CN116308748B - 一种基于知识图谱的用户欺诈行为判断*** - Google Patents
一种基于知识图谱的用户欺诈行为判断*** Download PDFInfo
- Publication number
- CN116308748B CN116308748B CN202310264236.5A CN202310264236A CN116308748B CN 116308748 B CN116308748 B CN 116308748B CN 202310264236 A CN202310264236 A CN 202310264236A CN 116308748 B CN116308748 B CN 116308748B
- Authority
- CN
- China
- Prior art keywords
- face image
- user
- fraud
- noise reduction
- representative
- 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
Links
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 12
- 230000001815 facial effect Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明属于欺诈判断领域,公开了一种基于知识图谱的用户欺诈行为判断***,包括登录模块、存储模块、生成模块和计算模块;登录模块用于对工作人员的身份进行识别,判断工作人员是否具有工作权限;存储模块用于存储用户的个人数据和金融结构的黑名单数据;生成模块用于具有工作权限的工作人员输入需要进行欺诈行为判断的用户的身份信息,以及用于根据身份信息生成用户的知识图谱;计算模块用于基于知识图谱计算得到用户的欺诈风险得分,若欺诈风险得分高于设定的分数阈值,则表示存在欺诈行为;若欺诈风险得分小于等于设定的分数阈值,则表示不存在欺诈行为。本发明提高了对欺诈行为进行判断的准确率。
Description
技术领域
本发明涉及欺诈判断领域,尤其涉及一种基于知识图谱的用户欺诈行为判断***。
背景技术
知识图谱是将应用数学、图形学、信息可视化技术、信息科学等学科的理论和方法与计量引文分析、共现分析等方法相结合,以可视化图谱的方式将学科的核心结构、发展历程、前沿领域和整体知识结构可视化,达到多学科融合的目的。通过数据挖掘、信息处理、知识测量和图形绘制等方法展示复杂的知识领域,揭示知识领域的动态发展规律,为学科研究提供实用而有价值的参考。
随着互联网金融市场迅速发展,互联网金融在业务开展过程中,面临的欺诈手段不断升级,欺诈方式更具场景化、专业化、智能化。信贷风险从业人员识别欺诈风险难度日渐增长,信贷业务对欺诈风险防范要求也日趋升高。
在欺诈识别的过程中,传统的欺诈识别一般是针对用户个人的信息来判断识别是否有欺诈行为的发生,但是这种判断方式不够准确。而在欺诈识别的过程中,群体行为也是一个重要的参考信息,因此,我们需要一种能够结合群体行为和个人信息的欺诈行为判断***。
发明内容
本发明的目的在于公开一种基于知识图谱的用户欺诈行为判断***,解决如何提高欺诈识别的准确率的问题。
为了达到上述目的,本发明采用如下技术方案:
本发明提供了一种基于知识图谱的用户欺诈行为判断***,包括登录模块、存储模块、生成模块和计算模块;
登录模块用于对工作人员的身份进行识别,判断工作人员是否具有工作权限;
存储模块用于存储用户的个人数据和金融结构的黑名单数据;
生成模块用于具有工作权限的工作人员输入需要进行欺诈行为判断的用户的身份信息,以及用于根据身份信息生成用户的知识图谱;
计算模块用于基于知识图谱计算得到用户的欺诈风险得分,若欺诈风险得分高于设定的分数阈值,则表示存在欺诈行为;
若欺诈风险得分小于等于设定的分数阈值,则表示不存在欺诈行为。
优选地,登录模块包括人脸图像采集单元、验证信息存储单元和识别单元;
人脸图像采集单元用于获取工作人员的脸部图像;
验证信息存储单元用于存储所有具有工作权限的人员的脸部图像;
识别单元用于判断验证信息存储单元中是否存在于人脸图像采集单元获得的脸部图像之间相似度大于设定阈值的脸部图像,若是,则工作人员具有工作权限,若否,则工作人员不具有工作权限。
优选地,用户的个人数据包括身份数据和行为数据;
身份数据包括用户的姓名、预留电话、住址、银行***码和身份证号码;
行为数据包括转账记录、设备登录记录和业务办理记录。
优选地,黑名单数据包括被列入黑名单的人员的姓名、手机号码、住址和登录记录。
优选地,用户的身份信息包括身份证号码、银行***码、预留电话中的任一种。
优选地,根据身份信息生成用户的知识图谱,包括:
获取身份信息对应的身份数据;
基于身份数据和黑名单数据生成用户的知识图谱。
