CN116433345A - 基于ai的欺诈活动分析方法及数字化金融产品服务*** - Google Patents

基于ai的欺诈活动分析方法及数字化金融产品服务*** Download PDF

Info

Publication number
CN116433345A
CN116433345A CN202310497189.9A CN202310497189A CN116433345A CN 116433345 A CN116433345 A CN 116433345A CN 202310497189 A CN202310497189 A CN 202310497189A CN 116433345 A CN116433345 A CN 116433345A
Authority
CN
China
Prior art keywords
network
online behavior
fraud
behavior relation
relation network
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.)
Granted
Application number
CN202310497189.9A
Other languages
English (en)
Other versions
CN116433345B (zh
Inventor
王作峰
王伟建
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.)
Italian Information Technology Shanghai Co ltd
Original Assignee
Liaoning Huiyuan Technology Development 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 Liaoning Huiyuan Technology Development Co ltd filed Critical Liaoning Huiyuan Technology Development Co ltd
Priority to CN202310497189.9A priority Critical patent/CN116433345B/zh
Publication of CN116433345A publication Critical patent/CN116433345A/zh
Application granted granted Critical
Publication of CN116433345B publication Critical patent/CN116433345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例实施例提供一种基于AI的欺诈活动分析方法及数字化金融产品服务***，对网络生成单元的更新除了依据第一在线行为关系网络和第一在线行为关系网络对应的先验欺诈识别数据，还要依据第一推测在线行为关系网络对网络生成单元进行权重参数更新，该第一推测在线行为关系网络是在网络生成单元的角度对第一在线行为关系网络进行观测获得的，也即第一推测在线行为关系网络相比于第一在线行为关系网络而言，更能匹配网络生成单元的特性，也就更符合欺诈活动分析模型的特性。因此，依据第一推测在线行为关系网络对网络生成单元进行权重参数更新，可以提高网络生成单元的性能，进而提高欺诈活动分析的精度。

