CN116894728A - 异常账户确定方法、装置、计算机设备和存储介质 - Google Patents
异常账户确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116894728A CN116894728A CN202310645095.1A CN202310645095A CN116894728A CN 116894728 A CN116894728 A CN 116894728A CN 202310645095 A CN202310645095 A CN 202310645095A CN 116894728 A CN116894728 A CN 116894728A
- Authority
- CN
- China
- Prior art keywords
- account
- abnormal
- interactive
- information
- confirmed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003993 interaction Effects 0.000 claims abstract description 76
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000004590 computer program Methods 0.000 claims abstract description 22
- 230000002452 interceptive effect Effects 0.000 claims description 141
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 78
- 238000012546 transfer Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 15
- 230000002547 anomalous effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种异常账户确定方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取待确认账户对应的异常流水信息;基于异常流水信息中的交互账户对应的交互流水信息,以及交互账户的特征信息,构建待确认账户的知识图谱;将知识图谱输入至异常账户检测模型,得到待确认账户的异常概率;在异常概率大于预设阈值的情况下,确定待确认账户为异常账户。采用本方法能够提高异常账户确定的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种异常账户确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机技术的发展,金融业务的办理逐渐从线下转移到了线上,虽然金融业务的办理越来越方便,但是离开了工作人员的层层审核,金融业务办理的风险也逐渐增加。
传统技术中,在金融业务办理过程,通过将收款账户与异常账户库中的异常账户进行比对,以确定收款账户是否为异常账户,异常账户确定的准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高异常账户确定准确率的异常账户确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种异常账户确定方法。所述方法包括:
获取待确认账户对应的异常流水信息;
基于所述异常流水信息中的交互账户对应的交互流水信息,以及所述交互账户的特征信息,构建所述待确认账户的知识图谱;
将所述知识图谱输入至异常账户检测模型,得到所述待确认账户的异常概率;
在所述异常概率大于预设阈值的情况下,确定所述待确认账户为异常账户。
在一个实施例中,所述获取待确认账户对应的异常流水信息包括:
获取所述待确认账户预设时间段内的流水信息;
获取异常条件集合,针对每条所述流水信息,将所述流水信息与所述异常条件集合中的异常条件进行比对;
若所述流水信息符合所述异常条件集合中的至少一个异常条件,则确定所述流水信息为异常流水信息。
在一个实施例中,所述基于所述异常流水信息中的交互账户对应的交互流水信息,以及所述交互账户的特征信息,构建所述待确认账户的知识图谱包括:
针对每条所述异常流水信息,获取所述异常流水信息中的交互账户;
基于交互账户对应的交互流水信息,确定交互账户对应的目标账户集合;
基于各个所述交互账户对应的目标账户集合,确定各个顶点之间的连接关系;所述顶点与所述交互账户一一对应;
获取所述交互账户的特征信息,将所述特征信息转换成所述交互账户对应的顶点的特征向量;
