CN104636912A - 信用卡套现识别方法和装置 - Google Patents

Abstract

一种信用卡套现识别方法和装置，所述识别方法包括：获取交易记录数据；获取与所述交易记录数据相关的特征数据；将所获取的与所述交易记录数据相关的特征数据输入识别模型中，识别所述交易记录是否为套现行为，并输出识别结果，所述识别模型通过机器学习训练生成。采用所述识别方法和装置，可以提高识别的覆盖率和准确率。

Description

信用卡套现识别方法和装置

技术领域

本发明涉及通信技术领域，尤其涉及一种信用卡套现识别方法和装置。

背景技术

目前，通常采用在特约商户的销售点终端(Point Of Sale,POS)上刷银行卡作为非现金支付手段。其中，POS是一种多功能终端，把它安装在银行卡的特约商户和受理网点中与计算机连成网络，就能实现电子资金自动转账，它具有支持消费、预授权、余额查询和转账等功能。

信用卡套现是指持卡人不是通过正常合法途径提取现金，而通过其他手段将卡中信用额度内的资金以现金的方式套取，同时又不支付银行提现费用的行为。例如，商户通过POS向用户提供信用卡套现的方式如下：信用卡用户在商户POS机上作消费交易，而商户从交易金额中扣除一部分手续费后，把剩余部分以现金方式给所述用户。

信用卡套现会带来金融风险，给银行资金安全带来极大风险。为避免这一问题，需要及时识别出信用卡套现行为。目前都是根据人工经验进行排查，当发现某个特约商户或卡的一些特征数据异常时，再进一步核查其交易流水账。

但是，上述通过人工经验进行识别会有诸多的局限性，难以全面完整地解读出数据的信息，识别的覆盖率和准确率都会受到限制。

发明内容

本发明解决的问题是如何提高信用卡识别的覆盖率和准确率。

为解决上述问题，本发明提供一种信用卡套现识别方法，所述识别方法包括：

获取交易记录数据；

获取与所述交易记录数据相关的特征数据；

将所获取的与所述交易记录数据相关的特征数据输入识别模型中，识别所述交易记录是否为套现行为，并输出识别结果，所述识别模型通过机器学习训练生成。

可选地，所述与所述交易记录数据相关的特征数据包括以下至少一种：与所述交易记录相关的消费数据、地区数据、银行数据、人口属性数据、征信数据、社交网络数据和通信数据。

可选地，所述识别模型的生成方法包括：

样本准备：从已有的交易记录数据中抽取大量的交易记录数据；获得与所抽取的交易记录数据相关的特征数据，将每一条交易记录数据与对应的特征数据相连接，形成样本；对样本进行标注，直至全部标注完成；

模型建立与测试：将标注完成的样本分为训练集和测试集；挑选一部分特征，采用第一模型进行训练，进行特征显著性判断，剔除未达到预设显著性水平的特征，加入其他特征采用所述第一模型进行训练，直至所有特征均满足显著水平；将选好的特征输入第二模型，对所述第二模型进行训练；将测试数据集中的数据输入训练好的第二模型，判断第二模型在所述测试数据集中的表现；若所述第二模型在所述测试数据集中表现欠拟合，则增加特征并重新进行特征挑选；若表现出过拟合，则增加测试数据集中的数据量，并从挑选特征开始重新训练；若测试结果表现满足预期要求，则测试结束，得到所述已生成的识别模型。

可选地，所述第一模型为逻辑回归模型。

可选地，所述第二模型为逻辑回归模型、随进森林模型、向量机、决策树、神经网络、朴素贝叶斯、深度学习、KNN、支持向量机中的一种或多种。

为解决上述问题，本发明实施例还提供了一种信用卡套现识别装置，所述识别装置包括：

交易记录获取单元，适于获取交易记录数据；

特征数据获取单元，适于获取与所述交易记录数据相关的特征数据；

模型生成单元，适于通过机器学习生成识别模型；

识别单元，适于将所述特征数据获取单元所获取的与所述交易记录相关的特征数据输入已生成的识别模型中，识别所述交易流水是否存在套现行为，并输出识别结果。

可选地，所述与所述交易记录数据相关的特征数据包括以下至少一种：与所述交易记录相关的消费数据、地区数据、银行数据、人口属性数据、征信数据、社交网络数据和通信数据。

可选地，所述模型生成单元包括：

样本准备单元，适于准备样本，包括：从已有的交易数据中抽取大量的交易流水数据；获得与所抽取的交易流水数据相关的特征数据，将每一条流水数据与对应的特征数据相连接，形成样本；对样本进行标注，直至全部标注完成；