Description

基于AI的欺诈活动分析方法及数字化金融产品服务***
技术领域
本申请实施例涉及人工智能与数字化金融技术领域，具体而言，涉及一种基于AI的欺诈活动分析方法及数字化金融产品服务***。
背景技术
数字化是当今社会发展的重要趋势，既可以指将信息转换为数字格式的过程，也可以指利用数字技术和能力，把数据科学技术与业务场景相结合，提升业务水平的产业实践。数字化的目的是通过数字技术和数据分析来改善生产效率和服务质量，从而实现在线信息服务的转型和发展。数字金融是指通过互联网及信息技术手段与传统金融服务业态相结合的新一代金融服务，对于提供数字金融服务产品的平台而言，欺诈活动是欺诈者通过欺骗行为获得金融产品和服务，从而导致平台的各类风险增加。基于此，如何结合时下的人工智能技术进行欺诈活动分析，以提高欺诈活动分析的精度，是本领域亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于AI的欺诈活动分析方法及数字化金融产品服务***。
第一方面，本申请实施例实施例提供一种基于AI的欺诈活动分析方法，应用于数字化金融产品服务***，所述方法包括：
获取第一在线行为关系网络以及所述第一在线行为关系网络对应的先验欺诈识别数据；所述第一在线行为关系网络包含多个在线行为对象，所述先验欺诈识别数据表征所述第一在线行为关系网络中目标在线行为对象所对应的欺诈属性标签，所述目标在线行为对象为所述第一在线行为关系网络的多个在线行为对象中的至少一个；
利用欺诈活动分析模型包括的网络生成单元对所述第一在线行为关系网络进行衍生观测，获得所述第一在线行为关系网络对应的网络衍生携带数据；
利用所述欺诈活动分析模型包括的网络推测单元依据所述先验欺诈识别数据和所述网络衍生携带数据进行网络推测得到第一推测在线行为关系网络；
利用所述网络生成单元对所述第一推测在线行为关系网络进行欺诈预测，获得所述第一推测在线行为关系网络对应的欺诈预测数据，所述第一推测在线行为关系网络对应的欺诈预测数据表征所述第一推测在线行为关系网络中各个在线行为对象所对应的欺诈属性标签；
依据所述第一推测在线行为关系网络对应的欺诈预测数据和所述先验欺诈识别数据对所述网络生成单元进行权重参数更新，并基于权重参数更新后的网络生成单元对目标在线行为关系网络进行欺诈属性标签预测。
在第一方面的一种可能的实施方式中，所述依据所述第一推测在线行为关系网络对应的欺诈预测数据和所述先验欺诈识别数据对所述网络生成单元进行权重参数更新后，所述方法还包括：
如果当前未接收到模型收敛信息，则获取利用所述网络生成单元对所述第一推测在线行为关系网络进行衍生观测流程中获得的所述第一推测在线行为关系网络对应的网络衍生携带数据；
利用所述网络推测单元依据所述先验欺诈识别数据和所述第一推测在线行为关系网络对应的网络衍生携带数据进行网络推测得到第二推测在线行为关系网络，并利用更新后的网络生成单元对所述第二推测在线行为关系网络进行欺诈预测，获得所述第二推测在线行为关系网络对应的欺诈预测数据，所述第二推测在线行为关系网络对应的欺诈预测数据表征所述第二推测在线行为关系网络中各个在线行为对象所对应的欺诈属性标签；
依据所述第二推测在线行为关系网络对应的欺诈预测数据和所述先验欺诈识别数据对所述更新后的网络生成单元进行权重参数更新。
在第一方面的一种可能的实施方式中，所述网络衍生携带数据包括所述第一在线行为关系网络对应的欺诈预测数据和所述第一在线行为关系网络对应的衍生行为关系网络序列，所述第一在线行为关系网络对应的欺诈预测数据用于所述网络衍生携带数据，所述衍生行为关系网络序列中包括所述第一在线行为关系网络和所述第一在线行为关系网络对应的邻居行为关系网络序列；所述网络生成单元包括特征编码节点和特征解码节点，所述利用所述欺诈活动分析模型包括的网络生成单元对所述第一在线行为关系网络进行衍生观测，获得所述第一在线行为关系网络对应的网络衍生携带数据，包括：
获取所述第一在线行为关系网络的行为有向图特征，并将所述行为有向图特征加载到所述特征编码节点以依据所述特征编码节点对应的编码函数进行特征编码，获得特征编码节点对应的行为编码特征向量；
将所述特征编码节点对应的行为编码特征向量加载到所述特征解码节点以依据所述特征解码节点对应的解码函数进行特征解码，获得特征解码节点对应的行为解码特征向量；
对所述特征解码节点对应的行为解码特征向量进行规则化转换得到所述第一在线行为关系网络对应的欺诈预测数据；
依据所述特征编码节点对应的行为编码特征向量构造第一邻居行为关系网络，以及依据所述特征解码节点对应的行为解码特征向量构造第二邻居行为关系网络，并依据所述第一在线行为关系网络的行为有向图特征建立目标邻居行为关系网络；
将所述第一邻居行为关系网络、所述第二邻居行为关系网络以及所述目标邻居行为关系网络组成所述邻居行为关系网络序列。
在第一方面的一种可能的实施方式中，所述网络推测单元包括随机块模型节点和观测模型节点，所述利用所述欺诈活动分析模型包括的网络推测单元依据所述先验欺诈识别数据和所述网络衍生携带数据进行网络推测得到第一推测在线行为关系网络，包括：
利用所述随机块模型节点依据所述先验欺诈识别数据和所述第一在线行为关系网络对应的网络衍生携带数据中所述第一在线行为关系网络对应的欺诈预测数据生成N个模糊行为关系网络，N为不小于1的整数；
依据所述随机块模型节点的第一模型函数层和所述N个模糊行为关系网络中每个模糊行为关系网络对应的顶点间关系二维数组确定相应模糊行为关系网络对应的生成置信度；
利用所述观测模型节点依据所述观测模型节点的第二模型函数层、所述第一在线行为关系网络对应的网络衍生携带数据以及所述每个模糊行为关系网络对应的顶点间关系二维数组，计算相应模糊行为关系网络对应的网络衍生置信度；其中，所述模糊行为关系网络m对应的网络衍生置信度表征当所述模糊行为关系网络m作为所述第一推测在线行为关系网络时，所述网络衍生携带数据存在的置信度，m不小于1且不大于N；
依据每个模糊行为关系网络对应的生成置信度和每个模糊行为关系网络对应的网络衍生置信度进行推测获得推测顶点间关系二维数组，并基于所述推测顶点间关系二维数组生成所述第一推测在线行为关系网络。
譬如，在第一方面的一种可能的实施方式中，所述N个模糊行为关系网络包括第一模糊行为关系网络，所述利用所述观测模型节点依据所述观测模型节点的第二模型函数层、所述第一在线行为关系网络对应的网络衍生携带数据以及所述每个模糊行为关系网络对应的顶点间关系二维数组，计算相应模糊行为关系网络对应的网络衍生置信度，包括：
获取所述网络衍生携带数据包括的数据总量，以及基于所述第二模型函数层确定衍生置信度参数；
获取所述网络衍生携带数据中指示在线行为对象x和在线行为对象y之间存在对象关联链路的第一数据量，以及基于所述第一数据量和所述数据总量确定所述网络衍生携带数据中指示在线行为对象x和在线行为对象y之间不存在对象关联链路的第二数据量；其中，在线行为对象x和在线行为对象y为所述第一模糊行为关系网络包括的任意两个在线行为对象且x小于y；
基于所述衍生置信度参数、所述第一数据量以及所述第二数据量计算所述在线行为对象x和在线行为对象y间的链路关联置信度；
将所述第一模糊行为关系网络中每两个在线行为对象间的链路关联置信度进行乘积计算，获得所述第一模糊行为关系网络对应的网络衍生置信度；
所述衍生置信度参数包括第一属性置信度、第二属性置信度、第三属性置信度以及第四属性置信度；
其中，所述第一属性置信度是指当在线行为对象x和在线行为对象y之间存在对象关联链路时，所述衍生行为关系网络序列中任意一个成员数据指示所述在线行为对象x和在线行为对象y之间对象关联链路存在的置信度；
所述第二属性置信度是指当在线行为对象x和在线行为对象y之间存在对象关联链路时，所述衍生行为关系网络序列中任意一个成员数据指示所述在线行为对象x和在线行为对象y之间对象关联链路不存在的置信度；
所述第三属性置信度是指当在线行为对象x和在线行为对象y之间不存在对象关联链路时，所述衍生行为关系网络序列中任意一个成员数据指示所述在线行为对象x和在线行为对象y之间对象关联链路不存在的置信度，所述第四属性置信度是指当在线行为对象x和在线行为对象y之间不存在对象关联链路时，所述衍生行为关系网络序列中任意一个成员数据指示所述在线行为对象x和在线行为对象y之间对象关联链路存在的置信度。
譬如，在第一方面的一种可能的实施方式中，所述N个模糊行为关系网络中包括第一模糊行为关系网络和第二模糊行为关系网络，所述依据每个模糊行为关系网络对应的生成置信度和每个模糊行为关系网络对应的网络衍生置信度进行推测获得推测顶点间关系二维数组，包括：
获取所述第一模型函数层的输出置信度以及所述第二模型函数层的输出置信度；
将所述第一模型函数层的输出置信度、所述第二模型函数层的输出置信度以及所述第一模糊行为关系网络对应的生成置信度和所述第一模糊行为关系网络对应的网络衍生置信度加载至预设置信度计算策略中进行运算，获得所述第一模糊行为关系网络作为第一推测在线行为关系网络的第一候选置信度；
将所述第一模型函数层的输出置信度、所述第二模型函数层的输出置信度以及所述第二模糊行为关系网络对应的生成置信度和所述第二模糊行为关系网络对应的网络衍生置信度加载至预设置信度计算策略中进行运算，获得所述第二模糊行为关系网络作为第一推测在线行为关系网络的第二候选置信度；
依据所述第一候选置信度、所述第一模糊行为关系网络对应的顶点间关系二维数组、所述第二候选置信度以及所述第二模糊行为关系网络对应的顶点间关系二维数组生成推测顶点间关系二维数组；
任一模糊行为关系网络对应的顶点间关系二维数组包括C行C列，所述任一模糊行为关系网络对应的顶点间关系二维数组包括C乘C个数组成员，所述推测顶点间关系二维数组包括C行C列，所述推测顶点间关系二维数组包括C乘C个目标数组成员；
所述依据所述第一候选置信度、所述第一模糊行为关系网络对应的顶点间关系二维数组、所述第二候选置信度以及所述第二模糊行为关系网络对应的顶点间关系二维数组生成推测顶点间关系二维数组，包括：
获取所述第一模糊行为关系网络对应的顶点间关系二维数组中第x行第y列位置处的第一数组成员，以及获取所述第二模糊行为关系网络对应的顶点间关系二维数组中第x行第y列位置处的第二数组成员；
将所述第一数组成员与所述第一候选置信度进行乘积计算，获得第一计算信息，以及将所述第二数组成员与所述第二候选置信度进行乘积计算，获得第二计算信息；
将所述第一计算信息和所述第二计算信息进行融合，融合信息作为推测顶点间关系二维数组中第x行第y列位置处的目标数组成员；
