CN117217881A - 基于客户特征的风险监测方法及装置 - Google Patents
基于客户特征的风险监测方法及装置 Download PDFInfo
- Publication number
- CN117217881A CN117217881A CN202311027968.9A CN202311027968A CN117217881A CN 117217881 A CN117217881 A CN 117217881A CN 202311027968 A CN202311027968 A CN 202311027968A CN 117217881 A CN117217881 A CN 117217881A
- Authority
- CN
- China
- Prior art keywords
- risk
- client
- customer
- target
- information
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004900 laundering Methods 0.000 claims abstract description 100
- 238000013075 data extraction Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012015 optical character recognition Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 6
- 230000009193 crawling Effects 0.000 description 6
- 238000010257 thawing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种基于客户特征的风险监测方法及装置,该方法包括:获取客户信息;对客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息;将目标客户信息输入至可疑交易监测模型中,得到可疑交易监测模型输出的客户风险判定结果;其中,可疑交易监测模型基于预先获取的风险特征集构建而成;风险特征集包括具备洗钱风险客户的风险特征;可疑交易监测模型基于目标客户信息和风险特征集,判定对应目标客户是否存在洗钱风险。本发明提高了可疑交易识别的准确率,实现了对二手房交易行业洗钱活动的有效筛查和甄别。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于客户特征的风险监测方法及装置。
背景技术
洗钱是指将犯罪或其他非法违法行为所获得的违法收入,通过各种手段掩饰、隐瞒、转化,使其在形式上合法化的行为。近年来不法分子,特别是具备特殊职务身份的不法分子往往利用其职务便利获取非法收入,并在获取非法收入后,通过买卖房产的方式完成资金的转移和清洗。
目前具有特殊职务身份人员,比如企业高管等,将非法资金用于购房的情况往往于案发后的介入调查阶段被发现,缺乏在房产交易过程中或交易完成后的有效监控手段,房地产领域的基于客户特征的风险监测主要应用金融机构通用的洗钱监测方法,缺乏针对性。
发明内容
本发明提供一种基于客户特征的风险监测方法及装置,用以解决现有技术中无法有效监控房产交易的缺陷,提高可疑交易识别的准确率,实现对二手房交易行业洗钱活动的有效筛查和甄别。
本发明提供一种基于客户特征的风险监测方法,包括:获取客户信息;对所述客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息;将所述目标客户信息输入至可疑交易监测模型中,得到所述可疑交易监测模型输出的客户风险判定结果;其中,所述可疑交易监测模型基于预先获取的风险特征集构建而成;所述风险特征集包括具备洗钱风险客户的风险特征;所述可疑交易监测模型基于所述目标客户信息和所述风险特征集,判定对应目标客户是否存在洗钱风险。
根据本发明提供的一种基于客户特征的风险监测方法,在所述将所述目标客户信息输入至可疑交易监测模型中之前,包括:获取具备洗钱风险客户的风险特征;所述具备洗钱风险客户的风险特征包括身份特征、交易特征、工作特征;对所述具备洗钱风险客户的风险特征进行聚类,得到各个聚类簇,并基于所述各个聚类簇,得到风险特征集;根据所述风险特征集,构建可疑交易监测模型。
根据本发明提供的一种基于客户特征的风险监测方法,在所述对所述具备洗钱风险客户的风险特征进行聚类之前,包括:对所述具备洗钱风险客户的风险特征进行清洗和预处理,以去除异常值和缺失值。
根据本发明提供的一种基于客户特征的风险监测方法,所述获取具备洗钱风险客户的风险特征,包括:
