CN107292424A - 一种基于复杂社交网络的反欺诈和信用风险预测方法 - Google Patents

一种基于复杂社交网络的反欺诈和信用风险预测方法 Download PDF

Info

Publication number
CN107292424A
CN107292424A CN201710403906.1A CN201710403906A CN107292424A CN 107292424 A CN107292424 A CN 107292424A CN 201710403906 A CN201710403906 A CN 201710403906A CN 107292424 A CN107292424 A CN 107292424A
Authority
CN
China
Prior art keywords
fraud
summit
relation
social networks
credit risk
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
CN201710403906.1A
Other languages
English (en)
Other versions
CN107292424B (zh
Inventor
卫浩
刘嵩
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.)
Sichuan XW Bank Co Ltd
Original Assignee
Sichuan XW Bank 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 Sichuan XW Bank Co Ltd filed Critical Sichuan XW Bank Co Ltd
Priority to CN201710403906.1A priority Critical patent/CN107292424B/zh
Publication of CN107292424A publication Critical patent/CN107292424A/zh
Application granted granted Critical
Publication of CN107292424B publication Critical patent/CN107292424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于复杂社交关系网络的反欺诈和信用风险预测方法，本方案中对人与人之间存在的复杂社交关系，如亲戚关系、朋友关系、同事关系等进行整合并建立数学模型，从而根据复杂社交网络识别和预测客户的欺诈风险、信用风险。此方案在提升欺诈识别率和信用风险预测准确率的同时，还能实现复杂的社交网络以可视化展现出来，有助于我们深入理解和分析复杂网络。