所述依据所述第一候选置信度、所述第一模糊行为关系网络对应的顶点间关系二维数组、所述第二候选置信度以及所述第二模糊行为关系网络对应的顶点间关系二维数组生成推测顶点间关系二维数组后，所述方法还包括：
基于所述第一候选置信度和所述第二候选置信度对所述第一模型函数层和所述第二模型函数层进行编码函数更新处理；
依据更新处理后的第一模型函数层和更新处理后的第二模型函数层对推测顶点间关系二维数组进行编码函数更新处理；
所述基于所述第一候选置信度和所述第二候选置信度对所述第一模型函数层和所述第二模型函数层进行编码函数更新处理，包括：
将所述第一候选置信度和所述第二候选置信度进行融合，获得所述第一模型函数层和所述第二模型函数层的联合后验置信度表达式；
利用预设不等式对所述联合后验置信度表达式进行变换；
依据所述第一模型函数层对变换后的联合后验置信度进行求导运算，获得所述第一模型函数层对应的更新等式，以及依据所述第二模型函数层对变化后的联合后验置信度进行求导运算，获得所述第二模型函数层对应的更新等式；
对所述第一模型函数层对应的更新等式求解得到更新处理后的第一模型函数层，以及对所述第二模型函数层对应的更新等式求解得到更新处理后的第二模型函数层。
在第一方面的一种可能的实施方式中，所述基于所述推测顶点间关系二维数组生成所述第一推测在线行为关系网络，包括：
对所述推测顶点间关系二维数组进行稀疏化转换，从所述推测顶点间关系二维数组中提取目标顶点间关系二维数组；
基于所述目标顶点间关系二维数组生成所述第一推测在线行为关系网络；
所述对所述推测顶点间关系二维数组进行稀疏化转换，从所述推测顶点间关系二维数组中提取目标顶点间关系二维数组，包括：
游走所述推测顶点间关系二维数组中每个目标数组成员，将所述推测顶点间关系二维数组中不大于门限值的数组成员替换为零，获得所述目标顶点间关系二维数组。
在第一方面的一种可能的实施方式中，所述第一在线行为关系网络对应的欺诈预测数据包括所述第一在线行为关系网络的多个在线行为对象中每个在线行为对象对应的欺诈属性标签预测值，任一在线行为对象对应的欺诈属性标签预测值表征所述任一在线行为对象所对应的欺诈属性标签，所述先验欺诈识别数据包括表征目标在线行为对象所对应的欺诈属性标签的欺诈属性标签先验值，所述将所述第一邻居行为关系网络和所述第二邻居行为关系网络组成所述邻居行为关系网络序列之后，所述方法还包括：
从所述第一在线行为关系网络对应的欺诈预测数据中获取所述目标在线行为对象对应的欺诈属性标签预测值，并确定所述目标在线行为对象对应的欺诈属性标签预测值与所述先验欺诈识别数据包括的所述欺诈属性标签先验值之间的损失函数值信息；
基于所述损失函数值信息建立所述网络生成单元对应的训练误差指标；
按照所述训练误差指标不断收敛的方向更新所述编码函数和所述解码函数；
依据更新的编码函数和解码函数分别更新所述第一在线行为关系网络对应的欺诈预测数据和所述邻居行为关系网络序列。
在第一方面的一种可能的实施方式中，所述基于权重参数更新后的网络生成单元对目标在线行为关系网络进行欺诈属性标签预测的步骤，包括：
获取目标在线行为关系网络，并利用欺诈活动分析模型中更新后的所述网络生成单元对所述目标在线行为关系网络进行欺诈预测，获得所述目标在线行为关系网络对应的目标网络衍生携带数据，所述目标网络衍生携带数据包括所述目标在线行为关系网络对应的目标欺诈预测数据；
利用所述网络推测单元依据所述目标网络衍生携带数据进行网络推测得到目标第一推测在线行为关系网络；
利用所述网络生成单元对所述目标第一推测在线行为关系网络进行处理，获得所述目标第一推测在线行为关系网络对应的欺诈输出数据，所述欺诈输出数据表征所述目标在线行为关系网络中每个在线行为对象所对应的欺诈属性标签。
第二方面，本申请实施例实施例还提供一种基于AI的欺诈活动分析***，所述基于AI的欺诈活动分析***包括数字化金融产品服务***以及与所述数字化金融产品服务***通信连接的多个AI运算服务在线行为对象；
所述数字化金融产品服务***，用于：
获取第一在线行为关系网络以及所述第一在线行为关系网络对应的先验欺诈识别数据；所述第一在线行为关系网络包含多个在线行为对象，所述先验欺诈识别数据表征所述第一在线行为关系网络中目标在线行为对象所对应的欺诈属性标签，所述目标在线行为对象为所述第一在线行为关系网络的多个在线行为对象中的至少一个；
利用欺诈活动分析模型包括的网络生成单元对所述第一在线行为关系网络进行衍生观测，获得所述第一在线行为关系网络对应的网络衍生携带数据；
利用所述欺诈活动分析模型包括的网络推测单元依据所述先验欺诈识别数据和所述网络衍生携带数据进行网络推测得到第一推测在线行为关系网络；
利用所述网络生成单元对所述第一推测在线行为关系网络进行欺诈预测，获得所述第一推测在线行为关系网络对应的欺诈预测数据，所述第一推测在线行为关系网络对应的欺诈预测数据表征所述第一推测在线行为关系网络中各个在线行为对象所对应的欺诈属性标签；
依据所述第一推测在线行为关系网络对应的欺诈预测数据和所述先验欺诈识别数据对所述网络生成单元进行权重参数更新，并基于权重参数更新后的网络生成单元对目标在线行为关系网络进行欺诈属性标签预测。
第三方面，本申请实施例还提供一种数字化金融产品服务***，所述数字化金融产品服务***包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于AI的欺诈活动分析方法。
第四方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于被处理器执行时，以实现以上第一方面的基于AI的欺诈活动分析方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，以实现以上第一方面的基于AI的欺诈活动分析方法。
本申请实施例至少具有以下有益效果：
呈上所述的任意一方面，对网络生成单元的更新除了依据第一在线行为关系网络和第一在线行为关系网络对应的先验欺诈识别数据，还要依据第一推测在线行为关系网络对网络生成单元进行权重参数更新，该第一推测在线行为关系网络是在网络生成单元的角度对第一在线行为关系网络进行观测获得的，也即第一推测在线行为关系网络相比于第一在线行为关系网络而言，更能匹配网络生成单元的特性，也就更符合欺诈活动分析模型的特性。因此，依据第一推测在线行为关系网络对网络生成单元进行权重参数更新，可以提高网络生成单元的性能，进而提高欺诈活动分析的精度。
附图说明
图1为本申请实施例实施例提供的基于AI的欺诈活动分析方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的基础上相互结合。
在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的虚拟人物对话语音，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的基础上可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本申请实施例中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
参见图1：
步骤S101、获取第一在线行为关系网络以及第一在线行为关系网络对应的先验欺诈识别数据。
对于一些示例性的设计思路，所述第一在线行为关系网络可以是任意一个图，第一在线行为关系网络中可以包含多个在线行为对象（如金融权限开通行为、金融贷款申请行为等）。示例性地，假设第一在线行为关系网络可以表示为T=（A，B，C），其中A表示第一在线行为关系网络包括的在线行为对象的序列，假设第一在线行为关系网络中包括N个在线行为对象，则B表示第一在线行为关系网络中对象关联链路的序列，C表示第一在线行为关系网络的行为有向图特征，C可以表示为（C1，C2，...，CX）：CX是指在线行为对象vx的特征向量，x不小于1不大于N。
示例性地，第一在线行为关系网络对应的先验欺诈识别数据表征第一在线行为关系网络中目标在线行为对象所对应的欺诈属性标签（用于表示欺诈类别，如身份信息欺诈类别、账号信息欺诈类别等），目标在线行为对象可以指第一在线行为关系网络包含的多个在线行为对象中的至少一个。例如，第一在线行为关系网络中目标在线行为对象表示为v1对应的先验欺诈识别数据可以表示为y1，v2对应的先验欺诈识别数据可以表示为y2，以此类推，第一在线行为关系网络对应的先验欺诈识别数据可以表示为Y=（y1，y2，.....yl）。
由前述可知，第一在线行为关系网络中的对象关联链路用来描述在线行为对象之间的关系。另外，第一在线行为关系网络中在线行为对象之间的关系还可以由第一在线行为关系网络对应的顶点间关系二维数组（邻接矩阵）表示，顶点间关系二维数组中每个行和列表征第一在线行为关系网络中的顶点，存储在vx行vy列位置处的数组成员表示在线行为对象vx和在线行为对象vy之间是否存在对象关联链路，y不小于1不大于N。由此，依据顶点间关系二维数组便可以构造出第一在线行为关系网络，因此，任一行为关系网络也可以通过所述任一行为关系网络对应的顶点间关系二维数组表示。
步骤S102、利用欺诈活动分析模型包括的网络生成单元对第一在线行为关系网络进行衍生观测，获得第一在线行为关系网络对应的网络衍生携带数据，该网络衍生携带数据包括第一在线行为关系网络对应的欺诈预测数据。
欺诈活动分析模型可由网络生成单元和网络推测单元组成，其中，网络生成单元用于对加载到网络生成单元中第一在线行为关系网络进行衍生观测，获得第一在线行为关系网络对应的欺诈预测数据，该欺诈预测数据表征第一在线行为关系网络中各个在线行为对象所对应的欺诈属性标签；另外，网络生成单元在对第一在线行为关系网络进行衍生观测过程中该会产生第一在线行为关系网络对应的邻居行为关系网络序列，邻居行为关系网络序列和欺诈预测数据组成了网络生成单元对第一在线行为关系网络进行观测的网络衍生携带数据。网络推测单元用于基于网络生成单元对第一在线行为关系网络进行观测的网络衍生携带数据进行估计，获得任一图对应的第一推测在线行为关系网络。
示例性地，该网络生成单元可以是通过图卷积神经网络GCN建立。
对于一些示例性的设计思路，网络生成单元可以包括多个特征编码节点，各特征编码节点用于对加载到该特征编码节点的数据进行特征编码，前一个特征编码节点的输出作为后一个特征编码节点的输入。