获取客户风险特征;确定至少预设数量的客户风险特征符合预设风险判定规则的情况下,则确定对应客户为具备洗钱风险的客户;根据所述具备洗钱风险的客户及其对应的客户风险特征,得到具备洗钱风险客户的风险特征;或者,
获取客户风险特征;根据所述客户风险特征,并结合预设权重和分值,得到对应客户的风险评分;判断所述风险评分是否符合预设风险区间,若符合,则对应客户为具备洗钱风险的客户;否则,所述客户为不具备洗钱风险的客户;根据所述具备洗钱风险的客户及其对应的客户风险特征,得到具备洗钱风险客户的风险特征。
根据本发明提供的一种基于客户特征的风险监测方法,所述对所述客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息,包括:基于所述客户信息,从预设公共网站中获取相关数据,并判断所述客户信息与所述相关数据是否一致;若一致,则目标身份识别通过,并从所述预设公共网站的预设目标页面提取对应的客户数据,得到目标客户信息。
根据本发明提供的一种基于客户特征的风险监测方法,所述从所述预设公共网站的预设目标页面提取对应的客户数据,包括:获取所述预设公共网站的预设目标页面的HTML代码,基于预设抓取规则,利用正则表达式或解析器对所述HTML代码进行相应客户数据提取,得到目标客户信息。
根据本发明提供的一种基于客户特征的风险监测方法,所述获取客户信息,包括:获取客户证件信息;基于光学字符识别OCR技术,对所述客户证件信息进行数据提取,得到客户信息。
本发明还提供一种基于客户特征的风险监测装置,包括:信息获取模块,获取客户信息;目标客户确定模块,对所述客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息;可疑交易监测模块,将所述目标客户信息输入至可疑交易监测模型中,得到所述可疑交易监测模型输出的客户风险判定结果;其中,所述可疑交易监测模型基于预先获取的风险特征集构建而成;所述风险特征集包括具备洗钱风险客户的风险特征;所述可疑交易监测模型基于所述目标客户信息和所述风险特征集,判定对应目标客户是否存在洗钱风险。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于客户特征的风险监测方法的步骤。
本发明还提供一种非暂态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如上述任一种所述基于客户特征的风险监测方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于客户特征的风险监测方法的步骤。
本发明提供的基于客户特征的风险监测方法及装置,通过从海量客户信息中抓取目标客户,并将对应目标客户输入至可疑交易监测模型中,以便于抓取出具有高洗钱风险的高风险客户,提前识别出可能存在的反洗钱房屋交易,为反洗钱义务构建解决方案,提高了可疑交易识别的准确率,实现了对二手房交易行业洗钱活动的有效筛查和甄别。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于客户特征的风险监测方法的流程示意图;
图2是本发明提供的聚类结果的示意图;
图3是本发明提供的基于客户特征的风险监测装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
图1示出了一种基于客户特征的风险监测方法的流程示意图,该方法,包括:
S11,获取客户信息;
S12,对客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息;
S13,将目标客户信息输入至可疑交易监测模型中,得到可疑交易监测模型输出的客户风险判定结果;其中,可疑交易监测模型基于预先获取的风险特征集构建而成;风险特征集包括具备洗钱风险客户的风险特征;可疑交易监测模型基于目标客户信息和风险特征集,判定对应目标客户是否存在洗钱风险。
需要说明的是,本说明书中的步骤编号“S1N”不代表基于客户特征的风险监测方法的先后顺序,下面具体结合图2描述本发明的基于客户特征的风险监测方法。
步骤S11,获取客户信息。
在本实施例中,获取客户信息,包括:获取客户证件信息;基于光学字符识别OCR技术,对客户证件信息进行数据提取,得到客户信息。
需要补充的是,本申请的实施例用于房产交易中洗钱风险的监测,根据相关政策,在房产交易中,客户需要提供相关信息以备查验和完成交易相关手续,有关单位也有义务对交易中的洗钱风险进行监控,因此可以在用户知情且同意的情况下获取客户信息,客户证件信息保包括身份证和户口本;当获取的是身份证时,基于OCR技术提取,得到的客户信息包括客户证件地址、名字和出生年月;当获取的是户口本时,基于OCR技术提取,得到的客户信息包括户口迁移信息、职业、手机号信息和婚姻登记记录(离异次数)。
