还需要将第一机构本地数据经脱敏处理之后再通过加密传输给中心机构的电子设备。

中心机构是可信度较高的机构，中心机构汇聚了第一机构本地数据和第三样本数据。中心机构的电子设备接收到第一本地反欺诈识别结果之后，中心机构的电子设备需要将识别结果反馈给该目标用户名下的第一机构和/或第二机构，识别结果广播的第一步：中心机构的电子设备可以基于第一机构本地数据和第三样本数据确定目标用户名下的至少一个第一机构和/或至少一个第二机构。

S350、生成风险提示消息，将风险提示消息广播给至少一个第一机构和/或至少一个第二机构，以使至少一个第一机构和/或至少一个第二机构基于风险提示消息对目标用户进行风险提示。

在本申请实施例中，此步骤为识别结果广播的第二步：基于第一本地反欺诈识别结果生成风险提示消息，再将风险提示消息广播给至少一个第一机构和/或至少一个第二机构，以使至少一个第一机构和/或至少一个第二机构基于风险提示消息对目标用户进行风险提示。其中，本申请不对风险提示消息的具体内容进行限定。

本实施例提供的技术方案，通过基于第一样本数据通过横向联邦学习构建第一机构反欺诈模型；确实第一机构反欺诈模型的第一模型参数，并将第一模型参数发送给每个第一机构，以使每个第一机构基于第一模型参数构建对应的第一本地反欺诈模型；接收第一本地反欺诈模型发送的包含存在欺诈行为的第一本地反欺诈识别结果；基于第一机构本地数据和第三样本数据确定目标用户名下的至少一个第一机构和/或至少一个第二机构；生成风险提示消息，将风险提示消息广播给至少一个第一机构和/或至少一个第二机构，以使至少一个第一机构和/或至少一个第二机构基于风险提示消息对目标用户进行风险提示。本申请通过中心机构汇集多个第一机构的样本数据来构建第一机构反欺诈模型，然后根据第一机构反欺诈模型的模型参数来构建第一本地反欺诈模型。通过各个第一机构的第一本地反欺诈模型实时监测各自本地是否发生欺诈行为。本申请充分利用了多个第一机构的样本数据之间的关联性，可以提高第一本地反欺诈模型识别电信诈骗的准确性，实现了数据安全共享，也能够防止由于电信诈骗所造成的经济损失。

下面进一步描述本发明实施例提供的反欺诈模型构建方法，图4为本申请实施例提供的一种反欺诈模型构建方法的第二流程示意图。本申请实施例是在上述实施例的基础上进行优化，具体优化为：本实施例对又一种反欺诈的识别过程进行详细的解释说明。

参见图4，本实施例的方法包括但不限于如下步骤：

S410、基于第二样本数据通过横向联邦学习构建第二机构反欺诈模型。

其中，第二机构可以是承接网络通信业务的机构，如通信商等。第二样本数据可以是用户在第二机构有关网络通信业务的历史数据。第二机构的数量可以是多个。第二机构反欺诈模型是中心机构为多个第二机构共同构建的。构建第二机构反欺诈模型的目的在于在下述步骤中各个第二机构建自己的本地反欺诈模型(即第二本地反欺诈模型)。

在本申请实施例中，获取每个第二机构的第二样本数据之后，再基于第二样本数据通过横向联邦学习为多个第二机构构建第二机构反欺诈模型。

S420、确实第二机构反欺诈模型的第二模型参数，并将第二模型参数发送给每个第二机构，以使每个第二机构基于第二模型参数构建对应的第二本地反欺诈模型。

在本申请实施例中，第二本地反欺诈模型是各个第二机构为自己所构建的。由于第二机构反欺诈模型是融合多个第二机构的样本数据所构建的，因而，可以将第二机构反欺诈模型的模型参数(即第二模型参数)共享给每个第二机构，以此各个第二机构可以构建自己的本地反欺诈模型(即第二本地反欺诈模型)。

S430、接收第二本地反欺诈模型发送的包含存在欺诈行为的第二本地反欺诈识别结果，第二本地反欺诈识别结果是第二本地反欺诈模型对第二机构本地数据进行识别得到的，第二本地反欺诈识别结果中包括存在被欺诈的目标用户。

在本申请实施例中，第二机构的第二本地反欺诈模型实时监测本地是否发生欺诈行为，因为少了数据汇总、数据脱敏和数据加密处理，所以识别速度很快，当存在欺诈行为时可以更快地对目标用户进行风险提示，这也是在第二机构为自己构建本地反欺诈模型的目的。

具体的，第二机构将第二机构本地数据输入到第二本地反欺诈模型中，判别是否发生欺诈行为，若发生欺诈行为，则将第二本地反欺诈识别结果发送给中心机构的电子设备。中心机构的电子设备接收第二本地反欺诈识别结果。