示例性地，网络生成单元包括第一特征编码节点和第二特征编码节点，所述利用欺诈活动分析模型包括的网络生成单元对所述第一在线行为关系网络进行衍生观测，获得第一在线行为关系网络对应的网络衍生携带数据，包括：
获取所述第一在线行为关系网络的行为有向图特征，并将所述行为有向图特征加载到所述第一特征编码节点以依据所述第一特征编码节点对应的编码函数进行特征编码，获得第一行为编码特征向量；将所述第一行为编码特征向量加载到所述第二特征编码节点进行卷积以依据所述第二特征编码节点对应的解码函数进行特征解码，获得第二行为编码特征向量，以及对所述第二行为编码特征向量进行规则化转换得到所述第一在线行为关系网络对应的欺诈预测数据；依据所述第一行为编码特征向量构造第一邻居行为关系网络，以及依据所述第二行为编码特征向量构造第二邻居行为关系网络，并将所述第一邻居行为关系网络和所述第二邻居行为关系网络组成所述邻居行为关系网络序列。
结合以上方案得到特征编码节点对应的行为编码特征向量和特征解码节点对应的行为解码特征向量后，并且，依据各个行为编码特征向量构造邻居行为关系网络序列。示例性地，假设各个特征编码节点对应的行为编码特征向量，与第一在线行为关系网络的行为有向图特征组成一个在线行为对象表示序列由前述可知，T(0)＝X表示第一在线行为关系网络对应的行为有向图特征。依据T(0)建立的邻居行为关系网络的顶点间关系二维数组表示为K(0)，依据第一行为编码特征向量建立的邻居行为关系网络的顶点间关系二维数组表示为K(1)，以此类推。
其中，将第一在线行为关系网络和上述邻居行为关系网络序列作为对第一在线行为关系网络进行观测的衍生行为关系网络序列。并且，将第一在线行为关系网络对应的衍生行为关系网络序列和第一在线行为关系网络对应的欺诈预测数据作为网络衍生携带数据加载到网络推测单元中。
对于一些示例性的设计思路，步骤S102中欺诈活动分析模型包括的网络生成单元应满足模型训练收敛条件，以使得在获取到第一在线行为关系网络后无需对网络生成单元进行训练，直接执行步骤S102即可。或者，为了提高网络生成单元和第一在线行为关系网络之间的关联性，即使网络生成单元在开始步骤S102之已满足模型训练收敛条件，本申请还可以依据第一在线行为关系网络以及第一在线行为关系网络对应的先验欺诈识别数据对网络生成单元进行权重参数更新。
对于一些其它示例性的设计思路，如果网络生成单元在执行步骤S102之前是不满足模型训练收敛条件的模型，本申请需要依据第一在线行为关系网络以及第一在线行为关系网络对应的先验欺诈识别数据对网络生成单元进行训练更新。
对于一些示例性的设计思路，如果需要对依据第一在线行为关系网络以及第一在线行为关系网络对应的先验欺诈识别数据对网络生成单元进行权重参数更新处理，则在网络生成单元第一次对第一在线行为关系网络进行衍生观测得到邻居行为关系网络序列之后，还可以包括：从所述第一在线行为关系网络对应的欺诈预测数据中获取所述目标在线行为对象对应的欺诈预测数据，并确定所述目标在线行为对象对应的欺诈预测数据与所述先验欺诈识别数据之间的损失函数值信息；基于所述损失函数值信息建立所述网络生成单元对应的训练误差指标；
按照所述训练误差指标不断收敛的方向更新所述编码函数和所述解码函数；依据更新的编码函数和解码函数分别更新所述第一在线行为关系网络对应的欺诈预测数据和所述邻居行为关系网络序列。
由此，无需依据第一在线行为关系网络以及第一在线行为关系网络对应的先验欺诈识别数据对网络生成单元进行权重参数更新，则步骤S102是通过网络生成单元的一次欺诈预测获得的。也即将第一在线行为关系网络加载至网络生成单元中进行处理，便可输出第一在线行为关系网络对应的网络衍生携带数据；如果需要依据第一在线行为关系网络以及第一在线行为关系网络对应的先验欺诈识别数据对网络生成单元进行权重参数更新，则步骤S102是通过网络生成单元进行多次欺诈预测获得的，每次欺诈预测使用的网络生成单元的模型参数是依据上一次欺诈预测获得的欺诈预测数据和第一在线行为关系网络对应的先验欺诈识别数据更新的，在每次衍生观测流程中，第一在线行为关系网络对应的欺诈预测数据和邻居行为关系网络图序列随着更新；当网络生成单元满足模型训练收敛条件时，将最后一次欺诈预测的第一在线行为关系网络对应的欺诈预测数据和邻居行为关系网络序列写入网络衍生携带数据中。
步骤S103、利用欺诈活动分析模型包括的网络推测单元依据先验欺诈识别数据和网络衍生携带数据进行网络推测得到第一推测在线行为关系网络，并利用网络生成单元对第一推测在线行为关系网络进行欺诈预测，获得第一推测在线行为关系网络对应的欺诈预测数据。
得到第一在线行为关系网络对应的网络衍生携带数据后，网络推测单元首先估计出第一在线行为关系网络对应的多个模糊行为关系网络；然后在确定出如果任一模糊行为关系网络作为网络生成单元匹配的第一推测在线行为关系网络，则网络衍生携带数据存在的置信度；然后依据每个模糊行为关系网络作为第一推测在线行为关系网络时，网络衍生携带数据存在的置信度，和每个模糊行为关系网络对应的生成置信度估计得到与网络生成单元匹配的第一推测在线行为关系网络。
示例性地，网络推测单元可以包括随机块模型节点和观测模型节点，第一在线行为关系网络对应的多个模糊行为关系网络是利用随机块模型节点执行的，任一模糊行为关系网络作为网络生成单元匹配的第一推测在线行为关系网络时，网络衍生置信度是利用观测模型节点执行的；示例性地，所述利用欺诈活动分析模型包括的网络推测单元依据所述先验欺诈识别数据和所述网络衍生携带数据进行网络推测得到第一推测在线行为关系网络，包括：
利用所述随机块模型节点依据所述先验欺诈识别数据和所述网络衍生携带数据中所述欺诈预测数据生成N个模糊行为关系网络，并依据所述随机块模型节点的第一模型函数层和所述N个模糊行为关系网络中每个模糊行为关系网络对应的顶点间关系二维数组确定相应模糊行为关系网络对应的生成置信度；利用所述观测模型节点依据所述观测模型节点的第二模型函数层、所述网络衍生携带数据以及所述每个模糊行为关系网络对应的顶点间关系二维数组，计算相应模糊行为关系网络对应的网络衍生置信度；其中，所述模糊行为关系网络m对应的网络衍生置信度表征当所述模糊行为关系网络m作为所述第一推测在线行为关系网络时，所述网络衍生携带数据存在的存在置信度，m不小于1不大于N；依据每个模糊行为关系网络对应的生成置信度和每个模糊行为关系网络对应的网络衍生置信度进行推测获得推测顶点间关系二维数组，并基于所述推测顶点间关系二维数组生成所述第一推测在线行为关系网络。
步骤S104、依据第一推测在线行为关系网络对应的欺诈预测数据和先验欺诈识别数据对网络生成单元进行权重参数更新，并基于权重参数更新后的网络生成单元对目标在线行为关系网络进行欺诈属性标签预测。
在得到第一推测在线行为关系网络之后，利用网络生成单元对第一推测在线行为关系网络进行欺诈预测，获得第一推测在线行为关系网络对应的欺诈预测数据，然后依据第一推测在线行为关系网络对应的欺诈预测数据和第一在线行为关系网络对应的先验欺诈识别数据对网络生成单元进行权重参数更新。应当理解的，第一推测在线行为关系网络是依据网络生成单元对第一在线行为关系网络进行观测的网络衍生携带数据估计获得的，那么相比于第一在线行为关系网络，第一推测在线行为关系网络与网络生成单元的特性更加匹配，依据第一推测在线行为关系网络对网络生成单元进行权重参数更新，可以提高网络生成单元的准确性。
对于一些示例性的设计思路，依据第一推测在线行为关系网络对应的欺诈预测数据和先验欺诈识别数据对网络生成单元进行权重参数更新，可包括：从第一推测在线行为关系网络对应的欺诈预测数据中获取目标在线行为对象对应的欺诈预测数据；确定目标在线行为对象对应的欺诈预测数据和先验欺诈识别数据之间的损失函数值信息；基于该损失函数值信息建立网络生成单元对应的训练误差指标；结合减少该训练误差指标的值的方向更新网络生成单元的编码函数和解码函数，以实现对网络生成单元进行权重参数更新。
步骤S101-步骤S104只说明了对欺诈活动分析模型的第一轮训练过程，如果在步骤S104之后，如果当前未接收到模型收敛信息，则获取利用网络生成单元对第一推测在线行为关系网络进行欺诈预测处理过程中，第一推测在线行为关系网络对应的网络衍生携带数据；利用网络推测单元依据先验欺诈识别数据和第一推测在线行为关系网络对应的网络衍生携带数据进行网络推测，获得第二推测在线行为关系网络，并利用更新后的网络生成单元对第二推测在线行为关系网络进行欺诈预测，获得第二推测在线行为关系网络对应的欺诈预测数据；依据第二推测在线行为关系网络对应的欺诈预测数据和先验欺诈识别数据对应更新后的网络生成单元进行再次更新。
其中，欺诈活动分析模型由网络生成单元和网络推测单元组成。在对欺诈活动分析模型进行编码函数更新的过程中，可利用欺诈活动分析模型中的网络生成单元对第一在线行为关系网络进行衍生观测，获得所述第一在线行为关系网络对应的网络衍生携带数据，所述网络衍生携带数据包括所述第一在线行为关系网络对应的欺诈预测数据；然后利用网络推测单元依据所述先验欺诈识别数据和所述网络衍生携带数据进行网络推测得到第一推测在线行为关系网络；并且，利用所述网络生成单元对所述第一推测在线行为关系网络进行欺诈预测，获得所述第一推测在线行为关系网络对应的欺诈预测数据；依据所述第一推测在线行为关系网络对应的欺诈预测数据和所述第一在线行为关系网络对应的先验欺诈识别数据对所述网络生成单元进行权重参数更新。
采用以上技术方案，对网络生成单元的更新不仅仅是简单的依据第一在线行为关系网络和第一在线行为关系网络对应的先验欺诈识别数据，还要依据第一推测在线行为关系网络对网络生成单元进行权重参数更新。该第一推测在线行为关系网络是网络推测单元依据网络生成单元对第一在线行为关系网络进行预测获得的网络衍生携带数据进行估计获得的。也即，该第一推测在线行为关系网络是在网络生成单元的角度对第一在线行为关系网络进行观测获得的，也即第一推测在线行为关系网络相比于第一在线行为关系网络而言，更能匹配网络生成单元的特性，也就更符合欺诈活动分析模型的特性。因此，依据第一推测在线行为关系网络对网络生成单元进行权重参数更新，可以提高网络生成单元的性能，进而提高欺诈活动分析的精度。
接下来本申请提供另一种实施例，具体包括下述步骤：
步骤S201、获取第一在线行为关系网络以及第一在线行为关系网络对应的先验欺诈识别数据。
步骤S202、利用欺诈活动分析模型包括的网络生成单元对第一在线行为关系网络进行衍生观测，获得第一在线行为关系网络对应的网络衍生携带数据，该网络衍生携带数据包括第一在线行为关系网络对应的欺诈预测数据。
