CN115345727B - 一种识别欺诈贷款申请的方法及装置 - Google Patents

一种识别欺诈贷款申请的方法及装置 Download PDF

Info

Publication number
CN115345727B
CN115345727B CN202211000110.9A CN202211000110A CN115345727B CN 115345727 B CN115345727 B CN 115345727B CN 202211000110 A CN202211000110 A CN 202211000110A CN 115345727 B CN115345727 B CN 115345727B
Authority
CN
China
Prior art keywords
order
representation
vectorization
vectorization representation
fusion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211000110.9A
Other languages
English (en)
Other versions
CN115345727A (zh
Inventor
谭猛
肖勃飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongdian Jinxin Software Co Ltd
Original Assignee
Zhongdian Jinxin Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongdian Jinxin Software Co Ltd filed Critical Zhongdian Jinxin Software Co Ltd
Priority to CN202211000110.9A priority Critical patent/CN115345727B/zh
Publication of CN115345727A publication Critical patent/CN115345727A/zh
Application granted granted Critical
Publication of CN115345727B publication Critical patent/CN115345727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明提供了一种识别欺诈贷款申请的方法及装置，其中，该识别欺诈贷款申请的方法包括：获取贷款申请客户的个体资料，个体资料为预先构建的欺诈识别模型要求输入的数据；对个体资料进行向量化表示；查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示；基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示；利用多层感知模型，获取所述更新向量化表示的融合向量化表示；基于所述融合向量化表示以及欺诈识别模型，获取所述贷款申请客户的欺诈概率。可以提高欺诈贷款申请的识别率。

Description

一种识别欺诈贷款申请的方法及装置
技术领域
本发明涉及金融风险控制技术领域，具体而言，涉及一种识别欺诈贷款申请的方法及装置。
背景技术
随着经济的发展，金融领域的欺诈行为也越来越多，银行与金融机构每年因为欺诈，损失达到数十至上百亿，而且，为检测金融欺诈依据预防金融欺诈，每年也需要投入大量的人力和财力。其中，贷款申请欺诈是最主要的欺诈行为，是造成银行与金融机构损失的主要因素。
目前，在对贷款申请进行欺诈检测(风险分析)时，通过预先确定的风控规则，依据贷款申请客户资料以及客户关系图谱，获取与该贷款申请客户相关的客户，组成客户节点序列，通过skip-gram模型以及客户关系图谱，分别对每一客户节点的特征向量进行扩展，依据扩展的特征向量获取与风控规则的匹配程度，依据匹配程度确定贷款申请是否为欺诈贷款申请，并得出贷款申请的客户的风控策略。但该方法，针对贷款申请客户以及相关客户的个体资料评估进行欺诈判定，贷款申请客户以及相关客户只是简单组成客户节点序列，节点之间的资料是独立的，不能挖掘出贷款申请客户以及相关客户之间的关联特征以及隐含特征，使得欺诈贷款申请的识别率较低，降低了银行与金融机构的风控水平。
发明内容
有鉴于此，本发明的目的在于提供识别欺诈贷款申请的方法及装置，以提高欺诈贷款申请的识别率。
第一方面，本发明实施例提供了识别欺诈贷款申请的方法，包括：
获取贷款申请客户的个体资料，所述个体资料为预先构建的欺诈识别模型要求输入的数据；
对所述个体资料进行向量化表示；
查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示；
基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示；
利用多层感知模型，对所述更新向量化表示中的各阶向量分别进行处理，得到各阶向量化表示；
利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示；
基于各零阶负向融合向量化表示以及各阶正向融合向量化表示，获取融合向量化表示；
基于所述融合向量化表示以及欺诈识别模型，获取所述贷款申请客户的欺诈概率。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述对所述个体资料进行向量化表示，包括：
利用证据权重方法，对所述个体资料进行编码，其中，个体资料中每一内容条目对应一编码；
对不同内容条目对应的编码拼接，得到所述个体资料的向量化表示。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示，包括：
查询预先构建的贷款信息知识图谱；