基于所述各个顶点之间的连接关系,以及所述各个顶点的特征向量,得到所述待确认账户的知识图谱。
在一个实施例中,所述基于交互账户对应的交互流水信息,确定交互账户对应的目标账户集合包括:
针对所述交互账户的每条交互流水信息,获取所述交互流水信息中的目标账户;
将各个所述交互流水信息对应的目标账户,组成所述交互账户的目标账户集合。
在一个实施例中,所述基于各个所述交互账户对应的目标账户集合,确定各个顶点之间的连接关系包括:
基于所述交互账户,生成所述交互账户对应的顶点;
针对每个所述交互账户,将除去所述交互账户的其它交互账户,与所述交互账户对应的目标账户集合中的目标账户进行比对;
若存在与所述目标账户相同的其它交互账户,则确定与所述目标账户相同的其它交互账户对应的顶点,与交互账户对应的顶点之间的连接关系。
在一个实施例中,所述异常账户检测模型的训练方式包括:
获取初始异常账户检测模型;
获取多个训练知识图谱,以及所述训练知识图谱对应的标签;
基于所述训练知识图谱和所述训练知识图谱对应的标签,对所述初始异常账户检测模型进行训练,得到异常账户检测模型。
在一个实施例中,所述在所述异常概率大于预设阈值的情况下,确定所述待确认账户为异常账户之后还包括:
对资源转移信息中的资源转移账户进行风险提示;所述资源转移账户为所述资源转移信息中的资源转移对象,所述待确认账户为所述资源转移信息中的收款对象。
第二方面,本申请还提供了一种异常账户确定装置。所述装置包括:
获取模块,用于获取待确认账户对应的异常流水信息;
构建模块,用于基于所述异常流水信息中的交互账户对应的交互流水信息,以及所述交互账户的特征信息,构建所述待确认账户的知识图谱;
输入模块,用于将所述知识图谱输入至异常账户检测模型,得到所述待确认账户的异常概率;
确定模块,用于在所述异常概率大于预设阈值的情况下,确定所述待确认账户为异常账户。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面中任一项所述方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述方法的步骤。
第五方面,本申请还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第一方面中任一项所述方法的步骤。
上述异常账户确定方法、装置、计算机设备、存储介质和计算机程序产品,获取待确认账户对应的异常流水信息,基于异常流水信息中的交互账户对应的交互流水信息,以及交互账户的特征信息,构建待确认账户的知识图谱,将知识图谱输入至异常账户检测模型,得到待确认账户的异常概率,知识图谱中包含了大量与待确认账户相关的信息,将知识图谱输入至经过训练的异常账户检测模型,提高了异常概率的准确性,在异常概率大于预设阈值的情况下,确定待确认账户为异常账户,从而提高了异常账户确定的准确性。
附图说明
图1为一个实施例中异常账户确定方法的应用环境图;
图2为一个实施例中异常账户确定方法的流程示意图;
图3为一个实施例中异常流水信息确定步骤的流程示意图;
图4为一个实施例知识图谱构建步骤的流程示意图;
图5为一个实施例中异常账户检测模型训练步骤的流程示意图;
图6为一个实施例中异常账户确定装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的异常账户确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端和服务器均可单独用于执行本申请实施例中提供的异常账户确定方法。终端和服务器也可协同用于执行本申请实施例中提供的异常账户确定方法。例如,终端获取待确认账户对应的异常流水信息,基于异常流水信息中的交互账户对应的交互流水信息,以及交互账户的特征信息,构建待确认账户的知识图谱,将知识图谱输入至异常账户检测模型,得到待确认账户的异常概率,在异常概率大于预设阈值的情况下,确定待确认账户为异常账户。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种异常账户确定方法,本实施例以该方法应用于计算机设备为例进行说明,包括步骤202到步骤208。
步骤202,获取待确认账户对应的异常流水信息。
其中,待确认账户是指需要进行异常判断的账户。待确认账户可以用账号、用户标识、用户编码和用户姓名等表示。待确认账户可以为收款账号。流水信息是指银行账户的存取款交易记录。流水信息中包括但不限于交易账户、交易金额和流水余额等。异常流水信息是指异常状态的流水信息。异常状态可以根据实际需求设定。
示例性地,计算机设备获取转账信息,从转账信息中获取待确认账户,然后从数据库中获取待确认账户对应的流水信息,从流水信息中选择异常流水信息。
在一个实施例中,操作人员输入待确认账户,计算机设备获取待确认账户。