在一个可选实施例中,在基于身份证得到客户信息,以及基于户口本得到客户信息之后,包括:对基于身份证得到的客户信息和基于户口本得到的客户信息进行整合,得到客户的名字、出生年月、地址、职业、手机号信息和婚姻登记记录等客户信息。
步骤S12,对客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息。
在本实施例中,对客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息,包括:基于客户信息,从预设公共网站中获取相关数据,并判断客户信息与相关数据是否一致;若一致,则目标身份识别通过,并从预设公共网站的预设目标页面提取对应的客户数据,得到目标客户信息。
应当注意的是,预设公共网站可以为对应公职单位的官方网站。另外,从预设公共网站中获取相关数据的手段可以采用诸如爬取等方式,当采用爬取方式获取相关数据时,在基于客户信息,从预设公共网站中获取相关数据之前,包括:确定公共网站,并在尊重公共网站robots.txt文件规则的基础上,使用网络爬虫工具编写爬虫程序,并设置抓取规则和目标页面,以及在代码中添加相关数据的验证功能,网络爬虫工具可为Python中的BeautifulSoup。
客户信息包括名字、出生年月、地址、职业、手机号信息和婚姻登记记录。举例来说,当客户信息为手机号信息时,从预设公共网站中爬取联系电话;当客户信息为地址时,从预设公共网站中爬取对应单位的地址。因此,相关数据可以根据对应的客户信息的具体内容确定,此处不作进一步地限定。
相关数据的验证功能即为根据相关数据的具体内容对客户信息进行验证。举例来说,客户信息为手机号信息时,从预设公共网站中爬取联系电话,相关数据的验证功能即为判断客户信息与联系电话是否一致;再比如,客户信息为地址时,从预设公共网站中爬取对应单位的地址,相关数据的验证功能即为判断地址与爬取单位的地址是否一致。
在一个可选实施例中,从预设公共网站的预设目标页面提取对应的客户数据,包括:获取预设公共网站的预设目标页面的HTML代码,基于预设抓取规则,利用正则表达式或解析器对HTML代码中进行相应客户数据提取,得到目标客户信息。需要说明的是,预设抓取规则可以根据实际需要抓取的数据进行设置,预设目标页面可以根据实际需要抓取的客户数据以及客户数据对应存在的预设公共网站的具体页面设置,此处不作进一步地限定。
步骤S13,将目标客户信息输入至可疑交易监测模型中,得到可疑交易监测模型输出的客户风险判定结果;其中,可疑交易监测模型基于预先获取的风险特征集构建而成;风险特征集包括具备洗钱风险客户的风险特征;可疑交易监测模型基于目标客户信息和风险特征集,判定对应目标客户是否存在洗钱风险。
在本实施例中,基于目标客户信息和风险特征集,判定对应目标客户是否存在洗钱风险,包括:基于目标客户信息,确定客户对应所属的风险特征集中的聚类簇;判断目标客户信息是否符合特定数量的聚类簇,若是,则确定对应目标客户存在洗钱风险,否则,确定对应目标客户不存在洗钱风险。
需要注意的是,特定数量可以根据实际设计需求设置,比如1-3个,或者至少一个,或者全部数量,此处不作进一步地限定。另外,风险特征可以根据实际设计需求从预设风险判定规则中选择至少一个,预设风险判定规则包括房屋所在地为全国、交易角色为卖方、客户具备特殊职业身份、交易状态为已完结、解冻时间距今大于第一预设时间、账户余额不小于第一预设金额和最后一笔提现距今大于第二预设时间中的至少一项,其中,第一预设时间、第二预设时间和第一预设金额可以根据实际设计需求设置,比如第一预设时间可以为90天,第一预设金额可以为50万,第二预时间可以为30天。
在一个可选实施例中,在将目标客户信息输入至可疑交易监测模型中之前,包括:获取具备洗钱风险客户的风险特征;具备洗钱风险客户的风险特征包括身份特征、交易特征、工作特征;对具备洗钱风险客户的风险特征进行聚类,得到各个聚类簇,并基于各个聚类簇,得到风险特征集;根据风险特征集,构建可疑交易监测模型。
需要补充的是,具备洗钱风险客户一般为在对应工作单位承担一定管理职务的客户,具体管理职务可以根据实际涉及的工作单位对应的职务架构确定。此外,身份特征包括性别特征、年龄特征、婚姻特征和户口特征等,其中,婚姻包括离异记录、再次登记时间间隔小于预设间隔等,户口特征包括集体户口等;交易特征包括交易角色、是否存在代理人、交易资金信息,其中,交易角色包括买方和卖方,交易资金信息包括解冻后超预设月份未提现、提现金额小于预设金额、房产证号与出售时间间隔小于预设年限、房屋所在地、交易状态、解冻时间距今间隔时间、账户月、最后一笔提现距今间隔时间等;工作特征包括职业相符情况、职业规避行为情况、手机号是否非本人等。