S440、基于第二机构本地数据和第三样本数据确定目标用户名下的至少一个第一机构和/或至少一个第二机构。

在本申请实施例中，第二机构还需要将第二机构本地数据经脱敏处理之后再通过加密传输给中心机构的电子设备。

中心机构是可信度较高的机构，中心机构汇聚了第二机构本地数据和第三样本数据。中心机构的电子设备接收到第二本地反欺诈识别结果之后，中心机构的电子设备需要将识别结果反馈给该目标用户名下的第一机构和/或第二机构，识别结果广播的第一步：中心机构的电子设备可以基于第二机构本地数据和第三样本数据确定目标用户名下的至少一个第一机构和/或至少一个第二机构。

S450、生成风险提示消息，将风险提示消息广播给至少一个第一机构和/或至少一个第二机构，以使至少一个第一机构和/或至少一个第二机构基于风险提示消息对目标用户进行风险提示。

在本申请实施例中，此步骤为识别结果广播的第二步：基于第二本地反欺诈识别结果生成风险提示消息，再将风险提示消息广播给至少一个第一机构和/或至少一个第二机构，以使至少一个第一机构和/或至少一个第二机构基于风险提示消息对目标用户进行风险提示。其中，本申请不对风险提示消息的具体内容进行限定。

本实施例提供的技术方案，通过基于第二样本数据通过横向联邦学习构建第二机构反欺诈模型；确实第二机构反欺诈模型的第二模型参数，并将第二模型参数发送给每个第二机构，以使每个第二机构基于第二模型参数构建对应的第二本地反欺诈模型；接收第二本地反欺诈模型发送的包含存在欺诈行为的第二本地反欺诈识别结果；基于第二机构本地数据和第三样本数据确定目标用户名下的至少一个第一机构和/或至少一个第二机构；生成风险提示消息，将风险提示消息广播给至少一个第一机构和/或至少一个第二机构，以使至少一个第一机构和/或至少一个第二机构基于风险提示消息对目标用户进行风险提示。本申请通过中心机构汇集多个第二机构的样本数据来构建第二机构反欺诈模型，然后根据第二机构反欺诈模型的模型参数来构建第二本地反欺诈模型。通过各个第二机构的第二本地反欺诈模型实时监测各自本地是否发生欺诈行为。本申请充分利用了多个第二机构的样本数据之间的关联性，可以提高第二本地反欺诈模型识别电信诈骗的准确性，实现了数据安全共享，也能够防止由于电信诈骗所造成的经济损失。

综合以上实施例，以第一机构为银行，第二机构为运营商为例：反欺诈模型构建完成后，每个银行有本地的银行反欺诈模型(即第一本地反欺诈模型)，每个通信商有本地的通信商反欺诈模型(即第二本地反欺诈模型)。中心机构具有银行反欺诈模型(即第一机构反欺诈模型)、通信商反欺诈模型(即第二机构反欺诈模型)和目标反欺诈模型。在长期的模型的使用过程中，积累的新的样本数据可以在中心机构进行模型的更新。中心机构模型更新之后，将模型参数与各个对应的机构共享，实现银行和通信商本地模型参数更新。模型的长期化更新过程可以根据一定的周期循环反复的进行，不断的完善模型。

在具体的诈骗场景中，诈骗事件的过程，一般是先发生在第二机构(如通信商)，再到第一机构(如银行)。在反欺诈预警的过程中，如果发生了欺诈事件，会出现以下的识别过程与结果，如表1所示：

表1诈骗事件的识别过程与结果

	情景1	情景2	情景3	情景4	情景5
						第二机构	识别出	识别出	未识别出	未识别出	未识别出
第一机构	识别出	未识别出	识别出	未识别出	未识别出
						中心机构	不需识别	不需识别	不需识别	识别出	未识别出

典型的诈骗事件，第一机构和第二机构的识别过程是情形1。稍微隐蔽的诈骗事件，识别过程和结果是情形2和情形3。非典型的诈骗事件，隐蔽性较强，只有综合全局数据才能识别出来的，就是情形4，这也是构建目标反欺诈模型的意义所在。情形5是失败的识别过程。

图5为本申请实施例提供的一种反欺诈模型构建装置的结构示意图，如图5所示，该装置500可以包括：

样本数据接收模块510，用于接收第一机构发送的第一样本数据，接收第二机构发送的第二样本数据；

共有用户确定模块520，用于确定所述第一样本数据和所述第二样本数据的共有用户；

目标特征确定模块530，用于对所述第一样本数据的特征和所述第二样本数据的特征取并集得到目标特征；

样本数据确定模块540，用于基于所述共有用户和所述目标特征从所述第一样本数据和所述第二样本数据中提取出第三样本数据；

反欺诈模型构建模块550，用于基于所述第三样本数据通过纵向联邦学习构建目标反欺诈模型。

可选的，通过如下方式获取第一样本数据：确定多个第一机构的数据的第一共有特征；获取每个第一机构对应的具有所述第一共有特征的第一历史数据；对所述多个第一机构的第一历史数据进行预设数据处理得到所述第一样本数据；