优选地,基于知识图谱计算得到用户的欺诈风险得分,包括:
基于知识图谱获取用户符合的风险识别规则的集合M;
基于集合M中的元素计算欺诈风险得分:
其中,rsksco表示欺诈风险得分,weightm为风险识别规则m的权重,scom为风险识别规则m的分数。
在本发明中,用户欺诈行为的识别是通过知识图谱计算得到的欺诈风险得分来进行判断的,知识图谱中不仅包含了用户的个人数据,而且还包括了黑名单数据,即在计算过程中考虑了与用户相关的群体行为信息,从而提高了对欺诈行为进行判断的准确率。
附图说明
图1为本发明一种基于知识图谱的用户欺诈行为判断***的一种示意图。
图2为本发明获取降噪后的脸部图像的一种示意图。
具体实施方式
下面结合附图详细说明本发明,其作为本说明书的一部分,通过实施例来说明本发明的原理,本发明的其他方面,特征及其优点通过该详细说明将会变得一目了然。
如图1所示的一种实施例,本发明提供了一种基于知识图谱的用户欺诈行为判断***,包括登录模块、存储模块、生成模块和计算模块;
登录模块用于对工作人员的身份进行识别,判断工作人员是否具有工作权限;
存储模块用于存储用户的个人数据和金融结构的黑名单数据;
生成模块用于具有工作权限的工作人员输入需要进行欺诈行为判断的用户的身份信息,以及用于根据身份信息生成用户的知识图谱;
计算模块用于基于知识图谱计算得到用户的欺诈风险得分,若欺诈风险得分高于设定的分数阈值,则表示存在欺诈行为;
若欺诈风险得分小于等于设定的分数阈值,则表示不存在欺诈行为。
在本发明中,用户欺诈行为的识别是通过知识图谱计算得到的欺诈风险得分来进行判断的,知识图谱中不仅包含了用户的个人数据,而且还包括了黑名单数据,即在计算过程中考虑了与用户相关的群体行为信息,从而提高了对欺诈行为进行判断的准确率。
优选地,登录模块包括人脸图像采集单元、验证信息存储单元和识别单元;
人脸图像采集单元用于获取工作人员的脸部图像;
验证信息存储单元用于存储所有具有工作权限的人员的脸部图像;
识别单元用于判断验证信息存储单元中是否存在于人脸图像采集单元获得的脸部图像之间相似度大于设定阈值的脸部图像,若是,则工作人员具有工作权限,若否,则工作人员不具有工作权限。
由于欺诈行为识别过程中所涉及的数据均为用户隐私数据以及金融机构的机密数据,因此,需要对工作人员进行权限识别以保证数据安全。
优选地,判断验证信息存储单元中是否存在于人脸图像采集单元获得的脸部图像之间相似度大于设定阈值的脸部图像,包括:
对脸图像采集单元获得的脸部图像进行降噪处理,得到降噪后的脸部图像;
分别计算降噪后的脸部图像与验证信息存储单元中存储的每张脸部图像之间的相似度;
判断得到的多个相似度中是否有大于设定阈值的相似度,若是,则表示信息存储单元中存在与人脸图像采集单元获得的脸部图像之间相似度大于设定阈值的脸部图像,若否,则表示信息存储单元中不存在与人脸图像采集单元获得的脸部图像之间相似度大于设定阈值的脸部图像。
优选地,如图2所示,对脸图像采集单元获得的脸部图像进行降噪处理,得到降噪后的脸部图像,包括:
对脸部图像进行代表像素点的识别,获得代表像素点集合;
对脸部图像进行分区,将脸部图像分为K个面积一致的区域;
获取所有区域的降噪处理顺序;
根据降噪处理顺序对依次对每个区域进行降噪处理;
用所有进行降噪处理的区域构成降噪后的脸部图像。
现有的降噪处理算法一般是直接对脸部图像进行降噪处理,但是这种降噪处理方式没能够利用图像中具有代表性的像素点的像素信息以及具有代表性的像素点之间的分布信息来进行进一步的提高降噪效果。而在本发明中,通过将脸部图像分为多个区域后,利用代表像素点的分布特征对各个区域进行了排序,根据排序结果依次进行降噪处理,能够提高降噪处理的效果。
优选地,对脸部区域进行代表像素点的识别,获得代表像素点集合,包括
计算每个像素点的代表分数;
将代表分数大于设定的分数阈值的像素点作为代表像素点,保存到代表像素点集合。
优选地,代表分数通过如下函数得到:
上述函数中,repscok为像素点k的代表分数,α、β、l分别为灰度权重、第一数量权重和第二数量权重,suek为像素点k的B×B范围内的邻域中的像素点的集合,gravuelk为像素点k的灰度值,gravueli为像素点i的灰度值,hveyi为像素点i的代表程度参数,(xi,yi)为像素点i的坐标,(xk,yk)为像素点k的坐标,Φ1为设定的像素值系数,Φ2为设定的距离系数,topvuel为脸部图像中的灰度值最大值,numofsue为suek中的元素的数量samk,numofgradk为suek中与像素点k之间梯度方向差小于设定的角度阈值的像素点的数量,为suek中与像素点k之间梯度方向差小于设定的角度阈值的像素点的集合,gravuelj为像素点j的灰度值,gravuelsd为设定的比较常数。