进一步地,在实际设计过程中,预设间隔可以为6个月,即再次登记时间间隔小于6个月;预设月份可以为3个月,即解冻后超3个月未提现;预设金额可以为三位数,即提现金额小于三位数;预设年限可以为1年,即房产证号与出售时间间隔小于1年。
在一个可选实施例中,在对具备洗钱风险客户的风险特征进行聚类之前,包括:对具备洗钱风险客户的风险特征进行清洗和预处理,以去除异常值和缺失值。
在一个可选实施例中,对具备洗钱风险客户的风险特征进行聚类,得到如图2所示的聚类簇,由图2可以看出,得到两个聚类簇,且每聚类簇的特征如下:聚类1,该聚类包含年龄分布在40-50岁之间的用户,该部份用户存在多条离异记录,离异后再次登记时间间隔小于6个月,其中还伴有职业规避行为,可能存在着一些收入和财产情况上的风险,如通过离异进行资产的转移等。聚类2,该聚类包含年龄在30-40岁之间的用户,该部分客户主要行为特征为房款解冻后长时间未提现,且未体现金额超过50万的明显不符合常理的情况。
在一种可能的实现方式中,获取具备洗钱风险客户的风险特征,包括:获取客户风险特征;确定至少预设数量的客户风险特征符合预设风险判定规则的情况下,则确定对应客户为具备洗钱风险的客户;根据具备洗钱风险的客户及其对应的客户风险特征,得到具备洗钱风险客户的风险特征。需要说明的是,预设风险判定规则可以参考上文所述,此处不作重复阐述。另外,客户风险特征包括房屋所在地、交易角色、特殊职业身份、交易状态、解冻时间距今间隔时间、账户余额和最后一笔提现距今间隔时间中的至少一项。
在另一种可能的实现方式中,获取具备洗钱风险客户的风险特征,包括:获取客户风险特征;根据客户风险特征,并结合预设权重和分值,得到对应客户的风险评分;判断风险评分是否符合预设风险区间,若符合,则对应客户为具备洗钱风险的客户;否则,客户为不具备洗钱风险的客户;根据具备洗钱风险的客户及其对应的客户风险特征,得到具备洗钱风险客户的风险特征。
具体地,根据客户风险特征,并结合预设权重和分值,得到对应客户的风险评分,包括:根绝客户风险特征,结合对应分配的分值和预设权重,进行加权计算,得到风险评分。
另外,预设风险区间可以为[70,100],即风险评分位于该区间时,客户为具备洗钱风险的客户;或者,预设风险区间也可以设置为[70,+∞),预设风险区间具体可以结合预设权重和预先分配的各个行为特征的分值进行设置,此处不作进一步地限定。
综上所述,本发明实施例通过从海量客户信息中抓取目标客户,并将对应目标客户输入至可疑交易监测模型中,以便于抓取出具有高洗钱风险的高风险客户,提前识别出可能存在的反洗钱房屋交易,为反洗钱义务构建解决方案,提高了可疑交易识别的准确率,实现了对二手房交易行业洗钱活动的有效筛查和甄别。
下面对本发明提供的基于客户特征的风险监测装置进行描述,下文描述的基于客户特征的风险监测装置与上文描述的基于客户特征的风险监测方法可相互对应参照。
图3示出了一种基于客户特征的风险监测装置的结构示意图,该装置,包括:
信息获取模块31,获取客户信息;
目标客户确定模块32,对客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息;
可疑交易监测模块33,将目标客户信息输入至可疑交易监测模型中,得到可疑交易监测模型输出的客户风险判定结果;其中,可疑交易监测模型基于预先获取的风险特征集构建而成;风险特征集包括具备洗钱风险客户的风险特征;可疑交易监测模型基于目标客户信息和风险特征集,判定对应目标客户是否存在洗钱风险。
在本实施例中,信息获取模块31,包括:信息获取单元,获取客户证件信息;识别单元,基于光学字符识别OCR技术,对客户证件信息进行数据提取,得到客户信息。
需要补充的是,客户证件信息保包括身份证和户口本;当获取的是身份证时,基于OCR技术提取,得到的客户信息包括客户证件地址、名字和出生年月;当获取的是户口本时,基于OCR技术提取,得到的客户信息包括户口迁移信息、职业、手机号信息和婚姻登记记录(离异次数)。
在一个可选实施例中,信息获取模块31,还包括:整合单元,在基于身份证得到客户信息,以及基于户口本得到客户信息之后,对基于身份证得到的客户信息和基于户口本得到的客户信息进行整合,得到客户的名字、出生年月、地址、职业、手机号信息和婚姻登记记录等客户信息。
目标客户确定模块32,包括:相关数据获取单元,基于客户信息,从预设公共网站中获取相关数据;判断单元,判断客户信息与相关数据是否一致;基于判断单元判断一致,则目标身份识别通过,客户信息抓取单元,从预设公共网站的预设目标页面提取对应的客户数据,得到目标客户信息。
应当注意的是,预设公共网站可以为对应公职单位的官方网站。另外,从预设公共网站中获取相关数据的手段可以采用诸如爬取等方式,当采用爬取方式获取相关数据时,在基于客户信息,目标客户确定模块32,还包括:网站确定单元,从预设公共网站中获取相关数据之前,确定公共网站;程序编写单元,在尊重公共网站robots.txt文件规则的基础上,使用网络爬虫工具编写爬虫程序,并设置抓取规则和目标页面,以及在代码中添加相关数据的验证功能,网络爬虫工具可为Python中的BeautifulSoup。