若所述贷款信息知识图谱包含所述贷款申请客户，以所述贷款申请客户为当前节点，获取与所述当前节点有边联系的预设阶数的邻居节点的向量化表示；
若所述贷款信息知识图谱未包含所述贷款申请客户，在所述贷款信息知识图谱的节点中，添加所述贷款申请客户，依据所述贷款信息知识图谱的边构建策略，设置所述贷款申请客户与其它节点的边联系；
从设置边联系的所述贷款信息知识图谱中，获取与所述贷款申请客户有边联系的预设阶数的邻居节点的向量化表示。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述预设阶数为3，获取与所述当前节点有边联系的预设阶数的邻居节点的向量化表示，包括：
获取与所述当前节点有边联系的节点，得到所述当前节点的第一阶邻居节点；
获取与所述第一阶邻居节点有边联系的节点，得到所述当前节点的第二阶邻居节点；
获取与所述第二阶邻居节点有边联系的节点，得到所述当前节点的第三阶邻居节点；
获取各阶邻居节点的向量化表示。
结合第一方面、第一方面的第一种可能的实施方式至第三种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述利用多层感知模型，对所述更新向量化表示中的各阶向量分别进行处理，得到各阶向量化表示，包括：
利用多层感知模型，对所述更新向量化表示中的向量化表示进行处理，得到第零阶向量化表示；
基于激活函数以及所述更新向量化表示，获取各阶邻居节点的向量化聚合表示；
针对每阶的向量化聚合表示，利用多层感知模型，对该向量化聚合表示进行处理，得到该阶向量化表示。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述预设阶数为3，所述利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示，包括：
利用长短词记忆模型，对第零阶向量化表示进行处理，获取第零阶正向融合向量化表示；
利用长短词记忆模型，对第零阶正向融合向量化表示以及第一阶向量化表示进行处理，获取第一阶正向融合向量化表示；
利用长短词记忆模型，对第一阶正向融合向量化表示以及第二阶向量化表示进行处理，获取第二阶正向融合向量化表示；
利用长短词记忆模型，对第二阶正向融合向量化表示以及第三阶向量化表示进行处理，获取第三阶正向融合向量化表示；
利用长短词记忆模型，对第三阶向量化表示进行处理，获取第三阶负向融合向量化表示；
利用长短词记忆模型，对第三阶负向融合向量化表示以及第二阶向量化表示进行处理，获取第二阶负向融合向量化表示；
利用长短词记忆模型，对第二阶负向融合向量化表示以及第一阶向量化表示进行处理，获取第一阶负向融合向量化表示；
利用长短词记忆模型，对第一阶负向融合向量化表示以及第零阶向量化表示进行处理，获取第零阶负向融合向量化表示。
结合第一方面、第一方面的第一种可能的实施方式至第三种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示，包括：
针对每阶的邻居节点的向量化表示，计算该阶的邻居节点的向量化表示的均值；
依据所述贷款申请客户的向量化表示以及各阶的邻居节点的向量化表示的均值，构建向量化序列；
利用双向长短词记忆模型，对所述向量化序列进行处理，得到所述更新向量化表示。
第二方面，本发明实施例还提供了一种识别欺诈贷款申请的装置，包括：
数据获取模块，用于获取贷款申请客户的个体资料，所述个体资料为预先构建的欺诈识别模型要求输入的数据；
向量化模块，用于对所述个体资料进行向量化表示；
多信息获取模块，用于查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示；
向量化更新模块，用于基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示；
向量化融合模块，用于利用多层感知模型，对所述更新向量化表示中的各阶向量分别进行处理，得到各阶向量化表示；利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示；基于各零阶负向融合向量化表示以及各阶正向融合向量化表示，获取融合向量化表示；
概率生成模块，用于基于所述融合向量化表示以及欺诈识别模型，获取所述贷款申请客户的欺诈概率。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的识别欺诈贷款申请的方法及装置，通过获取贷款申请客户的个体资料，所述个体资料为预先构建的欺诈识别模型要求输入的数据；对所述个体资料进行向量化表示；查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示；基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示；利用多层感知模型，对所述更新向量化表示中的各阶向量分别进行处理，得到各阶向量化表示；利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示；基于各零阶负向融合向量化表示以及各阶正向融合向量化表示，获取融合向量化表示；基于所述融合向量化表示以及欺诈识别模型，获取所述贷款申请客户的欺诈概率。这样，通过获取与贷款申请客户具有边关系的邻居节点的更新向量化表示，基于前一阶正向融合向量化表示、后一阶正向融合向量化表示以及更新向量化表示中的当前阶向量化表示，得到融合向量化表示，由于前一阶正向融合向量化表示与后一阶正向融合向量化表示均包含有邻居节点的特征信息，从而利用多阶信息融合技术，对邻居节点的相关信息进行融合，能够实现隐藏的欺诈风险，从而提高欺诈贷款申请的识别准确率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本发明实施例所提供的识别欺诈贷款申请的方法流程示意图；
图2示出了本发明实施例所提供的获取融合向量化表示的示意图；