代表分数在计算时从与邻域之间的灰度值差别、梯度方向、samk中的像素点的灰度值差别这三个方向进行计算,能够使得代表分数从像素值、梯度方向、灰度差这三个方面对像素点的状态进行表示,从而能够选出与周围的像素点差别大且与梯度方向相似的像素点之间灰度差别小的像素点,这些像素点能够代表脸部区域中的轮廓方向,有利于后续基于这些像素点来获取区域的降噪处理顺序。在计算灰度值差别,即α所对应的部分时,本发明并不是直接将suek中的像素点的灰度值均值与gravuelk进行比较,而是通过代表程度参数与灰度值的乘积来进行计算得到,在代表程度参数计算的过程中,除了考虑灰度值差别之外,还考虑了坐标的差别,从而使得代表程度参数能够从这两个方面综合表示suek中的像素点对gravuelk的影响程度,能够降低噪声对灰度值差别计算的影响,提高灰度值差别的准确率。
优选地,获取所有区域的降噪处理顺序,包括:
分别计算每个区域的顺序分数;
根据顺序分数从高到低的顺序对区域进行排序,得到降噪处理顺序,
其中,对于第n个区域blockn,其顺序分数的计算函数为:
以上函数中,为blockn的顺序分数,numofrep为blockn中包含的代表像素点的数量,/>为中包含的像素点的总数,η为求和比值,η∈(0,1),xydst为设定的大于0的坐标系数,min{mstx,msty}表示取mstx和msty中的较小值,dist(u,u-1)表示将blockn中包含的代表像素点按照横坐标从小到大的顺序排序后,第u个代表像素点和第u-1个代表像素点之间的距离,mstx为横坐标方差,msty为纵坐标方差,xm和ym分别表示ublockn中的代表像素点m的横坐标和纵坐标,ublockn为blockn中包含的代表像素点的集合,n∈[1,K]。
顺序分数在计算过程中一方面是考虑了代表像素点的数量,代表像素点数量越多,则表示该区域所包含的代表像素点的像素信息以及具有代表性的像素点之间的分布信息越多,另一个方面是考虑了这些代表像素点的分布特征,代表像素点的连续性越好,分布越线性,则min{mstx,msty}和dist(u,u-1)乘积越小,顺序分数越大。
因此,顺序分数越大,则越需要先对这个区域进行降噪计算,由于降噪后像素点发生变化,使得降噪顺序靠后的区域能够在降噪顺序靠前的区域的降噪结果上进行降噪处理,从而能够将像素信息和分布信息传递到后续的降噪过程中,提高降噪处理的效果。
优选地,根据降噪处理顺序对依次对每个区域进行降噪处理,包括:
获取中位数numid:
对于排序在前numid位的区域,根据降噪处理顺序,采用小波降噪算法分别对每个区域进行降噪处理;
而对于其它的区域,则根据降噪处理顺序,采用NML算法分别对每个区域进行降噪处理。
本发明在根据降噪处理顺序进行降噪处理的过程中,对顺序不同的区域采用了不同的降噪方法来进行降噪处理,顺序分数越大的区域中,其包含的轮廓信息便越多,因此,为了保证相似度计算的准确,本发明采用了运行时间较长,但是轮廓信息保留更好的小波降噪算法进行降噪处理,而顺序在中位数之后的区域,则其包含的信息的重要性降低,因此,本发明利用运行时间较短的算法来进行降噪处理,这样使得本发明能够在降噪处理的效果和降噪所消耗的时长之间取得平衡。在保证降噪处理的效果的同时,缩短降噪时间。
优选地,用户的个人数据包括身份数据和行为数据;
身份数据包括用户的姓名、预留电话、住址、银行***码和身份证号码;
行为数据包括转账记录、设备登录记录和业务办理记录。
具体的,设备登录记录可以包括登录设备的mac地址、登录IP、登录位置等。业务办理记录则是包括负责办理的网点的名称、办理时间、办理项目、签署的文件等。
优选地,黑名单数据包括被列入黑名单的人员的姓名、手机号码、住址和登录记录。
黑名单数据为已经被金融机构列入黑名单的人员的数据。通过分析用户与这些被列入黑名单的人员之间的关系来分析欺诈风险,关系越密切,则欺诈风险越高。
优选地,用户的身份信息包括身份证号码、银行***码、预留电话中的任一种。
具体的,除了上面列举的类型的身份信息之外,还可以是其它类型的能够确定用户的身份的信息。
优选地,根据身份信息生成用户的知识图谱,包括:
获取身份信息对应的身份数据;
基于身份数据和黑名单数据生成用户的知识图谱。
具体的,可以通过身份数据和黑名单数据,进行黑名单人员和用户之间的关联,例如,若用户向黑名单人员转过账,且转账金额和转账频率等数据符合设定的规则,则两者就通过转账记录建立了关联。又例如,客户的预留电话属于黑名单人员的手机号码,两者之间则建立关联。在知识图谱中,用户以及与用户有关联的黑名单人员都是图谱中的点,而他们之间的关系则组成了图谱中的边。
在生成的知识图谱时,还可以设置距离规则,若某个黑名单人员与用户之间的距离大于设定的距离阈值,则不将该黑明点人员纳入到知识图谱中。
例如,代表用户的点A和其它点之间直接连接时,两者之间的距离为1,而如果点B与点A之间的距离为1,而点C与点B连接且不与点A连接,则点C与点A之间的距离为2。