相应的，通过如下方式获取第二样本数据：确定多个第二机构的数据的第二共有特征；获取每个第二机构对应的具有所述第二共有特征的第二历史数据；对所述多个第二机构的第二历史数据进行所述预设数据处理得到所述第二样本数据，所述预设数据处理至少包括数据汇总、数据脱敏和数据加密。

进一步的，上述反欺诈模型构建装置，还可以包括：反欺诈识别模块；

所述反欺诈识别模块，用于接收所述第一机构发送的第一实时数据，接收所述第二机构发送的第二实时数据；通过所述目标反欺诈模型对所述第一实时数据和所述第二实时数据进行识别，得到反欺诈识别结果。

进一步的，上述反欺诈识别模块，还可以用于：当所述得到反欺诈识别结果之后，若所述反欺诈识别结果为存在欺诈行为，则确定存在被欺诈的目标用户；基于所述第一实时数据、所述第二实时数据和所述第三样本数据确定所述目标用户名下的至少一个第一机构和/或至少一个第二机构；生成风险提示消息，将所述风险提示消息广播给所述至少一个第一机构和/或所述至少一个第二机构，以使所述至少一个第一机构和/或所述至少一个第二机构基于所述风险提示消息对所述目标用户进行风险提示。

进一步的，上述反欺诈模型构建模块550，还可以用于：基于所述第一样本数据通过横向联邦学习构建第一机构反欺诈模型；确实所述第一机构反欺诈模型的第一模型参数，并将所述第一模型参数发送给所述每个第一机构，以使所述每个第一机构基于所述第一模型参数构建对应的第一本地反欺诈模型。

进一步的，上述反欺诈模型构建模块550，还可以用于：基于所述第二样本数据通过横向联邦学习构建第二机构反欺诈模型；确实所述第二机构反欺诈模型的第二模型参数，并将所述第二模型参数发送给所述每个第二机构，以使所述每个第二机构基于所述第二模型参数构建对应的第二本地反欺诈模型。

进一步的，上述反欺诈识别模块，还可以用于：接收所述第一本地反欺诈模型发送的包含存在欺诈行为的第一本地反欺诈识别结果，所述第一本地反欺诈识别结果是所述第一本地反欺诈模型对第一机构本地数据进行识别得到的，所述第一本地反欺诈识别结果中包括存在被欺诈的目标用户；基于所述第一机构本地数据和所述第三样本数据确定所述目标用户名下的至少一个第一机构和/或至少一个第二机构；生成风险提示消息，将所述风险提示消息广播给所述至少一个第一机构和/或所述至少一个第二机构，以使所述至少一个第一机构和/或所述至少一个第二机构基于所述风险提示消息对所述目标用户进行风险提示。

进一步的，上述反欺诈识别模块，还可以用于：接收所述第二本地反欺诈模型发送的包含存在欺诈行为的第二本地反欺诈识别结果，所述第二本地反欺诈识别结果是所述第二本地反欺诈模型对第二机构本地数据进行识别得到的，所述第二本地反欺诈识别结果中包括存在被欺诈的目标用户；基于所述第二机构本地数据和所述第三样本数据确定所述目标用户名下的至少一个第一机构和/或至少一个第二机构；生成风险提示消息，将所述风险提示消息广播给所述至少一个第一机构和/或所述至少一个第二机构，以使所述至少一个第一机构和/或所述至少一个第二机构基于所述风险提示消息对所述目标用户进行风险提示。

本实施例提供的反欺诈模型构建装置可适用于上述任意实施例提供的反欺诈模型构建方法，具备相应的功能和有益效果。

图6是用来实现本申请实施例的一种显示方法的电子设备的框图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如反欺诈模型构建方法。

在一些实施例中，反欺诈模型构建方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的反欺诈模型构建方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行反欺诈模型构建方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (11)