对于一些示例性的设计思路，步骤S201和步骤S202可参见前述描述。
步骤S203、利用欺诈活动分析模型包括的网络推测单元依据先验欺诈识别数据和网络衍生携带数据进行网络推测，获得第一推测在线行为关系网络。
对于一些示例性的设计思路，由前述可知，所述利用欺诈活动分析模型包括的网络推测单元依据先验欺诈识别数据和网络衍生携带数据进行网络推测，获得第一推测在线行为关系网络，包括如下步骤：
1、利用所述随机块模型节点依据所述先验欺诈识别数据和所述网络衍生携带数据中的所述欺诈预测数据生成N个模糊行为关系网络，并依据所述随机块模型节点的第一模型函数层和所述N个模糊行为关系网络中每个模糊行为关系网络对应的顶点间关系二维数组确定相应模糊行为关系网络对应的生成置信度；
2、利用所述观测模型节点依据所述观测模型节点的第二模型函数层、所述网络衍生携带数据以及所述每个模糊行为关系网络对应的顶点间关系二维数组，计算相应模糊行为关系网络对应的网络衍生置信度；其中，所述模糊行为关系网络m对应的网络衍生置信度表征当所述模糊行为关系网络m作为所述第一推测在线行为关系网络时，所述网络衍生携带数据存在的存在置信度，m不小于1不大于N；
3、依据每个模糊行为关系网络对应的生成置信度和每个模糊行为关系网络对应的网络衍生置信度进行推测获得推测顶点间关系二维数组，并基于所述推测顶点间关系二维数组生成所述第一推测在线行为关系网络。
示例性地，利用观测模型节点依据观测模型节点的第二模型函数层、所述网络衍生携带数据以及所述每个模糊行为关系网络对应的顶点间关系二维数组，计算相应模糊行为关系网络对应的网络衍生置信度，包括如下步骤：
步骤S301：获取所述网络衍生携带数据包括的数据总量，以及基于所述第二模型函数层确定衍生置信度参数；
由前述可知，网络衍生携带数据中包括第一在线行为关系网络对应的欺诈预测数据、邻居行为关系网络序列以及第一在线行为关系网络。其中，应当理解的，第一在线行为关系网络包括多个在线行为对象，第一在线行为关系网络对应的欺诈预测数据表征第一在线行为关系网络中各个在线行为对象所对应的欺诈属性标签，因此实质上第一在线行为关系网络对应的欺诈预测数据可包括表征每个在线行为对象所对应的欺诈属性标签的每个在线行为对象的欺诈属性标签预测值；邻居行为关系网络序列包括基于第一在线行为关系网络对应的行为有向图特征获得的目标邻居行为关系网络，以及基于网络生成单元的各个特征编码节点对应的行为编码特征向量获得的多个邻居行为关系网络。
所述网络衍生携带数据包括的数据总量就是指上述这些信息的数据总量，例如第一在线行为关系网络中包括5个在线行为对象，网络生成单元包括2个特征编码节点，则欺诈预测数据中包括5个欺诈属性标签预测值，邻居行为关系网络序列中包括1个目标邻居行为关系网络，2个基于行为编码特征向量获得的邻居行为关系网络，依据此网络衍生携带数据包括的数据总量可以等于：5个欺诈属性标签预测值+3个邻居行为关系网络+1个第一在线行为关系网络＝8。
对于一些示例性的设计思路，基于第二模型函数层确定出的衍生置信度参数可以包括四种属性，分别为第一属性置信度、第二属性置信度、第三属性置信度以及第四属性置信度。其中，所述第一属性置信度是指当在线行为对象x和在线行为对象y之间存在对象关联链路时，所述衍生行为关系网络序列中任意一个成员数据指示所述在线行为对象x和在线行为对象y之间对象关联链路存在的置信度；所述第二属性置信度是指当在线行为对象x和在线行为对象y之间存在对象关联链路时，所述衍生行为关系网络序列中任意一个成员数据指示所述在线行为对象x和在线行为对象y之间对象关联链路不存在的置信度；第三属性置信度是指当在线行为对象x和在线行为对象y之间不存在对象关联链路时，所述衍生行为关系网络序列中任意一个成员数据指示所述在线行为对象x和在线行为对象y之间对象关联链路不存在的置信度，所述第四属性置信度是指当在线行为对象x和在线行为对象y之间不存在对象关联链路时，所述衍生行为关系网络序列中任意一个成员数据指示所述在线行为对象x和在线行为对象y之间对象关联链路存在的置信度。
步骤S302：获取网络衍生携带数据中指示在线行为对象x和在线行为对象y之间存在对象关联链路的第一数据量，以及基于所述第一数据量和所述数据总量确定所述衍生行为关系网络序列指示在线行为对象x和在线行为对象y之间不存在对象关联链路的第二数据量；其中，在线行为对象x和在线行为对象y为所述第一模糊行为关系网络包括的任意两个在线行为对象且x小于y；
步骤S303：基于所述衍生置信度参数、所述第一数据量以及所述第二数据量计算在线行为对象x和在线行为对象y间的链路关联置信度；
其中，在线行为对象x和在线行为对象y间的链路关联置信度是由两个置信度相乘获得的，一个是如果在第一模糊行为关系网络中在线行为对象x和在线行为对象y之间的对象关联链路真实存在，那么网络衍生携带数据包括的数据中在线行为对象x和在线行为对象y之间出现第一数据量个对象关联链路的置信度；另一个是在第一模糊行为关系网络中在线行为对象x和在线行为对象y之间的对象关联链路真实不存在，那么网络衍生携带数据包括的数据中在线行为对象x和在线行为对象y之间出现第一数据量个对象关联链路的置信度。
示例性地，假设网络衍生携带数据中包括的数据数据总量为C，网络衍生携带数据中指示在线行为对象x和在线行为对象y之间存在对象关联链路的第一数据量表示为Exy，那么网络衍生携带数据中指示在线行为对象x和在线行为对象y之间不存在对象关联链路的第二数据量为C-Exy。将衍生置信度参数、第一数据量以及第二数据量加载到在线行为对象间链路关联置信度的运算公式中进行运算，获得在线行为对象x和在线行为对象y之间的链路关联置信度。
步骤S304：将所述第一模糊行为关系网络中每两个在线行为对象间的链路关联置信度进行乘积计算，获得所述第一模糊行为关系网络对应的网络衍生置信度。
基于以上方案，可以计算出第一模糊行为关系网络中每两个在线行为对象间的链路关联置信度，并且，将第一模糊行为关系网络中每两个在线行为对象间的链路关联置信度进行乘积计算，便可得到第一模糊行为关系网络对应的网络衍生置信度。由此，第一模糊行为关系网络对应的网络衍生置信度表征当第一模糊行为关系网络作为第一推测在线行为关系网络时，网络衍生携带数据存在的置信度。
示例性地，将第一模糊行为关系网络中每两个在线行为对象间的链路关联置信度进行乘积计算，获得第一模糊行为关系网络对应的网络衍生携带数据的存在置信度。
对于一些示例性的设计思路，通过步骤S21-步骤S24可以得到多个模糊行为关系网络中每个模糊行为关系网络对应的网络衍生携带数据的存在置信度，并且，通过前述实施例基于每个模糊行为关系网络对应的生成置信度和每个模糊行为关系网络对应的网络衍生置信度进行图网络推测得到推测顶点间关系二维数组，并基于所述推测顶点间关系二维数组生成第一推测在线行为关系网络。
一种示例性的设计思路中，假设N个模糊行为关系网络中除了包括第一模糊行为关系网络，还包括第二模糊行为关系网络，所述依据所述每个模糊行为关系网络对应的生成置信度和每个模糊行为关系网络对应的网络衍生置信度进行推测获得推测顶点间关系二维数组，包括：
获取所述第一模型函数层的输出置信度以及所述第二模型函数层的输出置信度；将所述第一模型函数层的输出置信度、所述第二模型函数层的输出置信度以及所述第一模糊行为关系网络对应的生成置信度和所述第一模糊行为关系网络对应的网络衍生置信度加载至预设置信度计算策略中进行运算，获得所述第一模糊行为关系网络作为第一推测在线行为关系网络的第一候选置信度；将所述第一模型函数层的输出置信度、所述第二模型函数层的输出置信度以及所述第二模糊行为关系网络对应的生成置信度和所述第二模糊行为关系网络对应的网络衍生置信度加载至预设置信度计算策略中进行运算，获得所述第二模糊行为关系网络作为第一推测在线行为关系网络的第二候选置信度；依据所述第一候选置信度、所述第一模糊行为关系网络对应的顶点间关系二维数组、所述第二候选置信度以及所述第二模糊行为关系网络对应的顶点间关系二维数组生成推测顶点间关系二维数组。
具体而言，本申请实施例首先要计算第一模糊行为关系网络作为第一推测在线行为关系网络的第一候选置信度，和第二模糊行为关系网络第一推测在线行为关系网络的第二候选置信度，然后依据第一候选置信度和第二候选置信度以及各个模糊行为关系网络对应的顶点间关系二维数组生成推测顶点间关系二维数组。
并且，依据第一候选置信度、所述第一模糊行为关系网络对应的顶点间关系二维数组、所述第二候选置信度以及所述第二模糊行为关系网络对应的顶点间关系二维数组生成推测顶点间关系二维数组。
一种示例性的设计思路中，假设第一模糊行为关系网络对应的顶点间关系二维数组包括C行C列，那么第一模糊行为关系网络对应的顶点间关系二维数组中包括C乘C个数组成员，同理的，第二模糊行为关系网络对应的顶点间关系二维数组也包括C行C列，那么第二模糊行为关系网络对应的顶点间关系二维数组中也包括C乘C个数组成员；推测顶点间关系二维数组包括C行C列，以及C乘C个目标数组成员；所述依据所述第一候选置信度、所述第一模糊行为关系网络对应的顶点间关系二维数组、所述第二候选置信度以及所述第二模糊行为关系网络对应的顶点间关系二维数组生成推测顶点间关系二维数组，包括：
获取所述第一模糊行为关系网络对应的顶点间关系二维数组中第x行第y列位置处的第一数组成员，以及获取所述第二模糊行为关系网络对应的顶点间关系二维数组中第x行第y列位置处的第二数组成员；将所述第一数组成员与所述第一候选置信度进行乘积计算，获得第一计算信息，以及将所述第二数组成员与所述第二候选置信度进行乘积计算，获得第二计算信息；将所述第一计算信息和所述第二计算信息进行融合，融合信息作为推测顶点间关系二维数组中第x行第y列位置处的目标数组成员。
基于以上实施例得到推测顶点间关系二维数组后，可以基于推测顶点间关系二维数组生成一个第一推测在线行为关系网络。
步骤S204、利用网络生成单元对第一推测在线行为关系网络进行欺诈预测，获得第一推测在线行为关系网络对应的欺诈预测数据，并依据第一推测在线行为关系网络对应的欺诈预测数据和先验欺诈识别数据对网络生成单元进行权重参数更新。
对于一些示例性的设计思路，步骤S203中在生成推测顶点间关系二维数组的过程中，假设随机块模型节点的第一模型函数层以及观测模型节点的第二模型函数层是已经更新好的，具体实现时，为了提高网络推测单元与网络生成单元之间的匹配度，在生成推测顶点间关系二维数组过程中，还可以对第一模型函数层和第二模型函数层进行编码函数更新；然后基于更新后的第一模型函数层和第二模型函数层对已经推测的推测顶点间关系二维数组进行编码函数更新。