模型建立与测试单元，适于建立模型并测试，包括：将标注完成的样本分为训练集和测试集；挑选一部分特征，采用第一模型进行训练，进行特征显著性判断，剔除未达到预设显著性水平的特征，加入其他特征采用所述第一模型进行训练，直至所有特征均满足显著水平；将选好的特征输入第二模型，对所述第二模型进行训练；将测试数据集中的数据输入训练好的第二模型，判断第二模型在所述测试数据集中的表现；若所述第二模型在所述测试数据集中表现欠拟合，则增加特征并重新进行特征挑选；若表现出过拟合，则增加测试数据集中的数据量，并从挑选特征开始重新训练；若测试结果表现满足预期要求，则测试结束，得到所述已生成的识别模型。

可选地，所述第一模型为逻辑回归模型。

可选地，所述第二模型为逻辑回归模型、随进森林模型、向量机、决策树、神经网络、朴素贝叶斯、深度学习、KNN、支持向量机中的一种或多种。

与现有技术相比，本发明的技术方案具有以下优点：

识别的最小粒度为每一条交易记录数据，即可识别每一笔交易是否为套现行为，因此对于大量正常交易且少量套现行为的商户、信用卡也可以被识别出，因而提高了识别的覆盖率和准确率。

而通过机器学习充分学习数据中的规则，可以减少人工干预，且可以达到覆盖面广、准确率高的效果。而且，相对于传统的信用卡套现识别方式，通过机器学习进行识别的方式更加灵活，随着数据的变化，使用的特征也随着更新，因而对于新套现的商户和卡，以及多变的套现行为的判定更加迅速。

附图说明

图1是本发明实施例中一种信用卡套现识别方法的流程图；

图2是本发明实施例中一种样本准备方法的流程图；

图3是本发明实施例中一种模型建立和测试方法的流程图；

图4是本发明实施例中一种信用卡套现识别装置的结构示意图。

具体实施方式

如前所述，目前通过人工经验识别信用卡套现行为会有诸多限制，难以全面完整地解读出数据的信息，识别的覆盖率和准确率都会受到限制。具体而言，对于所需要甄别的信用卡或者特约商户，在特征较少的情况下，人工经验可以找到特征之间的关系，但是由于特征少，难以很好地体现数据中的信息，因而会使某些发生了套现行为的信用卡或特约商户无法发现或者难以识别，而在特征较多的情况下，人工经验会受到限制，难以完全解读出特征的信息。综上可知，通过人工经验识别信用卡套现行为的覆盖率和准确率都会受到限制。

为解决上述问题，本发明实施例通过获取与交易记录数据相关的特征数据，并输入至识别模型中进行机器学习，即可尽可能地获取数据中的信息，以做出识别。

采用上述方式，通过所生成的识别模型进行识别，可以避免人工经验的限制，提高识别的精确率和覆盖率，并且由于最小粒度可以针对每条交易记录进行识别，故不但容易识别出发生信用卡套现行为的卡或/和商户，而且可以对每一条交易记录进行识别，故对正常交易和套现行为混杂的商户或信用卡用户也可以识别，因而可以进一步提高识别的覆盖率。

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

参照图1所示的信用卡套现识别方法的流程图，以下通过具体步骤进行详细说明。

步骤S11，获取交易记录数据。

交易记录，又称为交易流水，其中记录有所有交易元素，例如：交易时间、交易对象、交易金额等等数据。

步骤S12，获取与所述交易记录数据相关的特征数据。

为了提高识别的精确性和覆盖率，除了获取所述交易记录对应的消费数据，在具体实施中，可以获取与交易记录相关的各方数据作为识别信用卡套现行为的特征数据。例如，所述特征数据包括以下一种或多种：消费数据、地区数据、银行数据、人口属性、征信数据、社交网络数据和通信数据。