若点C不直接与点A连接,但是有多条路径与点A间接连接,则选择多条路径中的最小距离作为点A和点C之间的距离。
优选地,基于知识图谱计算得到用户的欺诈风险得分,包括:
基于知识图谱获取用户符合的风险识别规则的集合M;
基于集合M中的元素计算欺诈风险得分:
其中,rsksco表示欺诈风险得分,weightm为风险识别规则m的权重,scom为风险识别规则m的分数。
具体的,风险识别规则为预先设置的规则,例如,用户的预留电话在设定的时间周期,例如一年内,对应了多个用户;用户的登录设备的mac地址的设备与黑名单人员登录时使用的设备的mac地址相同等。
通过将这些风险识别规则的分数进行加权融合,则能够得到综合表示用户出现欺诈风险的得分。
以上对本发明的技术方案、工作过程和实施效果进行了详细描述,需要说明的是,所描述的只是本发明的典型实例,除此之外,本发明还可以有其它多种具体实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求保护的范围之内。
Claims (6)
1.一种基于知识图谱的用户欺诈行为判断***,其特征在于,包括登录模块、存储模块、生成模块和计算模块;
登录模块用于对工作人员的身份进行识别,判断工作人员是否具有工作权限;
存储模块用于存储用户的个人数据和金融结构的黑名单数据;
生成模块用于具有工作权限的工作人员输入需要进行欺诈行为判断的用户的身份信息,以及用于根据身份信息生成用户的知识图谱;
计算模块用于基于知识图谱计算得到用户的欺诈风险得分,若欺诈风险得分高于设定的分数阈值,则表示存在欺诈行为;
若欺诈风险得分小于等于设定的分数阈值,则表示不存在欺诈行为;
登录模块包括人脸图像采集单元、验证信息存储单元和识别单元;
人脸图像采集单元用于获取工作人员的脸部图像;
验证信息存储单元用于存储所有具有工作权限的人员的脸部图像;
识别单元用于判断验证信息存储单元中是否存在于人脸图像采集单元获得的脸部图像之间相似度大于设定阈值的脸部图像,若是,则工作人员具有工作权限,若否,则工作人员不具有工作权限;
判断验证信息存储单元中是否存在于人脸图像采集单元获得的脸部图像之间相似度大于设定阈值的脸部图像,包括:
对脸图像采集单元获得的脸部图像进行降噪处理,得到降噪后的脸部图像;
分别计算降噪后的脸部图像与验证信息存储单元中存储的每张脸部图像之间的相似度;
判断得到的多个相似度中是否有大于设定阈值的相似度,若是,则表示信息存储单元中存在与人脸图像采集单元获得的脸部图像之间相似度大于设定阈值的脸部图像,若否,则表示信息存储单元中不存在与人脸图像采集单元获得的脸部图像之间相似度大于设定阈值的脸部图像;
脸图像采集单元获得的脸部图像进行降噪处理,得到降噪后的脸部图像,包括:
对脸部图像进行代表像素点的识别,获得代表像素点集合;
对脸部图像进行分区,将脸部图像分为K个面积一致的区域;
获取所有区域的降噪处理顺序;
根据降噪处理顺序对依次对每个区域进行降噪处理;
用所有进行降噪处理的区域构成降噪后的脸部图像;
对脸部区域进行代表像素点的识别,获得代表像素点集合,包括
计算每个像素点的代表分数;
将代表分数大于设定的分数阈值的像素点作为代表像素点,保存到代表像素点集合;
代表分数通过如下函数得到:
上述函数中,repscok为像素点k的代表分数,α、β、λ分别为灰度权重、第一数量权重和第二数量权重,suek为像素点k的B×B范围内的邻域中的像素点的集合,gravuelk为像素点k的灰度值,gravueli为像素点i的灰度值,hveyi为像素点i的代表程度参数,
(xi,yi)为像素点i的坐标,(xk,yk)为像素点k的坐标,Φ1为设定的像素值系数,Φ2为设定的距离系数,topvuel为脸部图像中的灰度值最大值,numofsue为suek中的元素的数量samk,numofgradk为suek中与像素点k之间梯度方向差小于设定的角度阈值的像素点的数量,为suek中与像素点k之间梯度方向差小于设定的角度阈值的像素点的集合,gravuelj为像素点j的灰度值,gravuelsd为设定的比较常数;
获取所有区域的降噪处理顺序,包括:
分别计算每个区域的顺序分数;
根据顺序分数从高到低的顺序对区域进行排序,得到降噪处理顺序,
其中,对于第n个区域blockn,其顺序分数的计算函数为:
以上函数中,为blockn的顺序分数,numofrep为blockn中包含的代表像素点的数量,/>为中包含的像素点的总数,η为求和比值,η∈(0,1),xydst为设定的大于0的坐标系数,min{mstx,msty}表示取mstx和msty中的较小值,dist(u,u-1)表示将blockn中包含的代表像素点按照横坐标从小到大的顺序排序后,第u个代表像素点和第u-1个代表像素点之间的距离,mstx为横坐标方差,msty为纵坐标方差,xm和ym分别表示ublockn中的代表像素点m的横坐标和纵坐标,ublockn为blockn中包含的代表像素点的集合,n∈[1,K]。