图3示出了本发明实施例所提供的识别欺诈贷款申请的方法的一具体流程示意图；
图4示出了本发明实施例所提供的识别欺诈贷款申请的装置结构示意图；
图5为本申请实施例提供的一种计算机设备500的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
金融的风险防范，主要在于解决欺诈骗贷(欺诈贷款申请)问题，因而，既要识别恶意骗贷行为，也要剔除可能没有还款能力的客户。而且，随着欺诈技术的进步，欺诈行为的隐藏性越来越高，使得仅基于客户和与该客户关联客户的个体资料进行欺诈的识别率越来越低，不能识别出隐藏的风险。本发明实施例中，通过对各贷款申请客户的个体资料进行分析，构建包含各贷款申请客户以及相互关系的贷款信息知识图谱，基于图计算方法以及贷款信息知识图谱，利用多阶信息融合技术，对客户和与该客户关联客户的个体资料进行信息融合处理，从而挖掘出客户以及关联客户之间的关联特征以及隐含特征，基于关联特征以及隐含特征进行欺诈识别，能够实现隐藏的欺诈风险，从而提高欺诈贷款申请的识别准确率。
本发明实施例提供了一种识别欺诈贷款申请的方法及装置，下面通过实施例进行描述。
图1示出了本发明实施例所提供的识别欺诈贷款申请的方法流程示意图。如图1所示，该方法包括：
步骤101，获取贷款申请客户的个体资料，所述个体资料为预先构建的欺诈识别模型要求输入的数据；
本发明实施例中，作为一可选实施例，个体资料包括但不限于：资产负债信息、信用历史信息、社交关系信息以及历史贷款信息，其中，
资产负债信息包括但不限于：距今第一时间阈值内取现次数总和、月收入、距今第二时间阈值内话费总额。作为一可选实施例，第一时间阈值设置为12个月，第二时间阈值设置为5个月；
信用历史信息包括但不限于：身份证是否命中p2p黑名单、距今第三时间阈值内在所有机构的贷款申请次数、距今第三时间阈值内在非银机构贷款申请次数、距今第四时间阈值内在非银机构贷款申请次数、距今第四时间阈值内贷款申请的非银机构数，其中，作为一可选实施例，第三时间阈值设置为3个月，第四时间阈值为12个月；
社交关系信息包括但不限于：在距今第五时间阈值内的联系人总数、业务员联系次数、移动电话静默时长、移动电话使用时长，其中，作为一可选实施例，第五时间阈值设置为3个月；
历史贷款信息包括但不限于：贷款金额、合作商户类型、商户等级、偿贷比。
步骤102，对所述个体资料进行向量化表示；
本发明实施例中，作为一可选实施例，对所述个体资料进行向量化表示，包括：
利用证据权重(WOE，Weight of Evidence)方法，对所述个体资料进行编码，其中，个体资料中每一内容条目对应一编码；
本发明实施例中，例如，对于如上的资产负债信息，包含有三条内容条目，分别为：距今第一时间阈值内取现次数总和、月收入、距今第二时间阈值内话费总额。
对不同内容条目对应的编码拼接，得到所述个体资料的向量化表示。
本发明实施例中，对个体资料包含的每一信息进行WOE编码，得到贷款申请客户的向量化表示。
本发明实施例中，贷款申请客户i的向量化表示如下：
ni＝[wi1,wi2,...,wik,...win]
其中，
wik为贷款申请客户i的第k条内容条目对应的WOE编码，n为内容条目数。
步骤103，查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示；
本发明实施例中，作为一可选实施例，查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示，包括：
查询预先构建的贷款信息知识图谱；
若所述贷款信息知识图谱包含所述贷款申请客户，以所述贷款申请客户为当前节点，获取与所述当前节点有边联系的预设阶数的邻居节点的向量化表示；
若所述贷款信息知识图谱未包含所述贷款申请客户，在所述贷款信息知识图谱的节点中，添加所述贷款申请客户，依据所述贷款信息知识图谱的边构建策略，设置所述贷款申请客户与其它节点的边联系；
从设置边联系的所述贷款信息知识图谱中，获取与所述贷款申请客户有边联系的预设阶数的邻居节点的向量化表示。
本发明实施例中，贷款信息知识图谱中的每一节点对应一贷款申请客户，节点的属性为向量化表示，节点与节点之间通过边联系。
本发明实施例中，作为一可选实施例，边构建策略包括但不限于：节点之间存在通话联系、存在共同担保人、存在共同身份证号码、存在共同的贷款商户。例如，两节点之间存在边构建策略中的任意一种情形，则两节点之间通过边相连。
本发明实施例中，贷款信息知识图谱中的边(连接线)表示节点之间的关系，其中，节点之间的关系是无方向的，获取与贷款申请客户有关系的其它节点的信息，能够进一步扩展贷款申请客户的信息，更全面反映贷款申请客户。
本发明实施例中，作为一可选实施例，预设阶数为3，获取与所述当前节点有边联系的预设阶数的邻居节点的向量化表示，包括：
获取与所述当前节点有边联系的节点，得到所述当前节点的第一阶邻居节点；
获取与所述第一阶邻居节点有边联系的节点，得到所述当前节点的第二阶邻居节点；
获取与所述第二阶邻居节点有边联系的节点，得到所述当前节点的第三阶邻居节点；
获取各阶邻居节点的向量化表示。
步骤104，基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示；
本发明实施例中，作为一可选实施例，基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示，包括：
针对每阶的邻居节点的向量化表示，计算该阶的邻居节点的向量化表示的均值；
依据所述贷款申请客户的向量化表示以及各阶的邻居节点的向量化表示的均值，构建向量化序列；
利用双向长短词记忆模型，对所述向量化序列进行处理，得到所述更新向量化表示。
本发明实施例中，利用双向长短词记忆(BILSTM，Bi-directional Long ShortTerm Memory)模型，得到更新向量化表示如下：
Figure BDA0003806989250000121