其中：所述消费数据是指所述交易流水对应用户的消费数据。

所述地区数据是指所述交易发生的地理区域数据或行政区域数据、或者所述交易对应的银行卡的开户地理区域数据。

银行数据是指所述交易对应的信用卡用户所属的开户行信息数据，或者与所述交易对应的商户签约的银行的信息数据。所属银行数据可以反映所述银行对信用卡套现风险的容忍度。

人口属性数据包括所述交易对应的信用卡的户主的信息。例如，可以包含所述户主的性别、年龄等其中一种或多种。

征信数据为所述交易对应的信用卡的户主的征信数据，在具体实施中，征信数据可以包括所述交易对应的信用卡的户主的信用额度、信用记录等。

社交网络数据为所述交易对应的信用卡的户主的社交网络数据。在具体实施中，所述户主的社交网络数据可以包含所述户主的亲人、朋友、同事、生意伙伴的信用信息等。

通信数据是指所述交易对应的信用卡的户主的通信数据。在具体实施中，所述信用卡的户主的通信数据主要包括该卡号对应手机、电话的通信频率、通讯消费等数据。

步骤S13，将所获取的与所述交易记录数据相关的特征数据输入识别模型中，识别所述交易记录是否为套现行为，并输出识别结果。

在具体实施中，所述识别模型通过机器学习生成。

采用上述实施方式，通过所生成的识别模型进行识别，可以避免人工经验的限制，提高识别的精确率和覆盖率，并且由于最小粒度可以针对每条交易记录进行识别，故不但容易识别出发生信用卡套现行为的卡或/和商户，而且可以对每一条交易记录进行识别，故对正常交易和套现行为混杂的商户或信用卡用户也可以识别，因而可以进一步提高识别的覆盖率。

在具体实施中，所述识别模型在用于实际的交易记录是否存在套现行为进行识别之前，可以通过样本准备、模型建立、训练和进一步的测试得到。为使本领域技术人员更好地理解和实现本发明，以下通过具体实施例对上述识别模型的生成过程进行详细介绍。

首先介绍本发明实施例中一种样本准备方法，样本准备主要包括抽样和样本标注两个部分，参照图2，具体可以包括如下步骤：

S21，从已有的交易数据中抽取大量的交易记录数据。

S22，获得与所抽取的交易记录数据相关的特征数据。

S23，将每一条交易记录数据与对应的特征数据相连接，形成样本。

S24，对样本进行标注，直至全部标注完成。

在本发明一实施例中，对所形成的样本进行如下标注：0为正常消费，1为套现。对于不确定的样本，可以提取对应商户和信用卡卡号在交易时间附近的所有交易记录，例如，在交易时间前后一周时间内的所有交易记录，观察判定，不可判定的舍弃，可判定的进行标注。

以下通过一具体实施例介绍上述识别模型的生成方法，具体包括识别模型的训练和测试两个阶段，参照图3，具体步骤如下：

1.识别模型训练阶段：

S31，将标注完成的样本划分为训练集和测试集。

S32，挑选一部分特征。

S33，采用第一模型进行训练。

在本发明一实施例中，所述第一模型为逻辑回归模型。

S34，进行特征显著性判断，剔除未达到预设显著性水平的特征，加入其他特征，并重新执行步骤S32进行特征挑选，直至所有特征均满足显著水平，得到确定的特征数据。

在识别模型建立后，可以对所建立的识别模型进行测试，以判断在训练样本外的数据中，模型是否满足预设要求，具体如下：

2.识别模型训练阶段：

S35，将选好的特征数据输入第二模型，对所述第二模型进行训练。

在具体实施中，所述第二模型可以为任意机器学习分类模型，例如可以是逻辑回归模型、随进森林模型、向量机、决策树、神经网络、朴素贝叶斯、深度学习、KNN、支持向量机等机器学习分类算法中的一种。可以理解的是，在具体实施中，为了得出最佳模型，可以采用多个模型进行测试。因此，在具有应用过程中，所述第二模型可以选用多个。