2.根据权利要求1所述的一种基于知识图谱的用户欺诈行为判断***,其特征在于,用户的个人数据包括身份数据和行为数据;
身份数据包括用户的姓名、预留电话、住址、银行***码和身份证号码;
行为数据包括转账记录、设备登录记录和业务办理记录。
3.根据权利要求1所述的一种基于知识图谱的用户欺诈行为判断***,其特征在于,黑名单数据包括被列入黑名单的人员的姓名、手机号码、住址和登录记录。
4.根据权利要求1所述的一种基于知识图谱的用户欺诈行为判断***,其特征在于,用户的身份信息包括身份证号码、银行***码、预留电话中的任一种。
5.根据权利要求1所述的一种基于知识图谱的用户欺诈行为判断***,其特征在于,根据身份信息生成用户的知识图谱,包括:
获取身份信息对应的身份数据;
基于身份数据和黑名单数据生成用户的知识图谱。
6.根据权利要求1所述的一种基于知识图谱的用户欺诈行为判断***,其特征在于,基于知识图谱计算得到用户的欺诈风险得分,包括:
基于知识图谱获取用户符合的风险识别规则的集合M;
基于集合M中的元素计算欺诈风险得分:
其中,rsksco表示欺诈风险得分,weightm为风险识别规则m的权重,scom为风险识别规则m的分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310264236.5A CN116308748B (zh) | 2023-03-19 | 2023-03-19 | 一种基于知识图谱的用户欺诈行为判断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310264236.5A CN116308748B (zh) | 2023-03-19 | 2023-03-19 | 一种基于知识图谱的用户欺诈行为判断*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116308748A CN116308748A (zh) | 2023-06-23 |
CN116308748B true CN116308748B (zh) | 2023-10-20 |
Family
ID=86828401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310264236.5A Active CN116308748B (zh) | 2023-03-19 | 2023-03-19 | 一种基于知识图谱的用户欺诈行为判断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308748B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057641B (zh) * | 2023-07-27 | 2024-03-08 | 武汉威克睿特科技有限公司 | 一种用于评测员工表现的数字化评分*** |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663696A (zh) * | 2012-03-31 | 2012-09-12 | 广东威创视讯科技股份有限公司 | 放大图像的去噪方法和*** |
CN104168402A (zh) * | 2013-05-17 | 2014-11-26 | 浙江大华技术股份有限公司 | 一种视频帧图像去雾方法及装置 |
CN109191281A (zh) * | 2018-08-21 | 2019-01-11 | 重庆富民银行股份有限公司 | 一种基于知识图谱的团体欺诈识别*** |
CN109446977A (zh) * | 2018-10-25 | 2019-03-08 | 平安科技(深圳)有限公司 | 基于人脸识别的图像处理方法、装置、存储介质及终端 |
CN110111110A (zh) * | 2019-04-01 | 2019-08-09 | 北京三快在线科技有限公司 | 基于知识图谱检测欺诈的方法和装置、存储介质 |
CN110246110A (zh) * | 2018-03-01 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 图像评估方法、装置及存储介质 |
CN110297912A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 欺诈识别方法、装置、设备及计算机可读存储介质 |
CN111242481A (zh) * | 2020-01-13 | 2020-06-05 | 北京银地信息科技有限公司 | 一种基于大数据的电子政务平台 |
CN111259167A (zh) * | 2020-02-11 | 2020-06-09 | 广州众赢科技有限公司 | 用户请求风险识别方法及装置 |