式中，
Figure BDA0003806989250000122
为更新向量化表示，ni为贷款申请客户(当前节点)的向量化表示；
nj为当前节点的第j阶邻居节点的向量化表示；
CN(1)为当前节点的第一阶邻居节点数；
N(1)为当前节点的第一阶邻居节点；
nm为当前节点的第m阶邻居节点的向量化表示；
CN(k)为当前节点的第k阶邻居节点数；
N(k)为当前节点的第k阶邻居节点。
步骤105，利用多层感知模型，获取所述更新向量化表示的融合向量化表示；
本发明实施例中，作为一可选实施例，利用多层感知模型，获取所述更新向量化表示的融合向量化表示，包括：
利用多层感知模型，对所述更新向量化表示中的各阶向量分别进行处理，得到各阶向量化表示；
利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示；
基于各零阶负向融合向量化表示以及各阶正向融合向量化表示，获取融合向量化表示。
本发明实施例中，作为一可选实施例，利用多层感知模型，对所述更新向量化表示中的各阶向量分别进行处理，得到各阶向量化表示，包括：
利用多层感知模型，对所述更新向量化表示中的向量化表示进行处理，得到第零阶向量化表示；
基于激活函数以及所述更新向量化表示，获取各阶邻居节点的向量化聚合表示；
针对每阶的向量化聚合表示，利用多层感知模型，对该向量化聚合表示进行处理，得到该阶向量化表示。
本发明实施例中，多层感知(MLP,Multilayer Perceptron)模型为多层感知器。
本发明实施例中，作为一可选实施例，利用下式获取各阶邻居节点的向量化聚合表示：
Figure BDA0003806989250000141
式中，
g(N(i))为第i阶邻居节点的向量化聚合表示；
Ni为第i阶邻居节点；
hij为第i阶第j个邻居节点的向量化表示；
wj为多层感知模型参数矩阵；
ci为第i阶邻居节点数；
σ()为激活函数。
图2示出了本发明实施例所提供的获取融合向量化表示的示意图。如图2所示，本发明实施例中，利用多层感知模型，对第一阶邻居节点的向量化聚合表示进行处理，得到第一阶向量化表示(x1)；利用多层感知模型，对第二阶邻居节点的向量化聚合表示进行处理，得到第二阶向量化表示(x2)；以及，利用多层感知模型，对第三阶邻居节点的向量化聚合表示进行处理，得到第三阶向量化表示(x3)。作为一可选实施例，在进行多节信息提取后，按照从第零阶至第k阶的顺序进行拼接，得到多阶向量化表示序列[x0,x1,x2,...,xk]。
本发明实施例中，作为一可选实施例，预设阶数为3，利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示，包括：
利用长短词记忆模型，对第零阶向量化表示进行处理，获取第零阶正向融合向量化表示；
利用长短词记忆模型，对第零阶正向融合向量化表示以及第一阶向量化表示进行处理，获取第一阶正向融合向量化表示；
利用长短词记忆模型，对第一阶正向融合向量化表示以及第二阶向量化表示进行处理，获取第二阶正向融合向量化表示；
利用长短词记忆模型，对第二阶正向融合向量化表示以及第三阶向量化表示进行处理，获取第三阶正向融合向量化表示；
利用长短词记忆模型，对第三阶向量化表示进行处理，获取第三阶负向融合向量化表示；
利用长短词记忆模型，对第三阶负向融合向量化表示以及第二阶向量化表示进行处理，获取第二阶负向融合向量化表示；
利用长短词记忆模型，对第二阶负向融合向量化表示以及第一阶向量化表示进行处理，获取第一阶负向融合向量化表示；
利用长短词记忆模型，对第一阶负向融合向量化表示以及第零阶向量化表示进行处理，获取第零阶负向融合向量化表示。
本发明实施例中，作为一可选实施例，利用下式获取融合向量化表示：
Figure BDA0003806989250000151
Figure BDA0003806989250000152
Figure BDA0003806989250000153
H＝(h1，h2，...，hk)
式中，
Figure BDA0003806989250000161
为第t阶正向融合向量化表示；
Figure BDA0003806989250000162
为第t阶负向融合向量化表示；
ht为第t阶融合向量化表示；
H为融合向量化表示；
wt为长短词记忆模型；
k为预设阶数。
本发明实施例中，通过获取BILSTM模型的隐藏状态：
Figure BDA0003806989250000163
ht-1、
Figure BDA0003806989250000164
ht+1、ht，能够实现隐藏的欺诈风险识别，可以有效提升贷款申请客户识别的准确性。
步骤106，基于所述融合向量化表示以及欺诈识别模型，获取所述贷款申请客户的欺诈概率。
本发明实施例中，作为一可选实施例，欺诈识别模型利用下式计算欺诈概率：
Figure BDA0003806989250000165
式中，
Figure BDA0003806989250000166
为欺诈概率；
H为融合向量化表示；
Wf、bf为欺诈识别模型参数。
本发明实施例中，作为一可选实施例，若获取的欺诈概率超过预设的概率阈值，确定贷款申请客户为欺诈贷款申请客户。
本发明实施例中，作为一可选实施例，通过以下步骤构建所述欺诈识别模型：
A11，获取设置标签的样本贷款申请客户的样本个体资料，对所述样本个体资料进行样本向量化表示；
本发明实施例中，样本个体资料包括但不限于：资产负债信息、信用历史信息、社交关系信息以及历史贷款信息。
本发明实施例中，利用WOE方法，对样本个体资料中包含的每一条内容目分别进行编码，将不同的编码进行拼接，得到样本个体资料的向量化表示。
本发明实施例中，标签包括：诈骗以及非诈骗，即将样本贷款申请客户分为诈骗贷款申请客户以及非诈骗贷款申请客户。
A12，查询所述贷款信息知识图谱，获取所述样本贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示；