在一个可选实施例中,客户信息抓取单元,包括:代码获取子单元,获取预设公共网站的预设目标页面的HTML代码;抓取子单元,基于预设抓取规则,利用正则表达式或解析器对HTML代码中进行相应客户数据提取,得到目标客户信息。需要说明的是,预设抓取规则可以根据实际需要抓取的数据进行设置,预设目标页面可以根据实际需要抓取的客户数据以及客户数据对应存在的预设公共网站的具体页面设置,此处不作进一步地限定。
可疑交易监测模块33,包括:类别确定单元,基于目标客户信息,确定客户对应所属的风险特征集中的聚类簇;特征判断单元,判断目标客户信息是否符合特定数量的聚类簇,若是,则确定对应目标客户存在洗钱风险,否则,确定对应目标客户不存在洗钱风险。
在一个可选实施例中,该装置,还包括:在将目标客户信息输入至可疑交易监测模型中之前,模型构建模块。具体而言,模型构建模块,包括:特征获取单元,获取具备洗钱风险客户的风险特征;具备洗钱风险客户的风险特征包括身份特征、交易特征、工作特征;聚类单元,对具备洗钱风险客户的风险特征进行聚类,得到各个聚类簇,并基于各个聚类簇,得到风险特征集;模型构建单元,根据风险特征集,构建可疑交易监测模型。
在一个可选实施例中,模型构建模块,还包括:数据处理单元,在对具备洗钱风险客户的风险特征进行聚类之前,对具备洗钱风险客户的风险特征进行清洗和预处理,以去除异常值和缺失值。
在一种可能的实现方式中,特征获取单元,包括:特征获取子单元,获取客户风险特征;规则判定子单元,确定至少预设数量的客户风险特征符合预设风险判定规则的情况下,则确定对应客户为具备洗钱风险的客户;特征确定子单元,根据具备洗钱风险的客户及其对应的客户风险特征,得到具备洗钱风险客户的风险特征。
在另一种可能的实现方式中,特征获取单元,包括:特征获取子单元,获取客户风险特征;评分获取单元,根据客户风险特征,并结合预设权重和分值,得到对应客户的风险评分;评分判断单元,判断风险评分是否符合预设风险区间,若符合,则对应客户为具备洗钱风险的客户;否则,客户为不具备洗钱风险的客户;特征获取子单元,根据具备洗钱风险的客户及其对应的客户风险特征,得到具备洗钱风险客户的风险特征。
更进一步地,评分获取单元,包括:评分获取子单元,根绝客户风险特征,结合对应分配的分值和预设权重,进行加权计算,得到风险评分。
综上所述,本发明实施例通过信息获取模块获取海量客户信息,并利用目标客户确定模块从客户信息中中抓取目标客户,并通过可疑交易监测模块将对应目标客户输入至可疑交易监测模型中,以便于抓取出具有高洗钱风险的高风险客户,提前识别出可能存在的反洗钱房屋交易,为反洗钱义务构建解决方案,提高了可疑交易识别的准确率,实现了对二手房交易行业洗钱活动的有效筛查和甄别。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)41、通信接口(Communications Interface)42、存储器(memory)43和通信总线44,其中,处理器41,通信接口42,存储器43通过通信总线44完成相互间的通信。处理器41可以调用存储器43中的逻辑指令,以执行基于客户特征的风险监测方法,该方法包括:获取客户信息;对客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息;将目标客户信息输入至可疑交易监测模型中,得到可疑交易监测模型输出的客户风险判定结果;其中,可疑交易监测模型基于预先获取的风险特征集构建而成;风险特征集包括具备洗钱风险客户的风险特征;可疑交易监测模型基于目标客户信息和风险特征集,判定对应目标客户是否存在洗钱风险。
此外,上述的存储器43中的逻辑指令可以通过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,本发明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)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于客户特征的风险监测方法,该方法包括:获取客户信息;对客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息;将目标客户信息输入至可疑交易监测模型中,得到可疑交易监测模型输出的客户风险判定结果;其中,可疑交易监测模型基于预先获取的风险特征集构建而成;风险特征集包括具备洗钱风险客户的风险特征;可疑交易监测模型基于目标客户信息和风险特征集,判定对应目标客户是否存在洗钱风险。