步骤204,基于异常流水信息中的交互账户对应的交互流水信息,以及交互账户的特征信息,构建待确认账户的知识图谱。
其中,交互账户是指异常流水信息中与待确认账户进行转账、汇款等交易的账户。交互流水信息是指交互账户对应的流水信息,可以理解为,交互账户参与的流水信息。特征信息是指与交互账户相关的信息。特征信息包括但不限于账户交易时间、交易金额、交易频次、联系方式、是否有逾期和个人征信等。知识图谱是指包括多个交互账户之间的相互关系,以及交互账户特征信息的知识网络,可以理解为,将海量且繁杂的、与待确认账户相关的数据内容整合成的一个知识网络。
示例性地,计算机设备获取每一个异常流水信息中的交互账户,从数据库中获取交互账户对应的交互流水信息,根据交互账户对应的交互流水信息和交互账户的特征信息,构建待确认账户的知识图谱。
步骤206,将知识图谱输入至异常账户检测模型,得到待确认账户的异常概率。
其中,异常账户检测模型是指根据知识图谱确定异常概率的神经网络模型,可以理解为,异常账户检测模型的输入为待确认账户对应的知识图谱,输出为待确认账户对应的异常概率。异常账户检测模型为经过训练的神经网络模型。异常概率是指待确认账户为异常账户的概率,异常概率越大,待确认账户为异常账户的可能性越大。
示例性地,计算机设备将知识图谱输入至异常账户检测模型,异常账户检测模型输出待确认账户的异常概率。
步骤208,在异常概率大于预设阈值的情况下,确定待确认账户为异常账户。
其中,预设阈值是指预先设置的,异常账户对应的最小异常概率。异常概率可以根据实际需求进行设定。
示例性地,计算机设备将异常概率与预设阈值进行比较,如果异常概率大于预设阈值,则确定待确认账户为异常账户,如果异常概率小于或者等于预设阈值,则确定待确认账户为正常账户。
上述异常账户确定方法中,获取待确认账户对应的异常流水信息,基于异常流水信息中的交互账户对应的交互流水信息,以及交互账户的特征信息,构建待确认账户的知识图谱,将知识图谱输入至异常账户检测模型,得到待确认账户的异常概率,知识图谱中包含了大量与待确认账户相关的信息,将知识图谱输入至经过训练的异常账户检测模型,提高了异常概率的准确性,在异常概率大于预设阈值的情况下,确定待确认账户为异常账户,从而提高了异常账户确定的准确性。
在一个实施例中,如图3所示,获取待确认账户对应的异常流水信息包括:
步骤302,获取待确认账户预设时间段内的流水信息。
其中,预设时间段是指预先设置的时间段。例如,最近的一个月。
示例性地,计算机设备从数据库中获取待确认账户在预设时间段内的流水信息。
步骤304,获取异常条件集合,针对每条流水信息,将流水信息与异常条件集合中的异常条件进行比对。
其中,异常条件集合是指由多个异常条件组成的集合,异常条件集合可以根据实际需求进行设定,并且可以修改。异常条件是指判断流水信息为异常的条件。例如,流水信息中的金额大于50万。
示例性地,计算机设备获取异常条件集合,从异常条件集合中获取多个异常条件,针对每条流水信息,将流水信息分别与各个异常条件进行比对。
在一个实施例中,计算机设备获取异常条件集合,从异常条件集合中获取多个异常条件,针对每条流水信息,将流水信息与异常条件进行比对,当流水信息符合异常条件时,则确定该流水信息为异常流水信息。
步骤306,若流水信息符合异常条件集合中的至少一个异常条件,则确定流水信息为异常流水信息。
示例性地,如果流水信息符合异常条件集合中的至少一个异常条件,则确定流水信息为异常流水信息,如果流水信息不符合异常条件集合中的任意一个异常条件,则确定流水信息为正常流水信息。
本实施例中,通过将待确认账户的流水信息与异常条件集合中的异常条件进行比对,确定待确认账户对应的异常流水信息,提高了异常流水信息确定的准确性,不仅如此,通过确认异常流水信息,减少了后期的运算量,提高了异常账户确定的效率。
在一个实施例中,如图4所示,基于异常流水信息中的交互账户对应的交互流水信息,以及交互账户的特征信息,构建待确认账户的知识图谱包括:
步骤402,针对每条异常流水信息,获取异常流水信息中的交互账户。
示例性地,计算机设备从每条异常流水信息中获取交互账户。
步骤404,基于交互账户对应的交互流水信息,确定交互账户对应的目标账户集合。
其中,交互流水信息是指有交互账户参与的流水信息。目标账户集合是指由交互流水信息中与交互账户进行交易的账户组成的集合。目标账户是指交互流水信息中与交互账户进行交易的账户。
示例性地,计算机设备从交互账户对应的交互流水信息中获取目标账户,然后将交互账户对应的目标账户,组成交互账户对应的目标账户集合。
步骤406,基于各个交互账户对应的目标账户集合,确定各个顶点之间的连接关系;顶点与交互账户一一对应。
其中,连接关系是指是否连接的关系。连接关系包括连接和非连接。顶点是指知识图谱中的一个点,与交互账户一一对应,可以理解为,知识图谱中的每一个顶点代表一个交互账户。