A13，针对每阶的邻居节点的向量化表示，利用多层感知模型，获取该阶邻居节点的样本向量化聚合表示；
A14，基于所述样本贷款申请客户的样本向量化表示以及各阶邻居节点的样本向量化聚合表示，获取样本融合向量化表示；
A15，基于所述样本融合向量化表示以及所述样本贷款申请客户的标签，训练初始欺诈识别模型，在训练的初始欺诈识别模型满足预设的精度时，得到所述欺诈识别模型。
本发明实施例中，在对初始欺诈识别模型进行训练时，以样本贷款申请客户的样本融合向量化表示为初始欺诈识别模型的输入，以该样本贷款申请客户的标签，对初始欺诈识别模型输出的欺诈概率预测进行反向传播修正，直至模型的精度满足预设的精度后停止训练，将停止训练时的初始欺诈识别模型作为欺诈识别模型，以用于欺诈识别。
下面结合附图和具体实施案例，进一步阐明本发明。
图3示出了本发明实施例所提供的识别欺诈贷款申请的方法的一具体流程示意图。如图3所示，该方法包括：
步骤301，收集样本客户的16种信息；
本发明实施例中，16种信息包括：距今第一时间阈值内取现次数总和、月收入、距今第二时间阈值内话费总额、身份证是否命中p2p黑名单、距今第三时间阈值内在所有机构的贷款申请次数、距今第三时间阈值内在非银机构贷款申请次数、距今第四时间阈值内在非银机构贷款申请次数、距今第四时间阈值内贷款申请的非银机构数、在距今第五时间阈值内的联系人总数、业务员联系次数、移动电话静默时长、移动电话使用时长、贷款金额、合作商户类型、商户等级、偿贷比。
步骤302，通过WOE方法，将样本客户的16种信息转换成16维的向量编码；
本发明实施例中，每种信息对应一向量编码，即进行向量化表示，用以表示客户信息。对于每种信息，利用WOE方法进行处理，可以得到该种信息的向量编码。
步骤303，基于各样本客户的16维向量编码以及预设的边关系，构建贷款信息知识图谱；
本发明实施例中，预先定义4种边关系：节点之间存在通话联系、存在共同担保人、存在共同身份证号码、存在共同的贷款商户，依据各样本客户的16维向量编码中，是否存在该预定义的边关系，建立贷款信息知识图谱。贷款信息知识图谱中，存在边关系的样本客户之间相连接，不存在边关系的样本客户之间不进行连接，贷款信息知识图谱中的节点为样本客户。
步骤304，针对贷款信息知识图谱中的每一节点，进行多阶信息提取，基于提取的多阶信息训练初始欺诈识别模型；
本发明实施例中，从贷款信息知识图谱中，针对每一节点，分别提取0、1、2和3阶的邻居节点信息。融合0、1、2和3阶的邻居节点信息，得到128维的融合后的向量表示(融合向量化表示)。将128维的融合向量化表示输入初始欺诈识别模型，得到客户的欺诈概率。
步骤305，使用梯度下降方式进行初始欺诈识别模型参数优化，得到训练后的多阶信息融合模型BILSTM；
本发明实施例中，训练后的多阶信息融合模型BILSTM即欺诈识别模型，在将一样本客户(节点)的128维融合向量化表示输入初始欺诈识别模型后，可以得到该样本客户的欺诈概率，通过计算得到的欺诈概率与该样本客户的实际欺诈概率(0或1)，利用梯度下降方式调整初始欺诈识别模型的参数，以使利用调整参数的初始欺诈识别模型得到的该样本客户的欺诈概率与实际欺诈概率的概率差小于预设的概率阈值，然后，将下一样本客户的128维融合向量化表示输入初始欺诈识别模型，继续进行训练，直至将用于测试的样本客户的128维融合向量化表示输入训练的初始欺诈识别模型，模型预测的欺诈概率的误差小于概率阈值。
步骤306，基于贷款申请客户的个体资料及贷款信息知识图谱，获取贷款申请客户预设阶数的邻居节点的向量化表示，根据更新向量化表示公式，得到更新后的128维融合向量化表示；
步骤307，将更新后的128维融合向量化表示输入欺诈识别模型，得到该贷款申请客户的欺诈概率。
本发明实施例中，通过多阶信息融合，从而挖掘隐藏的欺诈风险，提高了欺诈识别能力，尤其是对隐藏欺诈客户的识别能力，减少金融损失。
图4示出了本发明实施例所提供的识别欺诈贷款申请的装置结构示意图；
数据获取模块401，用于获取贷款申请客户的个体资料，所述个体资料为预先构建的欺诈识别模型要求输入的数据；
本发明实施例中，作为一可选实施例，个体资料包括但不限于：资产负债信息、信用历史信息、社交关系信息以及历史贷款信息，其中，
资产负债信息包括但不限于：距今第一时间阈值内取现次数总和、月收入、距今第二时间阈值内话费总额。作为一可选实施例，第一时间阈值设置为12个月，第二时间阈值设置为5个月；
信用历史信息包括但不限于：身份证是否命中p2p黑名单、距今第三时间阈值内在所有机构的贷款申请次数、距今第三时间阈值内在非银机构贷款申请次数、距今第四时间阈值内在非银机构贷款申请次数、距今第四时间阈值内贷款申请的非银机构数，其中，作为一可选实施例，第三时间阈值设置为3个月，第四时间阈值为12个月；
社交关系信息包括但不限于：在距今第五时间阈值内的联系人总数、业务员联系次数、移动电话静默时长、移动电话使用时长，其中，作为一可选实施例，第五时间阈值设置为3个月；
历史贷款信息包括但不限于：贷款金额、合作商户类型、商户等级、偿贷比。
向量化模块402，用于对所述个体资料进行向量化表示；
本发明实施例中，作为一可选实施例，向量化模块402包括：
编码单元(图中未示出)，用于利用证据权重方法，对所述个体资料进行编码，其中，个体资料中每一内容条目对应一编码；
向量化单元，用于对不同内容条目对应的编码拼接，得到所述个体资料的向量化表示。
多信息获取模块403，用于查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示；
本发明实施例中，作为一可选实施例，多信息获取模块403包括：
查询单元(图中未示出)，用于查询预先构建的贷款信息知识图谱；
第一向量获取单元，若所述贷款信息知识图谱包含所述贷款申请客户，以所述贷款申请客户为当前节点，获取与所述当前节点有边联系的预设阶数的邻居节点的向量化表示；
节点添加单元，若所述贷款信息知识图谱未包含所述贷款申请客户，在所述贷款信息知识图谱的节点中，添加所述贷款申请客户，依据所述贷款信息知识图谱的边构建策略，设置所述贷款申请客户与其它节点的边联系；