又一方面,本发明还提供一种非暂态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以执行上述各方法提供的基于客户特征的风险监测方法,该方法包括:获取客户信息;对客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息;将目标客户信息输入至可疑交易监测模型中,得到可疑交易监测模型输出的客户风险判定结果;其中,可疑交易监测模型基于预先获取的风险特征集构建而成;风险特征集包括具备洗钱风险客户的风险特征;可疑交易监测模型基于目标客户信息和风险特征集,判定对应目标客户是否存在洗钱风险。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于客户特征的风险监测方法,其特征在于,包括:
获取客户信息;
对所述客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息;
将所述目标客户信息输入至可疑交易监测模型中,得到所述可疑交易监测模型输出的客户风险判定结果;其中,所述可疑交易监测模型基于预先获取的风险特征集构建而成;所述风险特征集包括具备洗钱风险客户的风险特征;
所述可疑交易监测模型基于所述目标客户信息和所述风险特征集,判定对应目标客户是否存在洗钱风险。
2.根据权利要求1所述的基于客户特征的风险监测方法,其特征在于,在所述将所述目标客户信息输入至可疑交易监测模型中之前,包括:
获取具备洗钱风险客户的风险特征;所述具备洗钱风险客户的风险特征包括身份特征、交易特征、工作特征;
对所述具备洗钱风险客户的风险特征进行聚类,得到各个聚类簇,并基于所述各个聚类簇,得到风险特征集;
根据所述风险特征集,构建可疑交易监测模型。
3.根据权利要求2所述的基于客户特征的风险监测方法,其特征在于,在所述对所述具备洗钱风险客户的风险特征进行聚类之前,包括:
对所述具备洗钱风险客户的风险特征进行清洗和预处理,以去除异常值和缺失值。
4.根据权利要求2所述的基于客户特征的风险监测方法,其特征在于,所述获取具备洗钱风险客户的风险特征,包括:
获取客户风险特征;
确定至少预设数量的客户风险特征符合预设风险判定规则的情况下,则确定对应客户为具备洗钱风险的客户;
根据所述具备洗钱风险的客户及其对应的客户风险特征,得到具备洗钱风险客户的风险特征;或者,
获取客户风险特征;
根据所述客户风险特征,并结合预设权重和分值,得到对应客户的风险评分;
判断所述风险评分是否符合预设风险区间,若符合,则对应客户为具备洗钱风险的客户;否则,所述客户为不具备洗钱风险的客户;
根据所述具备洗钱风险的客户及其对应的客户风险特征,得到具备洗钱风险客户的风险特征。
5.根据权利要求1所述的基于客户特征的风险监测方法,其特征在于,所述对所述客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息,包括:
基于所述客户信息,从预设公共网站中获取相关数据,并判断所述客户信息与所述相关数据是否一致;
若一致,则目标身份识别通过,并从所述预设公共网站的预设目标页面提取对应的客户数据,得到目标客户信息。
6.根据权利要求5所述的基于客户特征的风险监测方法,其特征在于,所述从所述预设公共网站的预设目标页面提取对应的客户数据,包括:
获取所述预设公共网站的预设目标页面的HTML代码,基于预设抓取规则,利用正则表达式或解析器对所述HTML代码进行相应客户数据提取,得到目标客户信息。
7.根据权利要求1所述的基于客户特征的风险监测方法,其特征在于,所述获取客户信息,包括:
获取客户证件信息;
基于光学字符识别OCR技术,对所述客户证件信息进行数据提取,得到客户信息。
8.一种基于客户特征的风险监测装置,其特征在于,包括:
信息获取模块,获取客户信息;
目标客户确定模块,对所述客户信息进行目标身份识别,并在身份识别通过的情况下进行数据提取,得到目标客户信息;
可疑交易监测模块,将所述目标客户信息输入至可疑交易监测模型中,得到所述可疑交易监测模型输出的客户风险判定结果;其中,所述可疑交易监测模型基于预先获取的风险特征集构建而成;所述风险特征集包括具备洗钱风险客户的风险特征;
所述可疑交易监测模型基于所述目标客户信息和所述风险特征集,判定对应目标客户是否存在洗钱风险。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于客户特征的风险监测方法的步骤。