示例性地,计算机设备基于各个交互账户对应的目标账户集合,确定知识图谱中各个顶点之间的连接关系。
步骤408,获取交互账户的特征信息,将特征信息转换成交互账户对应的顶点的特征向量。
其中,特征向量是指代表交互账户特征信息的向量。
示例性地,计算机设备获取交互账户的特征信息,将特征信息输入特征转换模型,得到交互账户对应的特征向量,然后将交互账户对应的特征向量,作为交互账户对应顶点的特征向量。
步骤410,基于各个顶点之间的连接关系,以及各个顶点的特征向量,得到待确认账户的知识图谱。
示例性地,计算机设备基于各个顶点之间的连接关系,对知识图谱中的各个顶点之间进行连接,在各个顶点附近标注该顶点的特征向量,得到待确认账户的知识图谱。
本实施例中,根据异常流水信息中的交互账户对应的交互流水信息,以及交互账户的特征信息,构建待确认账户的知识图谱,知识图谱中包含了大量与待确认账户相关的信息,为预测待确认账户的异常概率提供了基础数据。
在一个实施例中,基于交互账户对应的交互流水信息,确定交互账户对应的目标账户集合包括:
针对交互账户的每条交互流水信息,获取交互流水信息中的目标账户;将各个交互流水信息对应的目标账户,组成交互账户的目标账户集合。
示例性地,针对交互账户的每条交互流水信息,计算机设备从交互流水信息中获取转账账户和收款账户,将转账账户和收款账户分别与交互账户进行比对,将转账账户和收款账户中与交互账户不同的账户确定为目标账户,然后将各个交互流水信息对应的目标账户,组成交互账户的目标账户集合。
本实施例中,通过将转账账户和收款账户分别与交互账户进行比对,确定每条交互流水信息中的目标账户,提高了目标账户的准确性。
在一个实施例中,基于各个交互账户对应的目标账户集合,确定各个顶点之间的连接关系包括:
基于交互账户,生成交互账户对应的顶点;针对每个交互账户,将除去交互账户的其它交互账户,与交互账户对应的目标账户集合中的目标账户进行比对;若存在与目标账户相同的其它交互账户,则确定与目标账户相同的其它交互账户对应的顶点,与交互账户对应的顶点之间的连接关系。
示例性地,计算机设备生成与交互账户一一对应的顶点,针对每个交互账户,将除去交互账户的其它交互账户,与交互账户对应的目标账户集合中的目标账户进行比对,如果存在与目标账户相同的其它交互账户,则确定与目标账户相同的其它交互账户对应的顶点,与交互账户对应的顶点之间的连接关系,如果不存在与目标账户相同的其它交互账户,则确定交互账户对应的顶点与其它交互账户对应的顶点之间不存在连接关系。
本实施例中,两个顶点之间的连接关系表征两个顶点对应的两个交互账户之间存在转账或者汇款等行为,即两个交互账户之间具有一定的关系,将具有一定关系的两个交互账户对应的两个顶点之间连接起来,丰富了知识图谱中的信息。
在一个实施例中,如图5所示,异常账户检测模型的训练方式包括:
步骤502,获取初始异常账户检测模型。
其中,初始异常账户检测模型是指未经过训练的异常账户检测模型,用于根据知识图谱预测异常概率。
示例性地,计算机设备获取初始异常账户检测模型。
步骤504,获取多个训练知识图谱,以及训练知识图谱对应的标签。
其中,训练知识图谱是指用于对初始异常账户检测模型进行训练的知识图谱。标签是指知识图谱对应的类别。标签可以分为正常和异常。
示例性地,计算机设备从训练数据集合中获取训练知识图谱,以及训练知识图谱对应的标签。
步骤506,基于训练知识图谱和训练知识图谱对应的标签,对初始异常账户检测模型进行训练,得到异常账户检测模型。
示例性地,针对每个知识图谱和知识图谱对应的标签,计算机设备将训练知识图谱输入初始异常账户检测模型,得到初始异常概率,基于初始异常概率和知识图谱对应的标签,计算得到误差损失,基于误差损失,对初始异常账户检测模型的初始参数进行调整,得到调整后的初始异常账户检测模型,直至最后一个知识图普和知识图谱对应的标签,得到异常账户检测模型。
本实施例中,通过多个训练知识图谱和训练知识图谱对应的标签对初始异常账户检测模型进行训练,得到异常账户检测模型,提高了异常账户检测模型预测的准确性。
在一个实施例中,在异常概率大于预设阈值的情况下,确定待确认账户为异常账户之后还包括:
对资源转移信息中的资源转移账户进行风险提示;资源转移账户为资源转移信息中的资源转移对象,待确认账户为资源转移信息中的收款对象。
其中,资源转移信息是指转账信息。资源转移账户是指转账账户或者汇款账户。风险提示是指提示资源转移信息存在风险。风险提示的方式包括但不限于弹窗提示、短信提示和电话提示等等。待确认账户是指收款账户。
示例性地,计算机设备获取资源转移信息后,从资源转移信息中获取待确认账户,确定待确认账户为异常账户之后,对资源转移信息中的资源转移账户进行风险提示。
本实施例中,在确定待确认账户为异常账户之后,对资源转移账户进行风险提示,提示转账人员或者汇款人员对此次转账或者汇款再次进行确认,降低转账人员或者汇款人员被诈骗的风险。