1.一种反欺诈模型构建方法，其特征在于，所述方法包括：

接收第一机构发送的第一样本数据，接收第二机构发送的第二样本数据；

确定所述第一样本数据和所述第二样本数据的共有用户；

对所述第一样本数据的特征和所述第二样本数据的特征取并集得到目标特征；

基于所述共有用户和所述目标特征从所述第一样本数据和所述第二样本数据中提取出第三样本数据；

基于所述第三样本数据通过纵向联邦学习构建目标反欺诈模型。

2.根据权利要求1所述的反欺诈模型构建方法，其特征在于，通过如下方式获取第一样本数据：

确定多个第一机构的数据的第一共有特征；

获取每个第一机构对应的具有所述第一共有特征的第一历史数据；

对所述多个第一机构的第一历史数据进行预设数据处理得到所述第一样本数据；

相应的，通过如下方式获取第二样本数据：

确定多个第二机构的数据的第二共有特征；

获取每个第二机构对应的具有所述第二共有特征的第二历史数据；

对所述多个第二机构的第二历史数据进行所述预设数据处理得到所述第二样本数据，所述预设数据处理至少包括数据汇总、数据脱敏和数据加密。

3.根据权利要求1所述的反欺诈模型构建方法，其特征在于，所述方法还包括：

接收所述第一机构发送的第一实时数据，接收所述第二机构发送的第二实时数据；

通过所述目标反欺诈模型对所述第一实时数据和所述第二实时数据进行识别，得到反欺诈识别结果。

4.根据权利要求3所述的反欺诈模型构建方法，其特征在于，当所述得到反欺诈识别结果之后，还包括：

若所述反欺诈识别结果为存在欺诈行为，则确定存在被欺诈的目标用户；

基于所述第一实时数据、所述第二实时数据和所述第三样本数据确定所述目标用户名下的至少一个第一机构和/或至少一个第二机构；

生成风险提示消息，将所述风险提示消息广播给所述至少一个第一机构和/或所述至少一个第二机构，以使所述至少一个第一机构和/或所述至少一个第二机构基于所述风险提示消息对所述目标用户进行风险提示。

5.根据权利要求2所述的反欺诈模型构建方法，其特征在于，所述方法还包括：

基于所述第一样本数据通过横向联邦学习构建第一机构反欺诈模型；

确实所述第一机构反欺诈模型的第一模型参数，并将所述第一模型参数发送给所述每个第一机构，以使所述每个第一机构基于所述第一模型参数构建对应的第一本地反欺诈模型。

6.根据权利要求2所述的反欺诈模型构建方法，其特征在于，所述方法还包括：

基于所述第二样本数据通过横向联邦学习构建第二机构反欺诈模型；

确实所述第二机构反欺诈模型的第二模型参数，并将所述第二模型参数发送给所述每个第二机构，以使所述每个第二机构基于所述第二模型参数构建对应的第二本地反欺诈模型。

7.根据权利要求5所述的反欺诈模型构建方法，其特征在于，所述方法还包括：

接收所述第一本地反欺诈模型发送的包含存在欺诈行为的第一本地反欺诈识别结果，所述第一本地反欺诈识别结果是所述第一本地反欺诈模型对第一机构本地数据进行识别得到的，所述第一本地反欺诈识别结果中包括存在被欺诈的目标用户；

基于所述第一机构本地数据和所述第三样本数据确定所述目标用户名下的至少一个第一机构和/或至少一个第二机构；

生成风险提示消息，将所述风险提示消息广播给所述至少一个第一机构和/或所述至少一个第二机构，以使所述至少一个第一机构和/或所述至少一个第二机构基于所述风险提示消息对所述目标用户进行风险提示。

8.根据权利要求6所述的反欺诈模型构建方法，其特征在于，所述方法还包括：

接收所述第二本地反欺诈模型发送的包含存在欺诈行为的第二本地反欺诈识别结果，所述第二本地反欺诈识别结果是所述第二本地反欺诈模型对第二机构本地数据进行识别得到的，所述第二本地反欺诈识别结果中包括存在被欺诈的目标用户；

基于所述第二机构本地数据和所述第三样本数据确定所述目标用户名下的至少一个第一机构和/或至少一个第二机构；

生成风险提示消息，将所述风险提示消息广播给所述至少一个第一机构和/或所述至少一个第二机构，以使所述至少一个第一机构和/或所述至少一个第二机构基于所述风险提示消息对所述目标用户进行风险提示。

9.一种反欺诈模型构建装置，其特征在于，所述装置包括：

样本数据接收模块，用于接收第一机构发送的第一样本数据，接收第二机构发送的第二样本数据；

共有用户确定模块，用于确定所述第一样本数据和所述第二样本数据的共有用户；

目标特征确定模块，用于对所述第一样本数据的特征和所述第二样本数据的特征取并集得到目标特征；

样本数据确定模块，用于基于所述共有用户和所述目标特征从所述第一样本数据和所述第二样本数据中提取出第三样本数据；

反欺诈模型构建模块，用于基于所述第三样本数据通过纵向联邦学习构建目标反欺诈模型。

10.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至8中任一所述的反欺诈模型构建方法。

11.一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指令，所述计算机指令用于使处理器执行时实现权利要求1至8中任一所述的反欺诈模型构建方法。

Images