S36，将测试数据集中的数据输入训练好的第二模型进行测试，判断第二模型在所述测试数据集中的表现，若所述第二模型在所述测试数据集中表现欠拟合则执行步骤S37；若表现出过拟合，则执行步骤S38；若测试结果表现满足预期要求，得到所述已生成的识别模型，测试结束。

S37，增加特征，以用于步骤S32中进行特征挑选。

S38，增加测试数据集中的数据量，并返回步骤S32重新挑选特征。

从上述实施例可以看出，识别的最小粒度为每一条交易记录数据，即可识别每一笔交易是否为套现行为，因此对于大量正常交易且少量套现行为的商户、信用卡也可以被识别出，因而提高了识别的覆盖率。

而通过机器学习充分学习数据中的规则，可以减少人工干预，且可以达到覆盖面广、准确率高的效果。而且，相对于传统的信用卡套现识别方式，上述实施例中通过机器学习进行识别的方式更加灵活，随着数据的变化，使用的特征也随着更新，因而对于新套现的商户和卡、以及多变的套现行为的判定更加迅速。

为使本领域技术人员更好地理解和实现本发明，以下对上述信用卡套现识别方法对应的装置进行详细介绍。

参照图4，本发明实施例提供了一种信用卡套现识别装置，可以包括：

交易记录获取单元41，适于获取交易记录数据；

特征数据获取单元42，适于获取与所述交易记录数据相关的特征数据；

模型生成单元43，适于通过机器学习生成识别模型；

识别单元44，适于将所述特征数据获取单元所获取的与所述交易记录相关的特征数据输入已生成的识别模型中，识别所述交易流水是否存在套现行为，并输出识别结果。

在具体实施中，所述与所述交易记录数据相关的特征数据可以包括以下至少一种：与所述交易记录相关的消费数据、地区数据、银行数据、人口属性数据、征信数据、社交网络数据和通信数据。

在具体实施中，如图4所示，所述模型生成单元43可以包括：样本准备单元431，以及模型建立与测试单元432，其中：

样本准备单元431，适于准备样本，包括：从已有的交易数据中抽取大量的交易流水数据；获得与所抽取的交易流水数据相关的特征数据，将每一条流水数据与对应的特征数据相连接，形成样本；对样本进行标注，直至全部标注完成；

模型建立与测试单元432，适于建立模型并测试，包括：将标注完成的样本分为训练集和测试集；挑选一部分特征，采用第一模型进行训练，进行特征显著性判断，剔除未达到预设显著性水平的特征，加入其他特征采用所述第一模型进行训练，直至所有特征均满足显著水平；将选好的特征输入第二模型，对所述第二模型进行训练；将测试数据集中的数据输入训练好的第二模型，判断第二模型在所述测试数据集中的表现；若所述第二模型在所述测试数据集中表现欠拟合，则增加特征并重新进行特征挑选；若表现出过拟合，则增加测试数据集中的数据量，并从挑选特征开始重新训练；若测试结果表现满足预期要求，则测试结束，得到所述已生成的识别模型。

在具体实施中，所述第一模型为逻辑回归模型。

在具体实施中，所述第二模型可以为逻辑回归模型、随进森林模型、向量机、决策树、神经网络、朴素贝叶斯、深度学习、KNN、支持向量机等机器学习分类算法中的一种或多种，且不同于第一模型。

采用上述信用卡套现识别装置，识别的最小粒度为每一条交易记录数据，即可识别每一笔交易是否为套现行为，因此对于大量正常交易且少量套现行为的商户、信用卡也可以被识别出，因而提高了识别的覆盖率。

而通过机器学习充分学习数据中的规则，可以减少人工干预，且可以达到覆盖面广、准确率高的效果。而且，相对于传统的信用卡套现识别方式，上述实施例中通过识别模型进行识别的方式更加灵活，随着数据的变化，使用的特征也随着更新，因而对于新套现的商户和卡、以及多变的套现行为的判定更加迅速。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.一种信用卡套现识别方法，其特征在于，包括：