在一个示例性地实施例中,异常账户确定方法如下所述:
计算机设备获取转账信息,从转账信息中获取待确认账户,然后从数据库中获取待确认账户在预设时间段内的流水信息,获取异常条件集合,从异常条件集合中获取多个异常条件,针对每条流水信息,将流水信息与异常条件进行比对,当流水信息符合异常条件时,则确定该流水信息为异常流水信息。
从每条异常流水信息中获取交互账户,从数据库中获取交互账户对应的交互流水信息,针对交互账户的每条交互流水信息,计算机设备从交互流水信息中获取转账账户和收款账户,将转账账户和收款账户分别与交互账户进行比对,将转账账户和收款账户中与交互账户不同的账户确定为目标账户,然后将各个交互流水信息对应的目标账户,组成交互账户的目标账户集合。
计算机设备生成与交互账户一一对应的顶点,针对每个交互账户,将除去交互账户的其它交互账户,与交互账户对应的目标账户集合中的目标账户进行比对,如果存在与目标账户相同的其它交互账户,则确定与目标账户相同的其它交互账户对应的顶点,与所交互账户对应的顶点之间的连接关系,如果不存在与目标账户相同的其它交互账户,则确定交互账户对应的顶点与其它交互账户对应的顶点之间不存在连接关系。基于各个顶点之间的连接关系,对知识图谱中的各个顶点之间进行连接,在各个顶点附近标注该顶点的特征向量,得到待确认账户的知识图谱。
将知识图谱输入至异常账户检测模型,得到待确认账户的异常概率,将异常概率与预设阈值进行比较,如果异常概率大于预设阈值,则确定待确认账户为异常账户,如果异常概率小于或者等于预设阈值,则确定待确认账户为正常账户,在确定待确认账户为异常账户之后,对资源转移信息中的资源转移账户进行风险提示。
上述异常账户确定方法,获取待确认账户对应的异常流水信息,基于异常流水信息中的交互账户对应的交互流水信息,以及交互账户的特征信息,构建待确认账户的知识图谱,将知识图谱输入至异常账户检测模型,得到待确认账户的异常概率,知识图谱中包含了大量与待确认账户相关的信息,将知识图谱输入至经过训练的异常账户检测模型,提高了异常概率的准确性,在异常概率大于预设阈值的情况下,确定待确认账户为异常账户,从而提高了异常账户确定的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的异常账户确定方法的异常账户确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个异常账户确定装置实施例中的具体限定可以参见上文中对于异常账户确定方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种异常账户确定装置,包括:获取模块602、构建模块604、输入模块606和确定模块608,其中:
获取模块602,用于获取待确认账户对应的异常流水信息;
构建模块604,用于基于异常流水信息中的交互账户对应的交互流水信息,以及交互账户的特征信息,构建待确认账户的知识图谱;
输入模块606,用于将知识图谱输入至异常账户检测模型,得到待确认账户的异常概率;
确定模块608,用于在异常概率大于预设阈值的情况下,确定待确认账户为异常账户。
在一个实施例中,获取模块602还用于:获取待确认账户预设时间段内的流水信息;获取异常条件集合,针对每条流水信息,将流水信息与异常条件集合中的异常条件进行比对;若流水信息符合异常条件集合中的至少一个异常条件,则确定流水信息为异常流水信息。
在一个实施例中,构建模块604还用于:针对每条异常流水信息,获取异常流水信息中的交互账户;基于交互账户对应的交互流水信息,确定交互账户对应的目标账户集合;基于各个交互账户对应的目标账户集合,确定各个顶点之间的连接关系;顶点与交互账户一一对应;获取交互账户的特征信息,将特征信息转换成交互账户对应的顶点的特征向量;基于各个顶点之间的连接关系,以及各个顶点的特征向量,得到待确认账户的知识图谱。
在一个实施例中,构建模块604还用于:针对交互账户的每条交互流水信息,获取交互流水信息中的目标账户;将各个交互流水信息对应的目标账户,组成交互账户的目标账户集合。
在一个实施例中,构建模块604还用于:基于交互账户,生成交互账户对应的顶点;针对每个交互账户,将除去交互账户的其它交互账户,与交互账户对应的目标账户集合中的目标账户进行比对;若存在与目标账户相同的其它交互账户,则确定与目标账户相同的其它交互账户对应的顶点,与交互账户对应的顶点之间的连接关系。
在一个实施例中,异常账户确定装置还包括训练模块,训练模块用于:获取初始异常账户检测模型;获取多个训练知识图谱,以及训练知识图谱对应的标签;基于训练知识图谱和训练知识图谱对应的标签,对初始异常账户检测模型进行训练,得到异常账户检测模型。