10.一种非暂态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如权利要求1至7任一项所述基于客户特征的风险监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027968.9A CN117217881A (zh) | 2023-08-15 | 2023-08-15 | 基于客户特征的风险监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027968.9A CN117217881A (zh) | 2023-08-15 | 2023-08-15 | 基于客户特征的风险监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117217881A true CN117217881A (zh) | 2023-12-12 |
Family
ID=89037854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311027968.9A Pending CN117217881A (zh) | 2023-08-15 | 2023-08-15 | 基于客户特征的风险监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217881A (zh) |
-
2023
- 2023-08-15 CN CN202311027968.9A patent/CN117217881A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5905544B2 (ja) | オンライン評価システムおよび方法 | |
RU2635275C1 (ru) | Система и способ выявления подозрительной активности пользователя при взаимодействии пользователя с различными банковскими сервисами | |
WO2019178914A1 (zh) | 欺诈检测和风险评估方法、系统、设备及存储介质 | |
CN107423613B (zh) | 依据相似度确定设备指纹的方法、装置及服务器 | |
US20060248019A1 (en) | Method and system to detect fraud using voice data | |
CN110992167A (zh) | 银行客户业务意图识别方法及装置 | |
KR20180060044A (ko) | 클라우드 환경에서 개인정보 보호를 지원하는 p2p 중개 보안 시스템 | |
CN108460689B (zh) | 一种保单分析方法、装置、终端设备及存储介质 | |
CN110503564B (zh) | 基于大数据的保全案件处理方法、系统、设备及存储介质 | |
CN112668859A (zh) | 基于大数据的客户风险评级方法、装置、设备及存储介质 | |
CN110766275A (zh) | 数据验证方法、装置、计算机设备及存储介质 | |
CN107918911A (zh) | 用于执行安全网上银行交易的系统和方法 | |
CN111626784A (zh) | 一种企业需求信息匹配方法和装置及系统 | |
CN109472439A (zh) | 信用评估方法、装置、设备和系统 | |
KR20180060005A (ko) | 클라우드 환경에서 개인정보 보호를 지원하는 p2p 중개 보안 시스템 | |
CN114782161A (zh) | 识别风险用户的方法、装置、存储介质及电子装置 | |
CN113888278A (zh) | 基于企业信用额度分析模型的数据分析方法及装置 | |
JP2004054769A (ja) | 貸出資産管理システム、貸出資産管理方法、その記録媒体およびプログラム | |
Dai et al. | Audit analytics: A field study of credit card after-sale service problem detection at a major bank | |
CN111833182A (zh) | 识别风险对象的方法和装置 | |
CN117217881A (zh) | 基于客户特征的风险监测方法及装置 | |
CN109711984B (zh) | 一种基于催收的贷前风险监控方法及装置 | |
CN111047341B (zh) | 信息处理方法、装置、服务器及终端设备 | |
CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
CN113177840A (zh) | 一种客户风险的识别方法及装置 |
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 |