第二向量获取单元，用于从设置边联系的所述贷款信息知识图谱中，获取与所述贷款申请客户有边联系的预设阶数的邻居节点的向量化表示。
本发明实施例中，作为一可选实施例，预设阶数为3，获取与所述当前节点有边联系的预设阶数的邻居节点的向量化表示，包括：
获取与所述当前节点有边联系的节点，得到所述当前节点的第一阶邻居节点；
获取与所述第一阶邻居节点有边联系的节点，得到所述当前节点的第二阶邻居节点；
获取与所述第二阶邻居节点有边联系的节点，得到所述当前节点的第三阶邻居节点；
获取各阶邻居节点的向量化表示。
向量化更新模块404，用于基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示；
本发明实施例中，得到的更新向量化表示如下：
Figure BDA0003806989250000221
向量化融合模块405，用于利用多层感知模型，对所述更新向量化表示中的各阶向量分别进行处理，得到各阶向量化表示；利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示；基于各零阶负向融合向量化表示以及各阶正向融合向量化表示，获取融合向量化表示；
本发明实施例中，作为一可选实施例，向量化融合模块405包括：
零阶单元(图中未示出)，用于利用多层感知模型，对所述更新向量化表示中的向量化表示进行处理，得到第零阶向量化表示；
聚合单元，用于基于激活函数以及所述更新向量化表示，获取各阶邻居节点的向量化聚合表示；
多阶单元，用于针对每阶的向量化聚合表示，利用多层感知模型，对该向量化聚合表示进行处理，得到该阶向量化表示；
融合单元，用于基于第零阶向量化表示以及各阶的向量化表示，获取融合向量化表示。
本发明实施例中，作为一可选实施例，预设阶数为3，利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示，包括：
利用长短词记忆模型，对第零阶向量化表示进行处理，获取第零阶正向融合向量化表示；
利用长短词记忆模型，对第零阶正向融合向量化表示以及第一阶向量化表示进行处理，获取第一阶正向融合向量化表示；
利用长短词记忆模型，对第一阶正向融合向量化表示以及第二阶向量化表示进行处理，获取第二阶正向融合向量化表示；
利用长短词记忆模型，对第二阶正向融合向量化表示以及第三阶向量化表示进行处理，获取第三阶正向融合向量化表示；
利用长短词记忆模型，对第三阶向量化表示进行处理，获取第三阶负向融合向量化表示；
利用长短词记忆模型，对第三阶负向融合向量化表示以及第二阶向量化表示进行处理，获取第二阶负向融合向量化表示；
利用长短词记忆模型，对第二阶负向融合向量化表示以及第一阶向量化表示进行处理，获取第一阶负向融合向量化表示；
利用长短词记忆模型，对第一阶负向融合向量化表示以及第零阶向量化表示进行处理，获取第零阶负向融合向量化表示。
概率生成模块406，用于基于所述融合向量化表示以及欺诈识别模型，获取所述贷款申请客户的欺诈概率。
本发明实施例中，作为一可选实施例，该装置还包括：
模型构建模块(图中未示出)，用于获取设置标签的样本贷款申请客户的样本个体资料，对所述样本个体资料进行样本向量化表示；
查询所述贷款信息知识图谱，获取所述样本贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示；
针对每阶的邻居节点的向量化表示，利用多层感知模型，获取该阶邻居节点的样本向量化聚合表示；
基于所述样本贷款申请客户的样本向量化表示以及各阶邻居节点的样本向量化聚合表示，获取样本融合向量化表示；
基于所述样本融合向量化表示以及所述样本贷款申请客户的标签，训练初始欺诈识别模型，在训练的初始欺诈识别模型满足预设的精度时，得到所述欺诈识别模型。
如图5所示，本申请一实施例提供了一种计算机设备500，用于执行图1中的识别欺诈贷款申请的方法，该设备包括存储器501、与存储器501通过总线相连的处理器502及存储在该存储器501上并可在该处理器502上运行的计算机程序，其中，上述处理器502执行上述计算机程序时实现上述识别欺诈贷款申请的方法的步骤。
具体地，上述存储器501和处理器502能够为通用的存储器和处理器，这里不做具体限定，当处理器502运行存储器501存储的计算机程序时，能够执行上述识别欺诈贷款申请的方法。
对应于图1中的识别欺诈贷款申请的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述识别欺诈贷款申请的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述识别欺诈贷款申请的方法。
在本申请所提供的实施例中，应该理解到，所揭露***和方法，可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，***或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种识别欺诈贷款申请的方法，其特征在于，包括：
获取贷款申请客户的个体资料，所述个体资料为预先构建的欺诈识别模型要求输入的数据；
对所述个体资料进行向量化表示；
查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示；
基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示；
利用多层感知模型，对所述更新向量化表示中的各阶向量分别进行处理，得到各阶向量化表示；
利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示；
基于各零阶负向融合向量化表示以及各阶正向融合向量化表示，获取融合向量化表示；
基于所述融合向量化表示以及欺诈识别模型，获取所述贷款申请客户的欺诈概率；