在一个实施例中,异常账户确定装置还包括提示模块,提示模块用于:对资源转移信息中的资源转移账户进行风险提示;资源转移账户为资源转移信息中的资源转移对象,待确认账户为资源转移信息中的收款对象。
上述异常账户确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括处理器、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,该计算机设备的处理器用于提供计算和控制能力。该计算机设备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***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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备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)或其他技术实现。该计算机程序被处理器执行时以实现一种异常账户确定方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,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。
在一个实施例中,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。
在一个实施例中,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。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
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)
1.一种异常账户确定方法,其特征在于,所述方法包括:
获取待确认账户对应的异常流水信息;
基于所述异常流水信息中的交互账户对应的交互流水信息,以及所述交互账户的特征信息,构建所述待确认账户的知识图谱;
将所述知识图谱输入至异常账户检测模型,得到所述待确认账户的异常概率;
在所述异常概率大于预设阈值的情况下,确定所述待确认账户为异常账户。
2.根据权利要求1所述的方法,其特征在于,所述获取待确认账户对应的异常流水信息包括:
获取所述待确认账户预设时间段内的流水信息;
获取异常条件集合,针对每条所述流水信息,将所述流水信息与所述异常条件集合中的异常条件进行比对;
若所述流水信息符合所述异常条件集合中的至少一个异常条件,则确定所述流水信息为异常流水信息。
3.根据权利要求1所述的方法,其特征在于,所述基于所述异常流水信息中的交互账户对应的交互流水信息,以及所述交互账户的特征信息,构建所述待确认账户的知识图谱包括:
针对每条所述异常流水信息,获取所述异常流水信息中的交互账户;
基于交互账户对应的交互流水信息,确定交互账户对应的目标账户集合;
基于各个所述交互账户对应的目标账户集合,确定各个顶点之间的连接关系;所述顶点与所述交互账户一一对应;
获取所述交互账户的特征信息,将所述特征信息转换成所述交互账户对应的顶点的特征向量;
基于所述各个顶点之间的连接关系,以及所述各个顶点的特征向量,得到所述待确认账户的知识图谱。
4.根据权利要求3所述的方法,其特征在于,所述基于交互账户对应的交互流水信息,确定交互账户对应的目标账户集合包括:
针对所述交互账户的每条交互流水信息,获取所述交互流水信息中的目标账户;
将各个所述交互流水信息对应的目标账户,组成所述交互账户的目标账户集合。
5.根据权利要求3所述的方法,其特征在于,所述基于各个所述交互账户对应的目标账户集合,确定各个顶点之间的连接关系包括:
基于所述交互账户,生成所述交互账户对应的顶点;
针对每个所述交互账户,将除去所述交互账户的其它交互账户,与所述交互账户对应的目标账户集合中的目标账户进行比对;
若存在与所述目标账户相同的其它交互账户,则确定与所述目标账户相同的其它交互账户对应的顶点,与交互账户对应的顶点之间的连接关系。
6.根据权利要求1所述的方法,其特征在于,所述异常账户检测模型的训练方式包括:
获取初始异常账户检测模型;
获取多个训练知识图谱,以及所述训练知识图谱对应的标签;
基于所述训练知识图谱和所述训练知识图谱对应的标签,对所述初始异常账户检测模型进行训练,得到异常账户检测模型。
7.根据权利要求1所述的方法,其特征在于,所述在所述异常概率大于预设阈值的情况下,确定所述待确认账户为异常账户之后还包括:
对资源转移信息中的资源转移账户进行风险提示;所述资源转移账户为所述资源转移信息中的资源转移对象,所述待确认账户为所述资源转移信息中的收款对象。
8.一种异常账户确定装置,其特征在于,所述装置包括:
获取模块,用于获取待确认账户对应的异常流水信息;