CN111652596A (zh) * | 2020-06-15 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 信贷业务的反欺诈方法、装置、终端设备及存储介质 |
CN112053221A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
CN112053222A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
CN113298837A (zh) * | 2021-07-27 | 2021-08-24 | 南昌工程学院 | 一种图像边缘提取方法、装置、存储介质及设备 |
CN113807723A (zh) * | 2021-09-24 | 2021-12-17 | 重庆富民银行股份有限公司 | 用于知识图谱的风险识别方法 |
CN113850665A (zh) * | 2021-09-14 | 2021-12-28 | 江苏中交车旺科技有限公司 | 基于物流金融知识图谱的防控欺诈方法和*** |
CN114648456A (zh) * | 2022-03-17 | 2022-06-21 | 青岛海信医疗设备股份有限公司 | 超声图像的降噪方法和电子设备 |
CN114998282A (zh) * | 2022-06-16 | 2022-09-02 | 平安科技(深圳)有限公司 | 图像检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-03-19 CN CN202310264236.5A patent/CN116308748B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663696A (zh) * | 2012-03-31 | 2012-09-12 | 广东威创视讯科技股份有限公司 | 放大图像的去噪方法和*** |
CN104168402A (zh) * | 2013-05-17 | 2014-11-26 | 浙江大华技术股份有限公司 | 一种视频帧图像去雾方法及装置 |
CN110246110A (zh) * | 2018-03-01 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 图像评估方法、装置及存储介质 |
CN109191281A (zh) * | 2018-08-21 | 2019-01-11 | 重庆富民银行股份有限公司 | 一种基于知识图谱的团体欺诈识别*** |
CN109446977A (zh) * | 2018-10-25 | 2019-03-08 | 平安科技(深圳)有限公司 | 基于人脸识别的图像处理方法、装置、存储介质及终端 |
CN110111110A (zh) * | 2019-04-01 | 2019-08-09 | 北京三快在线科技有限公司 | 基于知识图谱检测欺诈的方法和装置、存储介质 |
CN110297912A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 欺诈识别方法、装置、设备及计算机可读存储介质 |
CN111242481A (zh) * | 2020-01-13 | 2020-06-05 | 北京银地信息科技有限公司 | 一种基于大数据的电子政务平台 |
CN111259167A (zh) * | 2020-02-11 | 2020-06-09 | 广州众赢科技有限公司 | 用户请求风险识别方法及装置 |
CN111652596A (zh) * | 2020-06-15 | 2020-09-11 | 深圳前海微众银行股份有限公司 | 信贷业务的反欺诈方法、装置、终端设备及存储介质 |
CN112053221A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
CN112053222A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
CN113298837A (zh) * | 2021-07-27 | 2021-08-24 | 南昌工程学院 | 一种图像边缘提取方法、装置、存储介质及设备 |
CN113850665A (zh) * | 2021-09-14 | 2021-12-28 | 江苏中交车旺科技有限公司 | 基于物流金融知识图谱的防控欺诈方法和*** |
CN113807723A (zh) * | 2021-09-24 | 2021-12-17 | 重庆富民银行股份有限公司 | 用于知识图谱的风险识别方法 |