Description

一种基于复杂社交网络的反欺诈和信用风险预测方法
技术领域
本发明涉及数据挖掘技术，具体涉及一种基于复杂社交关系网络的反欺诈和信用风险预测方法。
背景技术
随着社会的发展，人与人之间的社交关系越来越复杂，很多人之间看似没有联系，实际上却有一些社交关系，如亲戚关系、朋友关系、同事、同学、业务合作关系、资金往来关系、社交工具联系关系等，如何对复杂社会网络关系进行整合并建立数学模型，如何实现复杂社交网络的可视化方法成为困难。
现有的社交网络运用，往往是基于简单关系的社交网络而进行，这类社交网络的运用过程中，往往是针对社交网络中个体的某些特征，先找到一些群体的相似性，然后根据相似性划分群体。在简单的社交网络中，将每个个体单一地划分为某一个群体，对人与人之间的关系挖掘不够广泛、完整，因此，根据简单社交网络做出的预测也不够准确。
此外，单一网络关系的可视化往往比较容易，但在复杂关系网络中，顶点与顶点直接存在复杂的多重关系，如亲戚关系、朋友关系、同事关系、校友关系、相同的IP申请渠道等等,顶点的属性有多种，如若顶点为贷款客户时，他的信用评价信息、贷款信息等属性信息，如何清晰地通过可视化方法进行关系网络展现是一个困难点，现有的风险预测模型不够直观显示出风险类型。
发明内容
本发明的目的在于：针对上述在简单的社交网络中，将每个个体划分为单一的群体，对人与人之间的关系挖掘不够广泛、完整，根据简单社交网络做出的预测不够准确的问题，本发明提出一种基于复杂社交网络的反欺诈和信用风险预测方法。
本发明采用的技术方案为：
一种基于复杂社交关系网络的反欺诈和信用风险预测方法，包括：
步骤1，获取个人用户信息，每个个人用户为一个个体，社交网络关系中总共包括N个个体；
步骤2，整合关系数据：用图论方法，将步骤1中N个个体中的每个个体抽象为一个顶点，将N个个体中，每两个个体之间的每种关系抽象为一条边；
步骤3，建立关系模型：根据整合的关系数据建立出关系模型邻接矩阵Dij,邻接矩阵的顶点为N个，邻接矩阵的维度为N*N；
步骤4，判断是否有已知欺诈者，如果没有发现欺诈者，执行步骤5，否则，执行步骤6；
步骤5，识别欺诈群体：在已建立的关系模型基础上，通过关系聚集来识别欺诈群体，即根据个体关系计算顶点的度，根据所计算的度定义欺诈群体；
步骤6，欺诈传染识别，若发现欺诈者Vi，则更新关系网络中其他用户Vj的欺诈风险；
步骤7，信用风险预测，若发现用户Vi的违约，计算用户Vi的违约概率，并根据用户Vi的违约概率重新计算关系网络中其他用户Vj的违约概率。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中顶点的数据集包括顶点编号、顶点属性。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中，顶点属性包括个人姓名、性别、工作单位、毕业院校。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中由每种关系抽象出的边中包括关系起点编号，关系重点编号，关系类型k，关系类型k的关系权重Wk，关系权重越强关系权重Wk越小；
步骤3中，邻接矩阵的元素计算公式为：
Dij＝sum(Wk)
其中，k为顶点i到顶点j的关系类型。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，通过IP关系聚集来识别欺诈群体，通过IP关系的欺诈识别步骤具体如下：
(50)以IPi及社交网络关系中每个个体为顶点，每个个体之间、每个个体与IP之间的关系作为边，建立关系模型邻接矩阵Dij；
(51)计算顶点IPi的度D(IPi)；
(52)定义用户Vi的IP聚集欺诈风险为P(Vi)＝D(IPj)；
(53)判断D(IPi)，如果D(IPi)>＝X，则与IPi相关联的群体为高风险疑似欺诈群体，进行深入调查和认定。否则，与IPi相关联的群体不是高风险疑似欺诈群体
其中，IPi为第i个顶点的IP地址，IPj为与Vi关联的IP地址，P(Vi)越大欺诈风险越高，X为用户定义风险群体划分阈值。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤5中用户Vj欺诈风险的更新公式为：
Rj＝Rj+1/d(Vj,Vi)
其中，L为Vj到Vi的一条联通路径，L的长度为Vj到Vi的连通路径中，各条边的权重和sum(Wk)，Wk属于L上各条边的权重，k为连通路径L中的每条边的关系类型，d(Vj,Vi)定义为Vj到Vi之间的最短连通路径的距离，Rj为用户Vj原有的欺诈风险值，未识别出任何欺诈客户初始网络中，用户Vj的欺诈风险Rj＝0；
L、d(Vj,Vi)的计算公式为：
L＝sum(W k)
d(Vj,Vi)＝min(L)
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，
步骤6中，信用风险值的更新公式为：
Pj＝pj+1/d(Vj,Vi)
其中，L为Vj到Vi的一条联通路径，L的长度为Vj到Vi的连通路径中，各条边的权重和sum(Wk)，Wk属于L上各条边的权重，k为连通路径L中的每条边的关系类型，d(Vj,Vi)定义为Vj到Vi之间的最短连通路径的距离，Pj为客户Vj原有的信用风险值，未识别或未计算出任何客户违约风险的初始网络中，用户Vj的信用风险值Pj＝0；
L、d(Vj,Vi)的计算公式为：L＝sum(Wk)
d(Vj,Vi)＝min(L)
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，复杂关系网络可视化步骤为：
(1)对步骤2中提取的顶点进行分类及属性定义，按照顶点的不同类型，将顶点进行分类，每一种类型的顶点Vi，定义其展示的属性；
(2)对步骤2中提取的关系进行分类及属性定义，按照关系的不同类型，将关系进行分类，为每一种类型的关系Ei,定义其展示的属性名称；
(3)建立关系深度、关系类型、搜索方向调节器，按照关系深度、关系类型、搜索方向等参数选择来展现可视化界面；
(4)交互式可视化，当设备悬停在顶点时，展现顶点属性信息，实现交互式可视化。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤a中的属性包括颜色属性、形状属性和大小属性。综上所述，由于采用了上述技术方案，本发明的有益效果是：
通过采用上述技术方案，本项目对人与人之间的复杂社交关系进行整合并建立数学模型，并设计了这些方法在客户欺诈风险识别和信用风险预测上的应用方案，最终提升了欺诈识别率和信用风险预测准确率。
此外，采用上述技术方案的反欺诈和信用风险预测方法，能够将社交网络中的用户属性、用户之间的关系、用户欺诈概率和用户信用风险等以可视化的形式展现出来，金融机构等可以轻松方便地获取用户的相关信息。
此方案通过将复杂社交网络中的个体抽象为顶点，将社交网络中的各个个体之间的每一种关系抽象为边，并根据关系强弱对每条边赋予权重，并建立邻接矩阵，然后通过对用户对应顶点的关系聚集来定义欺诈群体。在识别出欺诈群体中的欺诈者或违约者后，重新计算社交网络中的其他用户的欺诈风险或者信用风险。最后，通过可视化的方法将用户的相关信息展现出来。
附图说明
图1是本发明一种基于复杂社交网络的反欺诈和信用风险预测方法的流程图；
图2是本发明不同顶点和关系类型可视化示意图；
图3关系深度、关系类型、搜索方向调节器结构图；
图4卫XX一度关系展示图；
图5卫XX五度关系展示图；
图6卫XX IP扩展关系可视化展示图；
图7鼠标悬停展现该顶点客户属性展示图。
具体实施方式
本说明书中公开的所有特征，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。如图1所示，
一种基于复杂社交关系网络的反欺诈和信用风险预测方法，包括：
步骤1，获取个人用户信息以每个个人用户为一个个体，社交网络关系中总共包括N个个体；
步骤2，整合关系数据：用图论的方法，将步骤1中N个个体中的每个个体抽象为一个顶点，将N个个体中，每两个个体之间的每种关系抽象为一条边；
步骤3，建立关系模型：根据整合的关系数据建立出关系模型邻接矩阵Dij,邻接矩阵的顶点为N个，邻接矩阵的维度为N*N；
步骤4，判断是否有已知欺诈者，如果没有发现欺诈者，执行步骤5，否则，执行步骤6；
步骤5，识别欺诈群体：在已建立的关系模型基础上，通过关系聚集来识别欺诈群体，即根据个体关系计算顶点的度，根据所计算的度定义欺诈群体；
步骤6，欺诈传染识别，若发现欺诈者Vi，则更新关系网络中其他用户Vj的欺诈风险；
步骤7，信用风险预测，若发现用户Vi的违约，计算用户Vi的违约概率，并根据用户Vi的违约概率重新计算关系网络中其他用户Vj的违约概率。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中顶点的数据集包括顶点编号、顶点属性。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中，顶点属性包括个人姓名、性别、工作单位、毕业院校。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中由每种关系抽象出的边中包括关系起点编号，关系重点编号，关系类型k，关系类型k的关系权重Wk，关系权重越强关系权重Wk越小；
步骤3中，邻接矩阵的元素计算公式为：
Dij＝sum(Wk)
其中，k为顶点i到顶点j的关系类型。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，通过IP关系聚集来识别欺诈群体，通过IP关系聚集来识别欺诈群体的具体步骤如下：
(50)以IPi及社交网络关系中每个个体为顶点，每个个体之间、每个个体与IP之间的关系作为边，建立关系模型邻接矩阵Dij；
(51)计算顶点IPi的度D(IPi)；
(52)定义用户Vi的IP聚集欺诈风险为P(Vi)＝D(IPj)；
(53)判断D(IPi)，如果D(IPi)>＝X，则与IPi相关联的群体为高风险疑似欺诈群体，对判断为高风险疑似欺诈群体进行深入调查和认定。否则，与IPi相关联的群体不是高风险疑似欺诈群体；
其中，IPi为第i个顶点的IP地址，IPj为与Vi关联的IP地址，P(Vi)越大欺诈风险越高，X为用户定义风险群体划分阈值。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤5中用户Vj欺诈风险的更新公式为：
Rj＝Rj+1/d(Vj,Vi)
其中，L为Vj到Vi的一条联通路径，L的长度为Vj到Vi的连通路径中，各条边的权重和sum(Wk)，Wk属于L上各条边的权重，k为连通路径L中的每条边的关系类型，d(Vj,Vi)定义为Vj到Vi之间的最短连通路径的距离，Rj为用户Vj原有的欺诈风险值，未识别出任何欺诈客户初始网络中，用户Vj的欺诈风险Rj＝0；
L、d(Vj,Vi)的计算公式为：
L＝sum(Wk)
d(Vj,Vi)＝min(L)
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，
步骤6中，信用风险值的更新公式为：
Pj＝pj+1/d(Vj,Vi)
其中，L为Vj到Vi的一条联通路径，L的长度为Vj到Vi的连通路径中，各条边的权重和sum(Wk)，Wk属于L上各条边的权重，k为连通路径L中的每条边的关系类型，d(Vj,Vi)定义为Vj到Vi之间的最短连通路径的距离，Pj为客户Vj原有的信用风险值，未识别或未计算出任何客户违约风险的初始网络中，用户Vj的信用风险值Pj＝0；
L、d(Vj,Vi)的计算公式为：
L＝sum(Wk)
d(Vj,Vi)＝min(L)
优选地，本方案同时还能够实现社交网络的可视化，该社交网络的可视化采用现有的编程技术实现。所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，复杂关系网络可视化步骤为：
(1)对步骤2中提取的顶点进行分类及属性定义，按照顶点的不同类型，将顶点进行分类，每一种类型的顶点Vi，定义其展示的属性，这些属性可设置为我们关心的属性，如对贷款客户，可展示其贷款时间、审批结果、额度、提款次数、提款金额等；
(2)对步骤2中提取的关系进行分类及属性定义，即按照关系的不同类型，将关系进行分类，为每一种类型的关系Ei，定义其展示的属性名称；
(3)建立关系深度、关系类型、搜索方向调节器，按照关系深度、关系类型、搜索方向等参数选择来展现可视化；关系深度、关系类型、搜索方向调节器如图3所示。
(4)交互式可视化，当设备悬停在顶点时，展现顶点属性信息，实现交互式可视化界面。
所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤a中的属性包括颜色属性、形状属性和大小属性。
在搜索时，能够对搜索的对象进行选择，也能够选择单向或者双向关系的展现，同时通过关系类型调节器，还能够对显示的用户关系距离进行调整。
如图2所示，为用户交互式可视化示意图，当将鼠标或等悬停在用户对应的图标上时，用户的信息就会对应显示出来，具体可用Java或R等程序软件实现。
如图3所示，关系深度、关系类型、搜索方向调节器上设置深度调节栏、关系类型扩展搜索设置栏、搜索方向设置栏。其中设置最大搜索深度为10度，关系类型扩展搜索设置栏包括人、IP、同时、校友，可以进行多项选择。搜索方向设置栏包括单向和多项搜索选项，设置时，可以选择其中之一。
如图4，当深度调节栏设置为1，关系类型扩展搜索设置栏选择“人”、搜索方向设置栏选择“单向”时，卫XX的社交关系展示如图4的所示。
如图5，当深度调节栏设置为5，关系类型扩展搜索设置栏选择“人”、搜索方向设置栏选择“单向”时，卫XX的社交关系展示如图4的所示，此时，可显示与卫XX最远距离为5的内的人关系网络。
如图6所示，当深度调节栏设置为2，关系类型扩展搜索设置栏选择“IP”、搜索方向设置栏选择“单向”时，可显示出所有与卫XX的IP地址关系的人。
如图7所示的关系网络中，当鼠标悬停在王XX对应的图标上时，则会弹出一个消息框，显示出王XX的相关信用信息。

Claims (9)

1.一种基于复杂社交关系网络的反欺诈和信用风险预测方法，其特征在于，包括：
步骤1，获取个人用户信息，每个个人用户为一个个体，社交网络关系中总共包括N个个体；
步骤2，整合关系数据：用图论方法，将步骤1中N个个体中的每个个体抽象为一个顶点，将N个个体中，每两个个体之间的每种关系抽象为一条边；
步骤3，建立关系模型：根据整合的关系数据建立出关系模型邻接矩阵Dij,邻接矩阵的顶点为N个，邻接矩阵的维度为N*N；
步骤4，判断是否有已知欺诈者，如果没有发现欺诈者，执行步骤5，否则，执行步骤6；
步骤5，识别欺诈群体：在已建立的关系模型基础上，通过关系聚集来识别欺诈群体，即根据个体关系计算顶点的度，根据所计算的度定义欺诈群体；
步骤6，欺诈传染识别，若发现欺诈者Vi，则更新关系网络中其他用户Vj的欺诈风险；
步骤7，信用风险预测，若发现用户Vi的违约，计算用户Vi的违约概率，并根据用户Vi的违约概率重新计算关系网络中其他用户Vj的违约概率。
2.根据权利要求1所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，其特征在于，步骤2中顶点的数据集包括顶点编号、顶点属性。
3.根据权利要求2所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，其特征在于，步骤2中，顶点属性包括个人姓名、性别、工作单位、毕业院校。
4.根据权利要求1所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，其特征在于，步骤2中由每种关系抽象出的边中包括关系起点编号，关系重点编号，关系类型k，关系类型k的关系权重Wk，关系权重越强关系权重Wk越小；
步骤3中，邻接矩阵的元素计算公式为：
Dij＝sum(Wk)
其中，k为顶点i到顶点j的关系类型。
5.根据权利要求1所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，其特征在于，通过IP关系聚集来识别欺诈群体，通过IP关系的欺诈识别步骤具体如下：
(50)以IPi及社交网络关系中每个个体为顶点，每个个体之间、每个个体与IP之间的关系作为边，建立关系模型邻接矩阵Dij；
(51)计算顶点IPi的度D(IPi)；
(52)定义用户Vi的IP聚集欺诈风险为P(Vi)＝D(IPj)；
(53)判断D(IPi)，如果D(IPi)>＝X，则与IPi相关联的群体为高风险疑似欺诈群体，然后进行深入调查和认定。否则，与IPi相关联的群体不是高风险疑似欺诈群体。
其中，IPi为第i个顶点的IP地址，IPj为与Vi关联的IP地址，P(Vi)越大欺诈风险越高，X为用户定义风险群体划分阈值。
6.根据权利要求1所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，其特征在于，步骤5中用户Vj欺诈风险的更新公式为：
Rj＝Rj+1/d(Vj,Vi)
其中，L为Vj到Vi的一条联通路径，L的长度为Vj到Vi的连通路径中，各条边的权重和sum(Wk)，Wk属于L上各条边的权重，k为连通路径L中的每条边的关系类型，d(Vj,Vi)定义为Vj到Vi之间的最短连通路径的距离，Rj为用户Vj原有的欺诈风险值，未识别出任何欺诈客户初始网络中，用户Vj的欺诈风险Rj＝0；
L、d(Vj,Vi)的计算公式为：
L＝sum(Wk)
d(Vj,Vi)＝min(L)
7.根据权利要求1所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，其特征在于，
步骤6中，信用风险值的更新公式为：
Pj＝pj+1/d(Vj,Vi)
其中，L为Vj到Vi的一条联通路径，L的长度为Vj到Vi的连通路径中，各条边的权重和sum(Wk)，Wk属于L上各条边的权重，k为连通路径L中的每条边的关系类型，d(Vj,Vi)定义为Vj到Vi之间的最短连通路径的距离，Pj为客户Vj原有的信用风险值，未识别或未计算出任何客户违约风险的初始网络中，用户Vj的信用风险值Pj＝0；L、d(Vj,Vi)的计算公式为：
L＝sum(Wk)
d(Vj,Vi)＝min(L)
8.根据权利要求1所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，其特征在于，复杂关系网络可视化步骤为：
(1)对步骤2中提取的顶点进行分类及属性定义，按照顶点的不同类型，将顶点进行分类，每一种类型的顶点Vi，定义其展示的属性；
(2)对步骤2中提取的关系进行分类及属性定义，按照关系的不同类型，将关系进行分类，为每一种类型的关系Ei,定义其展示的属性名称；
(3)建立关系深度、关系类型、搜索方向调节器，按照关系深度、关系类型、搜索方向等参数选择来展现可视化界面；
(4)交互式可视化，当设备悬停在顶点时，展现顶点属性信息，实现交互式可视化。
9.根据权利要求8所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，其特征在于，步骤a中的属性包括颜色属性、形状属性和大小属性。
CN201710403906.1A 2017-06-01 2017-06-01 一种基于复杂社交网络的反欺诈和信用风险预测方法 Active CN107292424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710403906.1A CN107292424B (zh) 2017-06-01 2017-06-01 一种基于复杂社交网络的反欺诈和信用风险预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710403906.1A CN107292424B (zh) 2017-06-01 2017-06-01 一种基于复杂社交网络的反欺诈和信用风险预测方法

Publications (2)

Publication Number Publication Date
CN107292424A true CN107292424A (zh) 2017-10-24
CN107292424B CN107292424B (zh) 2020-01-21

Family

ID=60095446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710403906.1A Active CN107292424B (zh) 2017-06-01 2017-06-01 一种基于复杂社交网络的反欺诈和信用风险预测方法

Country Status (1)

Country Link
CN (1) CN107292424B (zh)

Cited By (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943879A (zh) * 2017-11-14 2018-04-20 上海维信荟智金融科技有限公司 基于社交网络的欺诈团体检测方法及系统
CN107993142A (zh) * 2017-11-23 2018-05-04 搜易贷（北京）金融信息服务有限公司 一种金融反欺诈风险控制系统
CN108009134A (zh) * 2017-12-26 2018-05-08 武汉大学 一种人类活动信息挖掘方法
CN108038700A (zh) * 2017-12-22 2018-05-15 上海前隆信息科技有限公司 一种反欺诈数据分析方法与系统
CN108197224A (zh) * 2017-12-28 2018-06-22 广州虎牙信息科技有限公司 用户群分类方法、存储介质以及终端
CN108492173A (zh) * 2018-03-23 2018-09-04 上海氪信信息技术有限公司 一种基于双模网络图挖掘算法的信用卡反欺诈预测方法
CN108681936A (zh) * 2018-04-26 2018-10-19 浙江邦盛科技有限公司 一种基于模块度和平衡标签传播的欺诈团伙识别方法
CN108734469A (zh) * 2018-03-22 2018-11-02 阿里巴巴集团控股有限公司 确定待定用户风险标签的方法和装置
CN108876592A (zh) * 2018-05-30 2018-11-23 中智诚征信有限公司 一种信用风险预估方法和系统、存储介质
CN108898476A (zh) * 2018-06-14 2018-11-27 中国银行股份有限公司 一种贷款客户信用评分方法和装置
CN109087163A (zh) * 2018-07-06 2018-12-25 阿里巴巴集团控股有限公司 信用评估的方法及装置
CN109146661A (zh) * 2018-07-04 2019-01-04 深圳市买买提信息科技有限公司 用户类型预测方法、装置、电子设备及存储介质
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系统
CN109299811A (zh) * 2018-08-20 2019-02-01 众安在线财产保险股份有限公司 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法
CN109447658A (zh) * 2018-09-10 2019-03-08 平安科技（深圳）有限公司 反欺诈模型的生成及应用方法、装置、设备及存储介质
CN109461043A (zh) * 2018-09-18 2019-03-12 深圳壹账通智能科技有限公司 产品推送方法、装置、计算机设备和存储介质
CN109871445A (zh) * 2019-01-23 2019-06-11 平安科技（深圳）有限公司 欺诈用户识别方法、装置、计算机设备和存储介质
CN110009216A (zh) * 2019-03-28 2019-07-12 阿里巴巴集团控股有限公司 信用风险用户识别方法及装置
CN110009479A (zh) * 2019-03-01 2019-07-12 百融金融信息服务股份有限公司 信用评价方法及装置、存储介质、计算机设备
CN110110954A (zh) * 2019-03-08 2019-08-09 阿里巴巴集团控股有限公司 风险顶点识别方法和装置
CN110223165A (zh) * 2019-06-14 2019-09-10 哈尔滨哈银消费金融有限责任公司 一种基于关联网络的反欺诈和信用风险预测方法和系统
CN110232524A (zh) * 2019-06-14 2019-09-13 哈尔滨哈银消费金融有限责任公司 社交网络欺诈模型的构建方法、防欺诈方法和装置
WO2019196549A1 (zh) * 2018-04-12 2019-10-17 阿里巴巴集团控股有限公司 确定高风险用户的方法及装置
CN110362639A (zh) * 2019-06-27 2019-10-22 上海淇馥信息技术有限公司 一种基于群体关联计算分析的风险预警方法、装置、电子设备
CN110363636A (zh) * 2019-06-27 2019-10-22 上海淇馥信息技术有限公司 基于关系网络的欺诈风险识别方法及装置
CN110599312A (zh) * 2019-09-29 2019-12-20 支付宝(杭州)信息技术有限公司 基于信用的交互信用评估方法以及装置
CN110675220A (zh) * 2019-09-12 2020-01-10 深圳前海大数金融服务有限公司 欺诈用户识别方法、系统及计算机可读存储介质
CN111372242A (zh) * 2020-01-16 2020-07-03 深圳市随手商业保理有限公司 欺诈识别方法、装置、服务器及存储介质
CN111369351A (zh) * 2020-05-27 2020-07-03 上海冰鉴信息科技有限公司 欺诈行为检测方法及装置
CN111428217A (zh) * 2020-04-12 2020-07-17 中信银行股份有限公司 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质
CN111626887A (zh) * 2019-02-27 2020-09-04 北京奇虎科技有限公司 一种社交关系评估方法及装置
CN112200583A (zh) * 2020-10-28 2021-01-08 交通银行股份有限公司 一种基于知识图谱的欺诈客户识别方法
WO2021031801A1 (zh) * 2019-08-16 2021-02-25 湖北工业大学 一种社交网络中保护成员隐私的索引系统及方法
CN112541042A (zh) * 2020-12-17 2021-03-23 四川新网银行股份有限公司 一种千万数量级下轻量级的社交网络的生成方法
CN112734555A (zh) * 2020-12-31 2021-04-30 南京视察者智能科技有限公司 一种基于大数据的个人信用风险评估模型的设计方法
CN112884571A (zh) * 2021-02-26 2021-06-01 中库(北京)数据系统有限公司 一种确定信用风险级别的方法和装置
CN113011990A (zh) * 2021-02-01 2021-06-22 深圳无域科技技术有限公司 虚拟连接网络系统及其信息获取方法
WO2021189729A1 (zh) * 2020-03-27 2021-09-30 深圳壹账通智能科技有限公司 复杂关系网络的信息分析方法、装置、设备及存储介质
CN113553369A (zh) * 2020-04-26 2021-10-26 清华大学 可视化用户分类方法、服务方法、系统、装置及存储介质
CN113689285A (zh) * 2021-08-18 2021-11-23 深圳前海微众银行股份有限公司 一种检测用户特征的方法、装置、设备及存储介质
CN115526616A (zh) * 2022-09-19 2022-12-27 青岛畅联科技有限公司 一种基于人工智能的MaaS支付清分结算系统
TWI807319B (zh) * 2021-05-10 2023-07-01 中國信託商業銀行股份有限公司 借貸風險偵測方法及其運算裝置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080172257A1 (en) * 2007-01-12 2008-07-17 Bisker James H Health Insurance Fraud Detection Using Social Network Analytics
CN104317789A (zh) * 2014-04-24 2015-01-28 科技谷（厦门）信息技术有限公司 构建乘客社交网络的方法
CN105894372A (zh) * 2016-06-13 2016-08-24 腾讯科技（深圳）有限公司 预测群体信用的方法和装置
CN106447482A (zh) * 2016-09-18 2017-02-22 西安交通大学 一种结合纳税信用等级和交易关系网络的税务稽查方法
CN106528822A (zh) * 2016-11-17 2017-03-22 山东合天智汇信息技术有限公司 一种企业关系圈构建方法、查询方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080172257A1 (en) * 2007-01-12 2008-07-17 Bisker James H Health Insurance Fraud Detection Using Social Network Analytics
CN104317789A (zh) * 2014-04-24 2015-01-28 科技谷（厦门）信息技术有限公司 构建乘客社交网络的方法
CN105894372A (zh) * 2016-06-13 2016-08-24 腾讯科技（深圳）有限公司 预测群体信用的方法和装置
CN106447482A (zh) * 2016-09-18 2017-02-22 西安交通大学 一种结合纳税信用等级和交易关系网络的税务稽查方法
CN106528822A (zh) * 2016-11-17 2017-03-22 山东合天智汇信息技术有限公司 一种企业关系圈构建方法、查询方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
季必贵: "基于共同交易行为的在线交易欺诈检测模型研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107943879A (zh) * 2017-11-14 2018-04-20 上海维信荟智金融科技有限公司 基于社交网络的欺诈团体检测方法及系统
CN107993142A (zh) * 2017-11-23 2018-05-04 搜易贷（北京）金融信息服务有限公司 一种金融反欺诈风险控制系统
CN108038700A (zh) * 2017-12-22 2018-05-15 上海前隆信息科技有限公司 一种反欺诈数据分析方法与系统
CN108009134A (zh) * 2017-12-26 2018-05-08 武汉大学 一种人类活动信息挖掘方法
CN108197224A (zh) * 2017-12-28 2018-06-22 广州虎牙信息科技有限公司 用户群分类方法、存储介质以及终端
CN108197224B (zh) * 2017-12-28 2020-11-20 广州虎牙信息科技有限公司 用户群分类方法、存储介质以及终端
CN108734469A (zh) * 2018-03-22 2018-11-02 阿里巴巴集团控股有限公司 确定待定用户风险标签的方法和装置
CN108492173A (zh) * 2018-03-23 2018-09-04 上海氪信信息技术有限公司 一种基于双模网络图挖掘算法的信用卡反欺诈预测方法
WO2019196549A1 (zh) * 2018-04-12 2019-10-17 阿里巴巴集团控股有限公司 确定高风险用户的方法及装置
CN108681936A (zh) * 2018-04-26 2018-10-19 浙江邦盛科技有限公司 一种基于模块度和平衡标签传播的欺诈团伙识别方法
CN108876592A (zh) * 2018-05-30 2018-11-23 中智诚征信有限公司 一种信用风险预估方法和系统、存储介质
CN108898476A (zh) * 2018-06-14 2018-11-27 中国银行股份有限公司 一种贷款客户信用评分方法和装置
CN109146661A (zh) * 2018-07-04 2019-01-04 深圳市买买提信息科技有限公司 用户类型预测方法、装置、电子设备及存储介质
CN109087163A (zh) * 2018-07-06 2018-12-25 阿里巴巴集团控股有限公司 信用评估的方法及装置
CN109087163B (zh) * 2018-07-06 2021-07-09 创新先进技术有限公司 信用评估的方法及装置
CN109299811B (zh) * 2018-08-20 2021-02-02 众安在线财产保险股份有限公司 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法
CN109299811A (zh) * 2018-08-20 2019-02-01 众安在线财产保险股份有限公司 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法
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系统
CN109447658A (zh) * 2018-09-10 2019-03-08 平安科技（深圳）有限公司 反欺诈模型的生成及应用方法、装置、设备及存储介质
CN109461043A (zh) * 2018-09-18 2019-03-12 深圳壹账通智能科技有限公司 产品推送方法、装置、计算机设备和存储介质
CN109871445A (zh) * 2019-01-23 2019-06-11 平安科技（深圳）有限公司 欺诈用户识别方法、装置、计算机设备和存储介质
CN111626887A (zh) * 2019-02-27 2020-09-04 北京奇虎科技有限公司 一种社交关系评估方法及装置
CN110009479A (zh) * 2019-03-01 2019-07-12 百融金融信息服务股份有限公司 信用评价方法及装置、存储介质、计算机设备
CN110009479B (zh) * 2019-03-01 2021-02-19 百融云创科技股份有限公司 信用评价方法及装置、存储介质、计算机设备
US11348115B2 (en) 2019-03-08 2022-05-31 Advanced New Technologies Co., Ltd. Method and apparatus for identifying risky vertices
CN110110954A (zh) * 2019-03-08 2019-08-09 阿里巴巴集团控股有限公司 风险顶点识别方法和装置
WO2020181909A1 (zh) * 2019-03-08 2020-09-17 阿里巴巴集团控股有限公司 风险顶点识别方法和装置
CN110009216A (zh) * 2019-03-28 2019-07-12 阿里巴巴集团控股有限公司 信用风险用户识别方法及装置
CN110232524A (zh) * 2019-06-14 2019-09-13 哈尔滨哈银消费金融有限责任公司 社交网络欺诈模型的构建方法、防欺诈方法和装置
CN110223165A (zh) * 2019-06-14 2019-09-10 哈尔滨哈银消费金融有限责任公司 一种基于关联网络的反欺诈和信用风险预测方法和系统
CN110363636A (zh) * 2019-06-27 2019-10-22 上海淇馥信息技术有限公司 基于关系网络的欺诈风险识别方法及装置
CN110362639A (zh) * 2019-06-27 2019-10-22 上海淇馥信息技术有限公司 一种基于群体关联计算分析的风险预警方法、装置、电子设备
WO2021031801A1 (zh) * 2019-08-16 2021-02-25 湖北工业大学 一种社交网络中保护成员隐私的索引系统及方法
CN110675220A (zh) * 2019-09-12 2020-01-10 深圳前海大数金融服务有限公司 欺诈用户识别方法、系统及计算机可读存储介质
CN110599312A (zh) * 2019-09-29 2019-12-20 支付宝(杭州)信息技术有限公司 基于信用的交互信用评估方法以及装置
CN111372242B (zh) * 2020-01-16 2023-10-03 深圳市卡牛科技有限公司 欺诈识别方法、装置、服务器及存储介质
CN111372242A (zh) * 2020-01-16 2020-07-03 深圳市随手商业保理有限公司 欺诈识别方法、装置、服务器及存储介质
WO2021189729A1 (zh) * 2020-03-27 2021-09-30 深圳壹账通智能科技有限公司 复杂关系网络的信息分析方法、装置、设备及存储介质
CN111428217A (zh) * 2020-04-12 2020-07-17 中信银行股份有限公司 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质
CN113553369B (zh) * 2020-04-26 2024-06-25 清华大学 可视化用户分类方法、服务方法、系统、装置及存储介质
CN113553369A (zh) * 2020-04-26 2021-10-26 清华大学 可视化用户分类方法、服务方法、系统、装置及存储介质
CN111369351B (zh) * 2020-05-27 2020-09-01 上海冰鉴信息科技有限公司 欺诈行为检测方法及装置
CN111369351A (zh) * 2020-05-27 2020-07-03 上海冰鉴信息科技有限公司 欺诈行为检测方法及装置
CN112200583A (zh) * 2020-10-28 2021-01-08 交通银行股份有限公司 一种基于知识图谱的欺诈客户识别方法
CN112200583B (zh) * 2020-10-28 2023-12-19 交通银行股份有限公司 一种基于知识图谱的欺诈客户识别方法
CN112541042B (zh) * 2020-12-17 2022-11-04 四川新网银行股份有限公司 一种千万数量级下轻量级的社交网络的生成方法
CN112541042A (zh) * 2020-12-17 2021-03-23 四川新网银行股份有限公司 一种千万数量级下轻量级的社交网络的生成方法
CN112734555A (zh) * 2020-12-31 2021-04-30 南京视察者智能科技有限公司 一种基于大数据的个人信用风险评估模型的设计方法
CN113011990A (zh) * 2021-02-01 2021-06-22 深圳无域科技技术有限公司 虚拟连接网络系统及其信息获取方法
CN112884571A (zh) * 2021-02-26 2021-06-01 中库(北京)数据系统有限公司 一种确定信用风险级别的方法和装置
TWI807319B (zh) * 2021-05-10 2023-07-01 中國信託商業銀行股份有限公司 借貸風險偵測方法及其運算裝置
CN113689285A (zh) * 2021-08-18 2021-11-23 深圳前海微众银行股份有限公司 一种检测用户特征的方法、装置、设备及存储介质
CN113689285B (zh) * 2021-08-18 2024-04-26 深圳前海微众银行股份有限公司 一种检测用户特征的方法、装置、设备及存储介质
CN115526616B (zh) * 2022-09-19 2023-08-22 青岛畅联科技有限公司 一种基于人工智能的MaaS支付清分结算系统
CN115526616A (zh) * 2022-09-19 2022-12-27 青岛畅联科技有限公司 一种基于人工智能的MaaS支付清分结算系统

Also Published As

Publication number Publication date
CN107292424B (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN107292424A (zh) 一种基于复杂社交网络的反欺诈和信用风险预测方法
TWI784941B (zh) 一種多重抽樣模型訓練方法及裝置
Vehlow et al. Visualizing fuzzy overlapping communities in networks
De Nadai et al. Are safer looking neighborhoods more lively? A multimodal investigation into urban life
CN110413707A (zh) 互联网中欺诈团伙关系的挖掘与排查方法及其系统
Mahdavinejad et al. Community-oriented landscape design for sustainability in architecture and planning
CN103226387B (zh) 基于Kinect的视频人手指尖定位方法
Thomas et al. Research designs for evaluating the impact of community-based management on natural resource conservation
Failing et al. Ten common mistakes in designing biodiversity indicators for forest policy
CN108446886A (zh) 基于大数据的人才招聘系统及方法
CN106021377A (zh) 计算机实现的信息处理方法及装置
CN109902912B (zh) 一种基于性格特征的个性化图像美学评价方法
CN109558902A (zh) 一种快速目标检测方法
CN109063977A (zh) 一种无感式交易风险监测方法及装置
CN106131017A (zh) 基于可信计算的云计算信息安全可视化系统
CN109658222A (zh) 风险分析方法、装置、设备及计算机可读存储介质
CN113643170B (zh) 一种大数据驱动的公共场所聚集人群疏散方法及装置
CN113723530B (zh) 基于视频分析和电子心理沙盘的智能心理评估系统
CN105867912A (zh) 日历新建事件数据提取方法及装置
Pánek et al. Emotional mapping in local neighbourhood planning: case study of Příbram, Czech Republic
CN111462919A (zh) 一种基于滑动窗口时序模型的虫媒疾病预测方法及系统
Rossy et al. The contribution of forensic science to the analysis of crime networks
Millán et al. Using machine learning techniques for architectural design tracking: An experimental study of the design of a shelter
Zhang et al. Urban visual intelligence: Studying cities with AI and street-level imagery
Wei et al. “Restorative-Repressive” perception on post-industrial parks based on artificial and natural scenarios: Difference and mediating effect

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