构建模块,用于基于所述异常流水信息中的交互账户对应的交互流水信息,以及所述交互账户的特征信息,构建所述待确认账户的知识图谱;
输入模块,用于将所述知识图谱输入至异常账户检测模型,得到所述待确认账户的异常概率;
确定模块,用于在所述异常概率大于预设阈值的情况下,确定所述待确认账户为异常账户。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310645095.1A CN116894728A (zh) | 2023-06-02 | 2023-06-02 | 异常账户确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310645095.1A CN116894728A (zh) | 2023-06-02 | 2023-06-02 | 异常账户确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894728A true CN116894728A (zh) | 2023-10-17 |
Family
ID=88311384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310645095.1A Pending CN116894728A (zh) | 2023-06-02 | 2023-06-02 | 异常账户确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894728A (zh) |
-
2023
- 2023-06-02 CN CN202310645095.1A patent/CN116894728A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
US20240144278A1 (en) | Systems and methods for fraud monitoring | |
CN111737921B (zh) | 基于循环神经网络的数据处理方法、设备及介质 | |
CN117314337A (zh) | 业务办理方法、装置、计算机设备和存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114493850A (zh) | 基于人工智能的在线公证方法、***及存储介质 | |
CN116894728A (zh) | 异常账户确定方法、装置、计算机设备和存储介质 | |
CN115186890A (zh) | 预警方法、装置、计算机设备和存储介质 | |
CN114240100A (zh) | 贷款评估方法、装置、计算机设备和存储介质 | |
CN117874323A (zh) | 信息推荐方法、装置、计算机设备和存储介质 | |
CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 | |
CN117455664A (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN118297710A (zh) | 交易验证方法、装置、计算机设备和存储介质 | |
CN117390490A (zh) | 用电信用报告的生成方法、装置、设备、存储介质和产品 | |
CN117390258A (zh) | 金融业务推荐方法、装置、计算机设备和存储介质 | |
CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN117036041A (zh) | 业务信息推送方法、装置、计算机设备和存储介质 | |
CN117312405A (zh) | 用户异常等级确定方法、装置、计算机设备、介质和产品 | |
CN117314519A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN117437006A (zh) | 业务需求信息生成方法、装置、计算机设备和存储介质 | |
CN116975679A (zh) | 金融***用户识别模型训练及提供识别结果的方法、装置 | |
CN118051215A (zh) | 程序生成方法、装置、计算机设备和存储介质 | |
CN116109406A (zh) | 用户借贷意愿的预测方法、装置、计算机设备和存储介质 | |
CN116703544A (zh) | 资源互动轨迹预测方法、装置、计算机设备和存储介质 | |
CN118313830A (zh) | 资源处理方法、装置、计算机设备和存储介质 |
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 |