一种示例性的设计思路中，在依据所述第一候选置信度、所述第一模糊行为关系网络对应的顶点间关系二维数组、所述第二候选置信度以及所述第二模糊行为关系网络对应的顶点间关系二维数组生成推测顶点间关系二维数组之前，所述方法还包括：基于所述第一候选置信度和所述第二候选置信度对所述第一模型函数层和所述第二模型函数层进行编码函数更新处理；采用更新处理后的第一模型函数层和更新处理后的第二模型函数层对分别所述第一候选置信度和第二候选置信度进行编码函数更新。这样一来，步骤S203中最后生成的推测顶点间关系二维数组是依据更新后的第一候选置信度和更新后的第二候选置信度获得的。
对于一些示例性的设计思路，所述基于所述第一候选置信度和所述第二候选置信度对所述第一模型函数层和所述第二模型函数层进行编码函数更新处理，包括：
将所述第一候选置信度和所述第二候选置信度进行融合，获得所述第一模型函数层和所述第二模型函数层的联合后验置信度表达式；利用预设不等式对所述联合后验置信度表达式进行变换；依据所述第一模型函数层对变换后的联合后验置信度进行求导运算，获得所述第一模型函数层对应的更新等式，以及依据所述第二模型函数层对变化后的联合后验置信度进行求导运算，获得所述第二模型函数层对应的更新等式；对所述第一模型函数层对应的更新等式求解得到更新处理后的第一模型函数层，以及对所述第二模型函数层对应的更新等式求解得到更新处理后的第二模型函数层。
对于一些示例性的设计思路，对推测顶点间关系二维数组进行编码函数更新后，可以基于更新后的推测顶点间关系二维数组生成第一推测在线行为关系网络，并且，利用网络生成单元对第一推测在线行为关系网络进行欺诈预测，获得第一推测在线行为关系网络对应的欺诈预测数据，并依据第一推测在线行为关系网络对应的欺诈预测数据和先验欺诈识别数据对网络生成单元进行权重参数更新。
步骤S205、如果当前未接收到模型收敛信息，则获取利用网络生成单元对第一推测在线行为关系网络进行衍生观测流程中第一推测在线行为关系网络对应的网络衍生携带数据。
步骤S206、利用网络推测单元依据先验欺诈识别数据和第一推测在线行为关系网络对应的网络衍生携带数据进行网络推测，获得第二推测在线行为关系网络，并利用更新后的网络生成单元对第二推测在线行为关系网络进行欺诈预测，获得第二推测在线行为关系网络对应的欺诈预测数据。
步骤S207、依据第二推测在线行为关系网络对应的欺诈预测数据和先验欺诈识别数据对更新后的网络生成单元进行权重参数更新。
对于一些示例性的设计思路，如果当前未接收到模型收敛信息，则停止对欺诈活动分析模型进行训练。此时，如果获取到一个目标在线行为关系网络，则可以利用更新后的欺诈活动分析模型中网络生成单元对所述目标在线行为关系网络进行欺诈预测，获得所述目标在线行为关系网络对应的目标网络衍生携带数据；然后利用所述欺诈活动分析模型中的网络推测单元依据所述目标网络衍生携带数据进行网络推测，获得目标第一推测在线行为关系网络；利用网络生成单元对所述目标第一推测在线行为关系网络进行处理，获得所述目标第一推测在线行为关系网络对应的欺诈输出数据，所述欺诈输出数据表征所述目标在线行为关系网络中每个在线行为对象所对应的欺诈属性标签。
欺诈活动分析模型由网络生成单元和网络推测单元组成。在对欺诈活动分析模型进行编码函数更新的过程中，可利用欺诈活动分析模型中的网络生成单元对第一在线行为关系网络进行衍生观测，获得所述第一在线行为关系网络对应的网络衍生携带数据，所述网络衍生携带数据包括所述第一在线行为关系网络对应的欺诈预测数据；然后利用网络推测单元依据所述先验欺诈识别数据和所述网络衍生携带数据进行网络推测得到第一推测在线行为关系网络；并且，利用所述网络生成单元对所述第一推测在线行为关系网络进行欺诈预测，获得所述第一推测在线行为关系网络对应的欺诈预测数据；依据所述第一推测在线行为关系网络对应的欺诈预测数据和所述第一在线行为关系网络对应的先验欺诈识别数据对所述网络生成单元进行权重参数更新。
并且，如果当前未接收到模型收敛信息，则获取利用网络生成单元对第一推测在线行为关系网络进行衍生观测流程中获得的第一推测在线行为关系网络对应的网络衍生携带数据；利用网络推测单元依据先验欺诈识别数据和第一推测在线行为关系网络对应的网络衍生携带数据进行网络推测，获得第二推测在线行为关系网络，并利用更新后的网络生成单元对第二推测在线行为关系网络进行欺诈预测，获得第二推测在线行为关系网络对应的欺诈预测数据。进而，依据第二推测在线行为关系网络对应的欺诈预测数据和先验欺诈识别数据对更新后的网络生成单元进行权重参数更新。不断重复上述步骤，直至接收到模型收敛信息，则停止训练。
采用以上技术方案，对网络生成单元的更新不仅仅是简单的依据第一在线行为关系网络和第一在线行为关系网络对应的先验欺诈识别数据，还要依据第一推测在线行为关系网络对网络生成单元进行权重参数更新。该第一推测在线行为关系网络是网络推测单元依据网络生成单元对第一在线行为关系网络进行预测获得的网络衍生携带数据进行估计获得的。也即，该第一推测在线行为关系网络是在网络生成单元的角度对第一在线行为关系网络进行观测获得的，也即第一推测在线行为关系网络相比于第一在线行为关系网络而言，更能匹配网络生成单元的特性，也就更符合欺诈活动分析模型的特性。因此，依据第一推测在线行为关系网络对网络生成单元进行权重参数更新，可以提高网络生成单元的性能，进而提高欺诈活动分析的精度。
对欺诈活动分析模型的训练过程，大致可以概括为：将第一在线行为关系网络的行为有向图特征X、顶点间关系二维数组A以及先验欺诈识别数据、各个邻居行为关系网络、容忍度λ，阈值ε、训练周期数τ作为输入，加载至欺诈活动分析模型中；若当前训练批次x不大于训练周期数τ，则首先更新网络生成单元的各个特征编码节点的编码函数，直到网络生成单元收敛；然后依据收敛后的网络生成单元对第一在线行为关系网络进行预测，获取到第一在线行为关系网络对应的网络衍生携带数据；接着更新网络推测单元中随机块模型节点的第一模型函数层Ω以及观测模型节点的第二模型函数层α和β，以及基于更新后的第一模型函数层和更新后的第二模型函数层计算得到推测顶点间关系二维数组Q；并且，再对推测顶点间关系二维数组Q进行稀疏化转换，获得目标顶点间关系二维数组S(x)；基于目标顶点间关系二维数组S(x)生成第一推测在线行为关系网络。迭代以上步骤，直到当前训练批次x大于训练周期数τ则结束对欺诈活动分析模型的训练。
欺诈活动分析模型X100包括网络生成单元X101和网络推测单元X102，网络生成单元可以包括l个特征编码节点，网络推测单元包括随机块模型节点X1021和观测模型节点X1022。利用第一在线行为关系网络对应的顶点间关系二维数组A表示第一在线行为关系网络，将第一在线行为关系网络对应的行为有向图特征S加载至网络生成单元中，网络生成单元包括的l个特征编码节点中每个特征编码节点对第一在线行为关系网络进行特征编码，每个特征编码节点的输入为前一个特征编码节点的输入，每个特征编码节点在进行特征编码后得到该层的行为编码特征向量，特征编码节点进行特征编码后获得的行为编码特征向量表示为T(1)，特征解码节点进行特征编码获得的行为编码特征向量表示为T(2)，以此类推，第l个特征编码节点进行卷积处理后获得的行为编码特征向量表示为T(l)；由前述可知，第一在线行为关系网络对应的行为有向图特征对应的在线行为对象表示可以表示为T(0)。
并且，基于每个特征编码节点对应的行为编码特征向量生成一个邻居行为关系网络以及获取该邻居行为关系网络对应的顶点间关系二维数组，基于特征编码节点对应的行为编码特征向量T(1)获得的邻居行为关系网络为X103，邻居行为关系网络X103对应的顶点间关系二维数组表示为K(1)，基于特征解码节点对应的在线行为对象表示T(2)矩阵获得的对应的邻居行为关系网络为X104，邻居行为关系网络X104对应的顶点间关系二维数组表示为K(2)，基于第l个特征编码节点对应的行为编码特征向量T(l)建立的邻居行为关系网络表示为X105，邻居行为关系网络X105对应的顶点间关系二维数组表示为K(l)。基于第一在线行为关系网络对应的行为有向图特征S建立的目标邻居行为关系网络为X106，目标邻居行为关系网络X106对应的顶点间关系二维数组表示为K(0)。将邻居行为关系网络序列和第一在线行为关系网络组成对第一在线行为关系网络进行观测获得的衍生行为关系网络序列。
并且，将第一在线行为关系网络A、各个邻居行为关系网络组成衍生行为关系网络序列。接着，将最后一个特征编码节点也就是第x个特征编码节点的输出进行规则化转换可以得到第一在线行为关系网络对应的欺诈预测数据，假设第一在线行为关系网络对应的欺诈预测数据表示为Z。将欺诈预测数据Z和衍生行为关系网络序列组成一条网络衍生携带数据，将网络衍生携带数据和第一在线行为关系网络对应的先验欺诈识别数据加载至网络推测单元X102中，网络推测单元X102中的随机块模型节点X1021依据先验欺诈识别数据生成多个模糊行为关系网络并得到每个模糊行为关系网络的生成置信度，观测模型节点X1022确定每个模糊行为关系网络对应的网络衍生置信度，以及基于每个模糊行为关系网络对应的网络衍生置信度和每个模糊行为关系网络的生成置信度得到推测顶点间关系二维数组Q，最后基于推测顶点间关系二维数组Q生成第一推测在线行为关系网络，并将第一推测在线行为关系网络加载到网络生成单元X101中，继续下一次训练。
一些设计思路中，提供了一种数字化金融产品服务***，该数字化金融产品服务***可以是服务器，该数字化金融产品服务***包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口通过输入/输出接口连接到***总线。其中，该数字化金融产品服务***的处理器用于提供计算和控制能力。该数字化金融产品服务***的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该数字化金融产品服务***的数据库用于存储上述方法所涉及的数据。该数字化金融产品服务***的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该数字化金融产品服务***的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于AI的欺诈活动分析方法。