所述基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示，包括：
针对每阶的邻居节点的向量化表示，计算该阶的邻居节点的向量化表示的均值；
依据所述贷款申请客户的向量化表示以及各阶的邻居节点的向量化表示的均值，构建向量化序列；
利用双向长短词记忆模型，对所述向量化序列进行处理，得到所述更新向量化表示。
2.根据权利要求1所述的方法，其特征在于，所述对所述个体资料进行向量化表示，包括：
利用证据权重方法，对所述个体资料进行编码，其中，个体资料中每一内容条目对应一编码；
对不同内容条目对应的编码拼接，得到所述个体资料的向量化表示。
3.根据权利要求1所述的方法，其特征在于，所述查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示，包括：
查询预先构建的贷款信息知识图谱；
若所述贷款信息知识图谱包含所述贷款申请客户，以所述贷款申请客户为当前节点，获取与所述当前节点有边联系的预设阶数的邻居节点的向量化表示；
若所述贷款信息知识图谱未包含所述贷款申请客户，在所述贷款信息知识图谱的节点中，添加所述贷款申请客户，依据所述贷款信息知识图谱的边构建策略，设置所述贷款申请客户与其它节点的边联系；
从设置边联系的所述贷款信息知识图谱中，获取与所述贷款申请客户有边联系的预设阶数的邻居节点的向量化表示。
4.根据权利要求3所述的方法，其特征在于，所述预设阶数为3，获取与所述当前节点有边联系的预设阶数的邻居节点的向量化表示，包括：
获取与所述当前节点有边联系的节点，得到所述当前节点的第一阶邻居节点；
获取与所述第一阶邻居节点有边联系的节点，得到所述当前节点的第二阶邻居节点；
获取与所述第二阶邻居节点有边联系的节点，得到所述当前节点的第三阶邻居节点；
获取各阶邻居节点的向量化表示。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述利用多层感知模型，对所述更新向量化表示中的各阶向量分别进行处理，得到各阶向量化表示，包括：
利用多层感知模型，对所述更新向量化表示中的向量化表示进行处理，得到第零阶向量化表示；
基于激活函数以及所述更新向量化表示，获取各阶邻居节点的向量化聚合表示；
针对每阶的向量化聚合表示，利用多层感知模型，对该向量化聚合表示进行处理，得到该阶向量化表示。
6.根据权利要求5所述的方法，其特征在于，所述预设阶数为3，所述利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示，包括：
利用长短词记忆模型，对第零阶向量化表示进行处理，获取第零阶正向融合向量化表示；
利用长短词记忆模型，对第零阶正向融合向量化表示以及第一阶向量化表示进行处理，获取第一阶正向融合向量化表示；
利用长短词记忆模型，对第一阶正向融合向量化表示以及第二阶向量化表示进行处理，获取第二阶正向融合向量化表示；
利用长短词记忆模型，对第二阶正向融合向量化表示以及第三阶向量化表示进行处理，获取第三阶正向融合向量化表示；
利用长短词记忆模型，对第三阶向量化表示进行处理，获取第三阶负向融合向量化表示；
利用长短词记忆模型，对第三阶负向融合向量化表示以及第二阶向量化表示进行处理，获取第二阶负向融合向量化表示；
利用长短词记忆模型，对第二阶负向融合向量化表示以及第一阶向量化表示进行处理，获取第一阶负向融合向量化表示；
利用长短词记忆模型，对第一阶负向融合向量化表示以及第零阶向量化表示进行处理，获取第零阶负向融合向量化表示。
7.一种识别欺诈贷款申请的装置，其特征在于，包括：
数据获取模块，用于获取贷款申请客户的个体资料，所述个体资料为预先构建的欺诈识别模型要求输入的数据；
向量化模块，用于对所述个体资料进行向量化表示；
多信息获取模块，用于查询预先构建的贷款信息知识图谱，获取所述贷款申请客户在所述贷款信息知识图谱中的预设阶数的邻居节点的向量化表示；
向量化更新模块，用于基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示；
向量化融合模块，用于利用多层感知模型，对所述更新向量化表示中的各阶向量分别进行处理，得到各阶向量化表示；利用长短词记忆模型，对前一阶正向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶正向融合向量化表示；以及，对后一阶负向融合向量化表示以及当前阶向量化表示进行处理，得到当前阶负向融合向量化表示；基于各零阶负向融合向量化表示以及各阶正向融合向量化表示，获取融合向量化表示；
概率生成模块，用于基于所述融合向量化表示以及欺诈识别模型，获取所述贷款申请客户的欺诈概率；
所述向量化更新模块在用于基于所述贷款申请客户的向量化表示以及所述预设阶数的邻居节点的向量化表示，利用双向长短词记忆模型进行处理，得到所述贷款申请客户的更新向量化表示时，具体用于：
针对每阶的邻居节点的向量化表示，计算该阶的邻居节点的向量化表示的均值；
依据所述贷款申请客户的向量化表示以及各阶的邻居节点的向量化表示的均值，构建向量化序列；
利用双向长短词记忆模型，对所述向量化序列进行处理，得到所述更新向量化表示。
8.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的识别欺诈贷款申请的方法的步骤。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的识别欺诈贷款申请的方法的步骤。
CN202211000110.9A 2022-08-19 2022-08-19 一种识别欺诈贷款申请的方法及装置 Active CN115345727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211000110.9A CN115345727B (zh) 2022-08-19 2022-08-19 一种识别欺诈贷款申请的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211000110.9A CN115345727B (zh) 2022-08-19 2022-08-19 一种识别欺诈贷款申请的方法及装置