获取交易记录数据；

获取与所述交易记录数据相关的特征数据；

将所获取的与所述交易记录数据相关的特征数据输入识别模型中，识别所述交易记录是否为套现行为，并输出识别结果，所述识别模型通过机器学习训练生成。

2.如权利要求1所述的信用卡套现识别方法，其特征在于，所述与所述交易记录数据相关的特征数据包括以下至少一种：与所述交易记录相关的消费数据、地区数据、银行数据、人口属性数据、征信数据、社交网络数据和通信数据。

3.如权利要求1或2所述的信用卡套现识别方法，其特征在于，所述识别模型的生成方法包括：

样本准备：从已有的交易记录数据中抽取大量的交易记录数据；获得与所抽取的交易记录数据相关的特征数据，将每一条交易记录数据与对应的特征数据相连接，形成样本；对样本进行标注，直至全部标注完成；

模型建立与测试：将标注完成的样本分为训练集和测试集；挑选一部分特征，采用第一模型进行训练，进行特征显著性判断，剔除未达到预设显著性水平的特征，加入其他特征采用所述第一模型进行训练，直至所有特征均满足显著水平；将选好的特征输入第二模型，对所述第二模型进行训练；将测试数据集中的数据输入训练好的第二模型，判断第二模型在所述测试数据集中的表现；若所述第二模型在所述测试数据集中表现欠拟合，则增加特征并重新进行特征挑选；若表现出过拟合，则增加测试数据集中的数据量，并从挑选特征开始重新训练；若测试结果表现满足预期要求，则测试结束，得到所述已生成的识别模型。

4.如权利要求3所述的信用卡套现识别方法，其特征在于，所述第一模型为逻辑回归模型。

5.如权利要求4所述的信用卡套现识别方法，其特征在于，所述第二模型为逻辑回归模型、随进森林模型、向量机、决策树、神经网络、朴素贝叶斯、深度学习、KNN、支持向量机中的一种或多种。

6.一种信用卡套现识别装置，其特征在于，包括：

交易记录获取单元，适于获取交易记录数据；

特征数据获取单元，适于获取与所述交易记录数据相关的特征数据；

模型生成单元，适于通过机器学习生成识别模型；

识别单元，适于将所述特征数据获取单元所获取的与所述交易记录相关的特征数据输入已生成的识别模型中，识别所述交易流水是否存在套现行为，并输出识别结果。

7.如权利要求6所述的信用卡套现识别装置，其特征在于，所述与所述交易记录数据相关的特征数据包括以下至少一种：与所述交易记录相关的消费数据、地区数据、银行数据、人口属性数据、征信数据、社交网络数据和通信数据。

8.如权利要求6或7所述的信用卡套现识别装置，其特征在于，所述模型生成单元包括：

样本准备单元，适于准备样本，包括：从已有的交易数据中抽取大量的交易流水数据；获得与所抽取的交易流水数据相关的特征数据，将每一条流水数据与对应的特征数据相连接，形成样本；对样本进行标注，直至全部标注完成；

模型建立与测试单元，适于建立模型并测试，包括：将标注完成的样本分为训练集和测试集；挑选一部分特征，采用第一模型进行训练，进行特征显著性判断，剔除未达到预设显著性水平的特征，加入其他特征采用所述第一模型进行训练，直至所有特征均满足显著水平；将选好的特征输入第二模型，对所述第二模型进行训练；将测试数据集中的数据输入训练好的第二模型，判断第二模型在所述测试数据集中的表现；若所述第二模型在所述测试数据集中表现欠拟合，则增加特征并重新进行特征挑选；若表现出过拟合，则增加测试数据集中的数据量，并从挑选特征开始重新训练；若测试结果表现满足预期要求，则测试结束，得到所述已生成的识别模型。

9.如权利要求8所述的信用卡套现识别装置，其特征在于，所述第一模型为逻辑回归模型。

10.如权利要求9所述的信用卡套现识别装置，其特征在于，所述第二模型为逻辑回归模型、随进森林模型、向量机、决策树、神经网络、朴素贝叶斯、深度学习、KNN、支持向量机中的一种或多种。