一些设计思路中，提供了一种数字化金融产品服务***，该数字化金融产品服务***可以是终端。该数字化金融产品服务***包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到***总线。其中，该数字化金融产品服务***的处理器用于提供计算和控制能力。该数字化金融产品服务***的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该数字化金融产品服务***的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该数字化金融产品服务***的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其它技术实现。该计算机程序被处理器执行时以实现一种基于AI的欺诈活动分析方法。该数字化金融产品服务***的显示单元用于形成视觉可见的画面。
一些设计思路中，提供了一种数字化金融产品服务***，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
一些设计思路中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
一些设计思路中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于AI的欺诈活动分析方法，其特征在于，所述方法包括：
获取第一在线行为关系网络以及所述第一在线行为关系网络对应的先验欺诈识别数据；所述第一在线行为关系网络包含多个在线行为对象，所述先验欺诈识别数据表征所述第一在线行为关系网络中目标在线行为对象所对应的欺诈属性标签，所述目标在线行为对象为所述第一在线行为关系网络的多个在线行为对象中的至少一个；
利用欺诈活动分析模型包括的网络生成单元对所述第一在线行为关系网络进行衍生观测，获得所述第一在线行为关系网络对应的网络衍生携带数据；
利用所述欺诈活动分析模型包括的网络推测单元依据所述先验欺诈识别数据和所述网络衍生携带数据进行网络推测得到第一推测在线行为关系网络；
利用所述网络生成单元对所述第一推测在线行为关系网络进行欺诈预测，获得所述第一推测在线行为关系网络对应的欺诈预测数据，所述第一推测在线行为关系网络对应的欺诈预测数据表征所述第一推测在线行为关系网络中各个在线行为对象所对应的欺诈属性标签；
依据所述第一推测在线行为关系网络对应的欺诈预测数据和所述先验欺诈识别数据对所述网络生成单元进行权重参数更新，并基于权重参数更新后的网络生成单元对目标在线行为关系网络进行欺诈属性标签预测。
2.根据权利要求1所述的基于AI的欺诈活动分析方法，其特征在于，所述依据所述第一推测在线行为关系网络对应的欺诈预测数据和所述先验欺诈识别数据对所述网络生成单元进行权重参数更新后，所述方法还包括：
如果当前未接收到模型收敛信息，则获取利用所述网络生成单元对所述第一推测在线行为关系网络进行衍生观测流程中获得的所述第一推测在线行为关系网络对应的网络衍生携带数据；
利用所述网络推测单元依据所述先验欺诈识别数据和所述第一推测在线行为关系网络对应的网络衍生携带数据进行网络推测得到第二推测在线行为关系网络，并利用更新后的网络生成单元对所述第二推测在线行为关系网络进行欺诈预测，获得所述第二推测在线行为关系网络对应的欺诈预测数据，所述第二推测在线行为关系网络对应的欺诈预测数据表征所述第二推测在线行为关系网络中各个在线行为对象所对应的欺诈属性标签；
依据所述第二推测在线行为关系网络对应的欺诈预测数据和所述先验欺诈识别数据对所述更新后的网络生成单元进行权重参数更新。
3.根据权利要求1所述的基于AI的欺诈活动分析方法，其特征在于，所述网络衍生携带数据包括所述第一在线行为关系网络对应的欺诈预测数据和所述第一在线行为关系网络对应的衍生行为关系网络序列，所述第一在线行为关系网络对应的欺诈预测数据用于所述网络衍生携带数据，所述衍生行为关系网络序列中包括所述第一在线行为关系网络和所述第一在线行为关系网络对应的邻居行为关系网络序列；所述网络生成单元包括特征编码节点和特征解码节点，所述利用所述欺诈活动分析模型包括的网络生成单元对所述第一在线行为关系网络进行衍生观测，获得所述第一在线行为关系网络对应的网络衍生携带数据，包括：
获取所述第一在线行为关系网络的行为有向图特征，并将所述行为有向图特征加载到所述特征编码节点以依据所述特征编码节点对应的编码函数进行特征编码，获得特征编码节点对应的行为编码特征向量；
将所述特征编码节点对应的行为编码特征向量加载到所述特征解码节点以依据所述特征解码节点对应的解码函数进行特征解码，获得特征解码节点对应的行为解码特征向量；
对所述特征解码节点对应的行为解码特征向量进行规则化转换得到所述第一在线行为关系网络对应的欺诈预测数据；
依据所述特征编码节点对应的行为编码特征向量构造第一邻居行为关系网络，以及依据所述特征解码节点对应的行为解码特征向量构造第二邻居行为关系网络，并依据所述第一在线行为关系网络的行为有向图特征建立目标邻居行为关系网络；
将所述第一邻居行为关系网络、所述第二邻居行为关系网络以及所述目标邻居行为关系网络组成所述邻居行为关系网络序列。
4.根据权利要求3所述的基于AI的欺诈活动分析方法，其特征在于，所述网络推测单元包括随机块模型节点和观测模型节点，所述利用所述欺诈活动分析模型包括的网络推测单元依据所述先验欺诈识别数据和所述网络衍生携带数据进行网络推测得到第一推测在线行为关系网络，包括：
利用所述随机块模型节点依据所述先验欺诈识别数据和所述第一在线行为关系网络对应的网络衍生携带数据中所述第一在线行为关系网络对应的欺诈预测数据生成N个模糊行为关系网络，N为不小于1的整数；
依据所述随机块模型节点的第一模型函数层和所述N个模糊行为关系网络中每个模糊行为关系网络对应的顶点间关系二维数组确定相应模糊行为关系网络对应的生成置信度；
利用所述观测模型节点依据所述观测模型节点的第二模型函数层、所述第一在线行为关系网络对应的网络衍生携带数据以及所述每个模糊行为关系网络对应的顶点间关系二维数组，计算相应模糊行为关系网络对应的网络衍生置信度；其中，所述模糊行为关系网络m对应的网络衍生置信度表征当所述模糊行为关系网络m作为所述第一推测在线行为关系网络时，所述网络衍生携带数据存在的置信度，m不小于1且不大于N；
依据每个模糊行为关系网络对应的生成置信度和每个模糊行为关系网络对应的网络衍生置信度进行推测获得推测顶点间关系二维数组，并基于所述推测顶点间关系二维数组生成所述第一推测在线行为关系网络。
5.根据权利要求4所述的基于AI的欺诈活动分析方法，其特征在于，所述基于所述推测顶点间关系二维数组生成所述第一推测在线行为关系网络，包括：
对所述推测顶点间关系二维数组进行稀疏化转换，从所述推测顶点间关系二维数组中提取目标顶点间关系二维数组；
基于所述目标顶点间关系二维数组生成所述第一推测在线行为关系网络；
所述对所述推测顶点间关系二维数组进行稀疏化转换，从所述推测顶点间关系二维数组中提取目标顶点间关系二维数组，包括：
游走所述推测顶点间关系二维数组中每个目标数组成员，将所述推测顶点间关系二维数组中不大于门限值的数组成员替换为零，获得所述目标顶点间关系二维数组。
6.根据权利要求3所述的基于AI的欺诈活动分析方法，其特征在于，所述第一在线行为关系网络对应的欺诈预测数据包括所述第一在线行为关系网络的多个在线行为对象中每个在线行为对象对应的欺诈属性标签预测值，任一在线行为对象对应的欺诈属性标签预测值表征所述任一在线行为对象所对应的欺诈属性标签，所述先验欺诈识别数据包括表征目标在线行为对象所对应的欺诈属性标签的欺诈属性标签先验值，所述将所述第一邻居行为关系网络和所述第二邻居行为关系网络组成所述邻居行为关系网络序列之后，所述方法还包括：
从所述第一在线行为关系网络对应的欺诈预测数据中获取所述目标在线行为对象对应的欺诈属性标签预测值，并确定所述目标在线行为对象对应的欺诈属性标签预测值与所述先验欺诈识别数据包括的所述欺诈属性标签先验值之间的损失函数值信息；
基于所述损失函数值信息建立所述网络生成单元对应的训练误差指标；
按照所述训练误差指标不断收敛的方向更新所述编码函数和所述解码函数；
依据更新的编码函数和解码函数分别更新所述第一在线行为关系网络对应的欺诈预测数据和所述邻居行为关系网络序列。
7.根据权利要求1-6中任意一项所述的基于AI的欺诈活动分析方法，其特征在于，所述基于权重参数更新后的网络生成单元对目标在线行为关系网络进行欺诈属性标签预测的步骤，包括：
获取目标在线行为关系网络，并利用欺诈活动分析模型中更新后的所述网络生成单元对所述目标在线行为关系网络进行欺诈预测，获得所述目标在线行为关系网络对应的目标网络衍生携带数据，所述目标网络衍生携带数据包括所述目标在线行为关系网络对应的目标欺诈预测数据；
利用所述网络推测单元依据所述目标网络衍生携带数据进行网络推测得到目标第一推测在线行为关系网络；
利用所述网络生成单元对所述目标第一推测在线行为关系网络进行处理，获得所述目标第一推测在线行为关系网络对应的欺诈输出数据，所述欺诈输出数据表征所述目标在线行为关系网络中每个在线行为对象所对应的欺诈属性标签。
8.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的基于AI的欺诈活动分析方法。
9.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的基于AI的欺诈活动分析方法。
10.一种数字化金融产品服务***，其特征在于，所述数字化金融产品服务***包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-9中任意一项所述的基于AI的欺诈活动分析方法。
CN202310497189.9A 2023-05-05 2023-05-05 基于ai的欺诈活动分析方法及数字化金融产品服务*** Active CN116433345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310497189.9A CN116433345B (zh) 2023-05-05 2023-05-05 基于ai的欺诈活动分析方法及数字化金融产品服务***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310497189.9A CN116433345B (zh) 2023-05-05 2023-05-05 基于ai的欺诈活动分析方法及数字化金融产品服务***