CN114648456A (zh) * | 2022-03-17 | 2022-06-21 | 青岛海信医疗设备股份有限公司 | 超声图像的降噪方法和电子设备 |
CN114998282A (zh) * | 2022-06-16 | 2022-09-02 | 平安科技(深圳)有限公司 | 图像检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
孙佳男 ; 孙俊 ; .融合深度特征表达与似物性采样的目标跟踪算法.小型微型计算机***.2018,(第01期),第86-90页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116308748A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9639769B2 (en) | Liveness detection | |
Yue et al. | A review of data mining-based financial fraud detection research | |
Cahoon et al. | A statistical multidimensional scaling method based on the spatial theory of voting | |
CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
CN108090830B (zh) | 一种基于面部画像的信贷风险评级方法和装置 | |
CN113240509A (zh) | 一种基于多源数据联邦学习的贷款风险评估方法 | |
CN116308748B (zh) | 一种基于知识图谱的用户欺诈行为判断*** | |
CN101341507A (zh) | 面部分类方法,面部分类装置,分类图,面部分类程序,以及记录该程序的存储介质 | |
US20210224588A1 (en) | Recruitment process graph based unsupervised anomaly detection | |
CN116738444B (zh) | 基于夏普利值的数据安全共享平台多方贡献度评估方法 | |
KR102005733B1 (ko) | 온라인 빅데이터 분석을 통해 도출된 신용도 평가 결과를 이용한 블록체인 기반 p2p 금융 서비스 제공 시스템 | |
CN111768230A (zh) | 客户画像***的标签推荐方法、装置及计算机设备 | |
CN114297447B (zh) | 基于防疫大数据的电子证件标记方法、***及可读存储介质 | |
Magno et al. | Stereotypes in search engine results: understanding the role of local and global factors | |
Ordouei et al. | Integrating data mining and knowledge management to improve customer relationship management in banking industry (Case study of Caspian Credit Institution) | |
CN112287724A (zh) | 一种基于迁移学习和gan网络的指静脉身份识别*** | |
CN111986034B (zh) | 医疗保险群体欺诈监测方法、***及存储介质 | |
Ryan | Escaping the Fingerprint Crisis: A Blueprint for Essential Research | |
Yuan¹ et al. | DenseNet Convolutional Neural Network for Breast Cancer Diagnosis | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
Lu | Causal inference for observational studies/real-world data | |
CN109165640B (zh) | 基于比特位面内分块互信息的手背静脉识别方法及识别*** | |
CN116665914B (zh) | 一种基于健康管理的老人监控方法及*** | |
Palestini et al. | A graph-based approach to inequality assessment | |
CN113496389A (zh) | 一种基于外贸大数据的协同管理*** |
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 |