Publications (2)

Publication Number Publication Date
CN115345727A CN115345727A (zh) 2022-11-15
CN115345727B true CN115345727B (zh) 2023-04-28

Family

ID=83954769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211000110.9A Active CN115345727B (zh) 2022-08-19 2022-08-19 一种识别欺诈贷款申请的方法及装置

Country Status (1)

Country Link
CN (1) CN115345727B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860906A (zh) * 2022-11-22 2023-03-28 中电金信软件有限公司 一种信贷风险识别方法、装置及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
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
CN110245165B (zh) * 2019-05-20 2023-04-11 平安科技（深圳）有限公司 风险传导关联图谱优化方法、装置和计算机设备
CN111639193A (zh) * 2020-05-27 2020-09-08 上海明略人工智能(集团)有限公司 产品风险评估方法及装置、电子设备、存储介质
CN114462742A (zh) * 2020-11-10 2022-05-10 腾讯科技（深圳）有限公司 风险提示方法、装置、设备及计算机存储介质
CN113822494B (zh) * 2021-10-19 2022-07-22 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质
CN114282003A (zh) * 2021-11-30 2022-04-05 中国建设银行股份有限公司 基于知识图谱的金融风险预警方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN115345727A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
Benchaji et al. Enhanced credit card fraud detection based on attention mechanism and LSTM deep model
WO2019196546A1 (zh) 确定业务请求事件的风险概率的方法及装置
US11562372B2 (en) Probabilistic feature engineering technique for anomaly detection
CN111260189B (zh) 一种风险控制方法、装置、计算机***及可读存储介质
CN111428217A (zh) 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质
CN110570188A (zh) 用于处理交易请求的方法和***
CN115345727B (zh) 一种识别欺诈贷款申请的方法及装置
CN111709844A (zh) 一种保险洗钱人员检测方法、装置和计算机可读存储介质
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
CN116307671A (zh) 风险预警方法、装置、计算机设备、存储介质
CN114202336A (zh) 一种金融场景下的风险行为监测方法及***
CN111915218A (zh) 基于lstm-cnn的财务造假识别方法及***
CN110795466A (zh) 基于大数据处理的反欺诈方法、服务器及计算机可读存储介质
CN113408627A (zh) 目标对象的确定方法、装置和服务器
CN112950290A (zh) 经济依存客户的挖掘方法、装置、存储介质及电子设备
US11694208B2 (en) Self learning machine learning transaction scores adjustment via normalization thereof accounting for underlying transaction score bases relating to an occurrence of fraud in a transaction
CN111383116A (zh) 用于确定交易关联性的方法及装置
CN114119191A (zh) 风控方法、逾期预测方法、模型训练方法及相关设备
CN115034520B (zh) 风险预测方法、装置、设备及存储介质
CN116757476A (zh) 一种风险预测模型的构建、风险防控方法和装置
CN110570301B (zh) 风险识别方法、装置、设备及介质
CN113094595A (zh) 对象识别方法、装置、计算机***及可读存储介质
CN111932131A (zh) 业务数据处理方法及装置
Dhiman et al. Credit card fraud detection
CN109800947B (zh) 基于机器学习的贷款业务处理方法、装置、计算机设备

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