Publications (2)

Publication Number Publication Date
CN116433345A true CN116433345A (zh) 2023-07-14
CN116433345B CN116433345B (zh) 2024-05-24

Family

ID=87079747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310497189.9A Active CN116433345B (zh) 2023-05-05 2023-05-05 基于ai的欺诈活动分析方法及数字化金融产品服务***

Country Status (1)

Country Link
CN (1) CN116433345B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575596A (zh) * 2023-09-06 2024-02-20 临沂万鼎网络科技有限公司 基于人工智能的欺诈行为分析方法及数字金融大数据***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150381649A1 (en) * 2014-06-30 2015-12-31 Neo Prime, LLC Probabilistic Model For Cyber Risk Forecasting
US20180130071A1 (en) * 2016-11-04 2018-05-10 Wal-Mart Stores, Inc. Identifying and labeling fraudulent store return activities
CN109934698A (zh) * 2019-01-29 2019-06-25 华融融通（北京）科技有限公司 一种基于标签传播的欺诈关联网络特征提取方法
US20190385170A1 (en) * 2018-06-19 2019-12-19 American Express Travel Related Services Company, Inc. Automatically-Updating Fraud Detection System
WO2020151321A1 (zh) * 2019-01-23 2020-07-30 平安科技（深圳）有限公司 基于图计算技术的理赔反欺诈方法、装置、设备及存储介质
CN111539810A (zh) * 2020-04-30 2020-08-14 深圳前海微众银行股份有限公司 防诈骗方法、装置、***、设备及存储介质
WO2021031825A1 (zh) * 2019-08-22 2021-02-25 深圳壹账通智能科技有限公司 网络欺诈识别方法、装置、计算机装置及存储介质
CN113159778A (zh) * 2020-12-24 2021-07-23 西安四叶草信息技术有限公司 一种金融欺诈的检测方法及装置
CN113706180A (zh) * 2021-10-29 2021-11-26 杭银消费金融股份有限公司 欺诈社团识别方法及***
CN115204901A (zh) * 2022-09-09 2022-10-18 中国人民解放军国防科技大学 基于多特征融合的***欺诈检测方法、装置及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150381649A1 (en) * 2014-06-30 2015-12-31 Neo Prime, LLC Probabilistic Model For Cyber Risk Forecasting
US20180130071A1 (en) * 2016-11-04 2018-05-10 Wal-Mart Stores, Inc. Identifying and labeling fraudulent store return activities
US20190385170A1 (en) * 2018-06-19 2019-12-19 American Express Travel Related Services Company, Inc. Automatically-Updating Fraud Detection System
WO2020151321A1 (zh) * 2019-01-23 2020-07-30 平安科技（深圳）有限公司 基于图计算技术的理赔反欺诈方法、装置、设备及存储介质
CN109934698A (zh) * 2019-01-29 2019-06-25 华融融通（北京）科技有限公司 一种基于标签传播的欺诈关联网络特征提取方法
WO2021031825A1 (zh) * 2019-08-22 2021-02-25 深圳壹账通智能科技有限公司 网络欺诈识别方法、装置、计算机装置及存储介质
CN111539810A (zh) * 2020-04-30 2020-08-14 深圳前海微众银行股份有限公司 防诈骗方法、装置、***、设备及存储介质
CN113159778A (zh) * 2020-12-24 2021-07-23 西安四叶草信息技术有限公司 一种金融欺诈的检测方法及装置
CN113706180A (zh) * 2021-10-29 2021-11-26 杭银消费金融股份有限公司 欺诈社团识别方法及***
CN115204901A (zh) * 2022-09-09 2022-10-18 中国人民解放军国防科技大学 基于多特征融合的***欺诈检测方法、装置及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
史径宇: "医保欺诈行为的主动发现——基于引进指标权重的聚类分析算法", 数学建模及其应用 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575596A (zh) * 2023-09-06 2024-02-20 临沂万鼎网络科技有限公司 基于人工智能的欺诈行为分析方法及数字金融大数据***

Also Published As

Publication number Publication date
CN116433345B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
Liu et al. Deep proximal unrolling: Algorithmic framework, convergence analysis and applications
CN112035746A (zh) 一种基于时空序列图卷积网络的会话推荐方法
CN110782044A (zh) 多方联合训练图神经网络的方法及装置
CN111818093B (zh) 用于进行风险评估的神经网络***、方法及装置
CN112069903B (zh) 基于深度强化学习实现人脸识别端边卸载计算方法及装置
CN116433345B (zh) 基于ai的欺诈活动分析方法及数字化金融产品服务***
CN112070216B (zh) 一种基于图计算***训练图神经网络模型的方法及***
CN113011603A (zh) 模型参数更新方法、装置、设备、存储介质及程序产品
CN115270001B (zh) 基于云端协同学习的隐私保护推荐方法及***
CN113222143B (zh) 图神经网络训练方法、***、计算机设备及存储介质
CN112085293B (zh) 训练交互预测模型、预测交互对象的方法及装置
CN113128432B (zh) 基于演化计算的机器视觉多任务神经网络架构搜索方法
CN113592593B (zh) 序列推荐模型的训练及应用方法、装置、设备及存储介质
CN110659394A (zh) 基于双向邻近度的推荐方法
CN114372581A (zh) 基于区块链的联邦学习方法、装置和计算机设备
CN110689110A (zh) 处理交互事件的方法及装置
CN116150595A (zh) 基于人工智能的异常优化决策方法及ai分析***
CN108234195B (zh) 预测网络性能的方法和装置、设备、介质
CN114297934A (zh) 一种基于代理模型的模型参数并行仿真优化方法及装置
CN115001937A (zh) 面向智慧城市物联网的故障预测方法及装置
Shi et al. Network reliability analysis through survival signature and machine learning techniques
CN113705797A (zh) 基于图神经网络的推荐模型训练方法、装置、设备及介质
CN116774569A (zh) 基于人工智能的氧氩分离设备运行***更新方法及***
EP4246375A1 (en) Model processing method and related device
CN115758643A (zh) 一种基于时空特征融合的网络流量预测方法、装置及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20230926

Address after: No. 83-2 Haizhou Street, Xihe District, Fuxin City, Liaoning Province, 123000

Applicant after: Wang Zuofeng

Address before: 123000 Xinqu Road 2 # -601, Xihe District, Fuxin City, Liaoning Province

Applicant before: Liaoning Huiyuan Technology Development Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240327

Address after: 200126, Zone C, 3rd Floor, No. 5, Lane 255, Dongyu Road, Pudong New Area Free Trade Pilot Zone, Shanghai

Applicant after: Italian Information Technology (Shanghai) Co.,Ltd.

Country or region after: China

Address before: No. 83-2 Haizhou Street, Xihe District, Fuxin City, Liaoning Province, 123000

Applicant before: Wang Zuofeng

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant