CN108009915B

CN108009915B - 一种欺诈用户社区的标记方法及相关装置

Info

Publication number: CN108009915B
Application number: CN201711395240.6A
Authority: CN
Inventors: 黄峰; 范能科; 陈鑫亚; 蒋震宇
Original assignee: LIANLIANYINTONG ELECTRONIC PAYMENT CO Ltd
Current assignee: LIANLIANYINTONG ELECTRONIC PAYMENT CO Ltd
Priority date: 2017-12-21
Filing date: 2017-12-21
Publication date: 2020-01-17
Anticipated expiration: 2037-12-21
Also published as: CN108009915A

Abstract

本申请公开了一种欺诈用户社区的标记方法，包括：将多个用户根据用户之间的关联信息数据进行异构网络构建处理，得到异构网络；对异构网络根据社区发现算法进行社区发现处理，得到多个用户社区；对每个用户社区根据对应用户社区内用户之间的关联程度系数和所有用户的风险系数进行计算处理，得到对应的社区风险值；将风险等级最高的用户社区标记为欺诈用户社区。通过异构网络实现了对社区风险的量化处理并且提高了欺诈用户社区的标记的准确率，进而可以有效地进行风险控制，避免了有组织的欺诈用户社区对金融公司的危害。本申请还公开了一种欺诈用户社区的标记装置、服务器以及计算机可读存储介质，具有上述有益效果。

Description

一种欺诈用户社区的标记方法及相关装置

技术领域

本申请涉及计算机技术领域，特别涉及一种欺诈用户社区的标记方法、标记装置、服务器以及计算机可读存储介质。

背景技术

随着互联网的日益发展，互联网技术和服务业不断结合，衍生出形形色色的互联网服务。其中，互联网金融服务的发展尤为突出，并且随着移动互联网的发展，互联网金融给使用者的生活带来了极大的方便。

在互联网金融日益发展的今天，出现了许多不法分子尤其是形成组织的欺诈用户社区，对互联网金融公司带来极高的风控成本和巨大的损失。其中，针对互联网金融行业的小额贷款、分期等产品以及相关促销活动，不法分子已经从个体欺诈逐渐转变为有一定组织性的团伙欺诈，进行大批量的“撸小贷”、“薅羊毛”等行为，对互联网金融公司造成了巨大损失。

通常，互联网金融公司会对个体的欺诈风险进行标记，并实施风控处理，但是，个体的欺诈风险标记无法显示出欺诈用户社区的关系，也无法捕捉团伙欺诈的行为特征，因此就无法避免欺诈用户社区对于互联网金融运营的危害。

因此，如何有效的标记欺诈用户社区是本领域技术人员所关注的重点问题。

发明内容

本申请的目的是提供一种欺诈用户社区的标记方法、标记装置、服务器以及计算机可读存储介质，可以通过异构网络进行用户社区发现，进而实现对于用户进行社区化风险监测，再通过社区内用户之间的关联程度和用户的个体的风险计算得到社区风险值，实现了对社区风险的量化处理并且提高了欺诈用户社区的标记的准确率，进而可以有效地进行风险控制，避免了有组织的欺诈用户社区对金融公司的危害。

为解决上述技术问题，本申请提供一种欺诈用户社区的标记方法，包括：

将多个用户根据用户之间的关联信息数据进行异构网络构建处理，得到异构网络；

对所述异构网络根据社区发现算法进行社区发现处理，得到多个用户社区；

对每个所述用户社区根据对应用户社区内用户之间的关联程度系数和所有用户的风险系数进行计算处理，得到对应的社区风险值；

根据所有所述社区风险值和业务信息数据对所有所述用户社区进行风险等级划分，将风险等级最高的用户社区标记为欺诈用户社区。

可选的，对所述异构网络根据社区发现算法进行社区发现处理，得到多个用户社区，包括：

对所述异构网络根据所述社区发现算法进行计算处理，得到多个原始社区；

将每个所述原始社区与对应的历史社区进行重合度计算，得到多个重合度；

将所述重合度大于预设重合度的原始社区和历史社区进行合并得到所述用户社区；

将所述重合度小于所述预设重合度的原始社区作为所述用户社区。

可选的，对每个所述用户社区根据对应用户社区内用户之间的关联程度系数和所有用户的风险系数进行计算处理，得到对应的社区风险值，包括：

根据每个所述用户社区内用户之间的所有关联信息数据进行密集度计算，得到对应的社区整体密集度；

根据每个所述用户社区内用户之间的弱关联信息数据进行密集度计算，得到对应的弱关联密集度；其中，所述弱关联信息数据为所述关联信息数据的一种；

根据每个所述用户社区内所有用户的风险系数和相对应的用户数量进行加权平均计算，得到对应的社区整体风险率；

将每个所述用户社区对应的社区整体密集度、弱关联密集度以及社区整体风险率相加，得到对应的社区风险值。

本申请还提供一种欺诈用户社区的标记装置，包括：

异构网络构建模块，用于将多个用户根据用户之间的关联信息数据进行异构网络构建处理，得到异构网络；

社区发现模块，用于对所述异构网络根据社区发现算法进行社区发现处理，得到多个用户社区；

社区风险计算模块，用于对每个所述用户社区根据对应用户社区内用户之间的关联程度系数和所有用户的风险系数进行计算处理，得到对应的社区风险值；

欺诈社区标记模块，用于根据所有所述社区风险值和业务信息数据对所有所述用户社区进行风险等级划分，将风险等级最高的用户社区标记为欺诈用户社区。

可选的，所述社区发现模块包括：

原始社区获取单元，用于对所述异构网络根据所述社区发现算法进行计算处理，得到多个原始社区；

重合度计算单元，用于将每个所述原始社区与对应的历史社区进行重合度计算，得到多个重合度；

社区合并单元，用于将所述重合度大于预设重合度的原始社区和历史社区进行合并得到所述用户社区；

社区获取单元，用于将所述重合度小于所述预设重合度的原始社区作为所述用户社区。

可选的，所述社区风险计算模块包括：

社区整体密集度计算单元，用于根据每个所述用户社区内用户之间的所有关联信息数据进行密集度计算，得到对应的社区整体密集度；

弱关联密集度计算单元，用于根据每个所述用户社区内用户之间的弱关联信息数据进行密集度计算，得到对应的弱关联密集度；其中，所述弱关联信息数据为所述关联信息数据的一种；

社区风险率计算单元，用于根据每个所述用户社区内所有用户的风险系数和相对应的用户数量进行加权平均计算，得到对应的社区整体风险率；

社区风险值计算单元，用于将每个所述用户社区对应的社区整体密集度、弱关联密集度以及社区整体风险率相加，得到对应的社区风险值。

本申请还提供一种服务器，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述标记方法的步骤。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质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如上述标记方法的步骤。

本申请所提供的一种欺诈用户社区的标记方法，包括：将多个用户根据用户之间的关联信息数据进行异构网络构建处理，得到异构网络；对所述异构网络根据社区发现算法进行社区发现处理，得到多个用户社区；对每个所述用户社区根据对应用户社区内用户之间的关联程度系数和所有用户的风险系数进行计算处理，得到对应的社区风险值；根据所有所述社区风险值和业务信息数据对所有所述用户社区进行风险等级划分，将风险等级最高的用户社区标记为欺诈用户社区。

通过异构网络进行用户社区发现，进而实现对于用户进行社区化风险监测，再通过社区内用户之间的关联程度和用户的个体的风险计算得到社区风险值，实现了对社区风险的量化处理并且提高了欺诈用户社区的标记的准确率，进而可以有效地进行风险控制，避免了有组织的欺诈用户社区对金融公司的危害。

本申请还提供一种欺诈用户社区的标记装置、服务器以及计算机可读存储介质，具有上述有益效果，在此不作赘述。

附图说明

为了更清楚地说明本申请实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种欺诈用户社区的标记方法的流程图；

图2为本申请实施例提供的欺诈用户社区的标记方法中的风险值计算的流程图；

图3为本申请实施例提供的一种欺诈用户社区的标记装置的结构示意图。

具体实施方式

本申请的核心是提供一种欺诈用户社区的标记方法、标记装置、服务器以及计算机可读存储介质，可以通过异构网络进行用户社区发现，进而实现对于用户进行社区化风险监测，再通过社区内用户之间的关联程度和用户的个体的风险计算得到社区风险值，实现了对社区风险的量化处理并且提高了欺诈用户社区的标记的准确率，进而可以有效地进行风险控制，避免了有组织的欺诈用户社区对金融公司的危害。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

请参考图1，图1为本申请实施例所提供的一种欺诈用户社区的标记方法的流程图。

本实施例提供一种欺诈用户社区的标记方法，可以实现对欺诈用户社区进行标记，该方法可以包括：

S101，将多个用户根据用户之间的关联信息数据进行异构网络构建处理，得到异构网络；

本步骤旨在将获取的多个用户根据用户之间的关联信息数据构建相关的异构网络。

其中，其中异构网络是基于同构网络发展出来的。同构网络是假定网络中网络节点之间的关系只存在一种，则异构网络是实现网络结构中的节点之间通过多关系连接。并且针对单一关系的同构网络在社区发现中往往无法准确地发现网络中隐含的社区结构，因此本步骤中使用异构网络去表现用户之间的关系网络，可以通过用户之间的不同关系发现隐含的用户社区，提高用户社区的发现准确率和数量，利于从多个用户社区中发现欺诈用户社区，提高欺诈用户社区标注的准确率。

一般的，构建异构网络需要设点相关的节点数据和边数据，通过节点数据形成异构网络中的节点，通过边数据形成异构网络中的节点的关联关系。所以，本步骤中的关联信息数据可以是构建异构网络所需要的节点数据和边数据。

具体的，在本实施例中可以将关联信息数据中的用户身份证信息作为节点数据，将用户自身已被标记的用户个体的风险系数作为节点的标签，将用户间的通话记录、公用设备、相同IMEI、相同手机号以及相同银行卡关系作为边数据，再构建相关的异构网络。需要注意的是，无论现有技术中的节点数据和边数据，还是本申请技术方案中的节点数据、标签以及边数据，都是作为异构网络中一个节点所对应的数据，也就是在本实施例中，一个节点对应了用户身份证信息、个体的欺诈风险以及用户之间生成的数据，这些数据之间并无差别，在构建时都可以作为同级别数据进行处理。

可选的，为了保持用户的隐私信息，需要将上述的数据进行脱敏处理，尤其是用户身份证信息。

可选的，个体的风险系数可以设置为欺诈、正常、未知等类型数据，还可以设置为某范围内的连续数据。

可选的，在构建异构网络中对于不同的边赋予不同的权值，也就是给不同的关联关系赋予不同的权值。具体的，可以将用户之间的关系分为强关联关系和弱关联关系，将强关联关系的权值设置为1，将弱关联关系的权值设置为0.1。其中，强关联关系可以包括公用设备、相同IMEI、相同手机号、相同银行卡关系和通话记录，弱关联关系可以包括：相同出生地、相同IP归属地、相同WIFI、相同交易商户以及相近交易时间。当然，在此限定的强弱关联关系的分类以及所设置的权值可以根据所应用环境的不同而不同，上述只是作为一种可行的方案进行说明，并不对具体方式进行限定。

S102，对异构网络根据社区发现算法进行社区发现处理，得到多个用户社区；

在步骤S101的基础上，本步骤旨在通过社区发现算法对异构网络进行处理，得到多个用户社区。

社区发现算法用来发现网络中的社区结构，也可以看做是一种聚类算法。其中，社区是网络中连接比较紧密的节点集合。因此，社区发现过程就是找出网络中连接比较紧密的节点集合。

本步骤中实施例社区发现处理，可以通过标签传递算法进行社区发现处理，也可以通过平衡多标签传播算法进行社区发现处理，由于本领域中社区发现算法种类较多，只要可以完成相应的社区发现处理的算法都可以作为本步骤中所使用的算法，在此不做限定。

可选的，本步骤可以包括：

步骤一、对异构网络根据社区发现算法进行计算处理，得到多个原始社区；

步骤二、将每个原始社区与对应的历史社区进行重合度计算，得到多个重合度；

步骤三、将重合度大于预设重合度的原始社区和历史社区进行合并得到用户社区；

步骤四、将重合度小于预设重合度的原始社区作为用户社区。

由于在实施本申请中的社区发现操作时，有可能会存在已经发现的旧有的历史社区，并且当网络变动不大的情况下，历史社区一定程度上是可以和目前新发现的原始社区进行合并。其中，一定的可合并程度可以根据原始社区和历史社区之间的重合度进行判断。

因此，本方案中通过计算原始社区和历史社区的重合度，再进行判断是否将原始社区和历史社区进行合并操作。

其中，计算原始社区和历史社区的重合度的公式为

该公式中，S(o)表示原始社区中与历史社区重合的身份证集合，S(n)表示原始社区中身份证集合。|S(o)|表示原始社区中与历史社区中和身份证的数量，|S(n)|表示原始社区中身份证的数量。

当计算出的重合度大于预设重合度时就判定为可以进行合并处理，在本方案中，可以将预设重合度设置为80％，当然也可以设置为其他数值，具体需要根据应用的环境进行设置，在此不做赘述。

当计算出的重合度小于预设重合度时，则不做不处理，直接将原始社区作为新社区即用户社区。

S103，对每个用户社区根据对应用户社区内用户之间的关联程度系数和所有用户的风险系数进行计算处理，得到对应的社区风险值；

在步骤S102的基础上，本步骤旨在对每个用户社区计算出对应的社区风险值。本步骤中主要是通过用户之间的关联程度系数和所有用户的风险系数计算相关的社区风险值，通过这两个系数计算的风险值可以侧重用户社区的风险进行计算，得到的结果更加准确，可以很好的量化反应用户社区的风险情况。

S104，根据所有社区风险值和业务信息数据对所有用户社区进行风险等级划分，将风险等级最高的用户社区标记为欺诈用户社区。

在步骤S103的基础上，本步骤旨在根据社区风险值和业务信息数据将用户社区进行风险等级划分，并将风险等级最高的用户社区标记为欺诈用户社区。因此，本步骤主要是根据上述步骤得到社区风险值找到风险等级最高的用户社区作为欺诈用户社区。

进行标记的目的是将该用户社区区别于其他用户社区，以使计算机或管理者可以清晰的了解到哪一个为欺诈用户社区。其中，区别的形式也就是标记的形式，可以是计算机可以读取的标记数据，还可以是标示在相应的显示界面上以使管理者查看的标记，还可以是计算机可读取同时进行显示的标记，具体在此不做限定。

综上，本实施例可以通过异构网络进行用户社区发现，进而实现对于用户进行社区化风险监测，再通过社区内用户之间的关联程度和用户的个体的风险计算得到社区风险值，实现了对社区风险的量化处理并且提高了欺诈用户社区的标记的准确率，进而可以有效地进行风险控制，避免了有组织的欺诈用户社区对金融公司的危害。

请参考图2，图2为本申请实施例提供的欺诈用户社区的标记方法中的风险值计算的流程图。

结合上一实施例，本实施例主要是针对上一实施例中如何计算风险值做的一个具体说明，其他部分与上一实施例大体相同，可以参考上一实施例，在此不作赘述。

本实施例可以包括：

S201，根据每个用户社区内用户之间的所有关联信息数据进行密集度计算，得到对应的社区整体密集度；

本步骤旨在根据所有用户之间的关联信息数据计算得到社区整体密集度。其中，所有关联信息数据指的是所有用户之间的代表所有关联关系的数据。在本实施例中，具体的是指用户之间每个关联关系的权值大小。进一步的，该密集度计算公式可以是：

其中，w(i)为边(用户间的关联关系)的权值大小，|E(i)|是权值为w(i)的边的数据，|V|是节点(用户)的个数，D表示该社区整体密集度。

S202，根据每个用户社区内用户之间的弱关联信息数据进行密集度计算，得到对应的弱关联密集度；其中，弱关联信息数据为关联信息数据的一种；

本步骤旨在根据所有用户之间的弱关联信息数据计算弱关联密集度。本实施例中计算的所用的数据是指每个用户弱关联的权值大小，进一步的，该密集度计算公式可以是：

其中P_ij表示该社区中第i种弱关联关系对应的第j种权值大小的比例，R_i表示第i种弱关联关系对应取值集合的数量大小，N表示弱关联关系的个数，WD表示该用户社区中的弱关联密集度。

S203，根据每个用户社区内所有用户的风险系数和相对应的用户数量进行加权平均计算，得到对应的社区整体风险率；

本步骤旨在根据该用户社区所有用户的风险系数和对应的用户数量计算该社区的社区整体风险率。其中，在现有的风险控制系统中就会对用户设置相应的个体风险系数，进一步的，计算该整体风险率的公式如下：

其中，S(i)表示该社区下第i中个体的风险系数对应的用户集合，|S(i)|为该用户集合的用户数量，r(i)为第i种风险对应的个体风险系数，RR表示该用户社区的社区整体风险率。

需要说明的是，本实施例中S201至S203并不对先后的执行顺序进行限定。

S204，将每个用户社区对应的社区整体密集度、弱关联密集度以及社区整体风险率相加，得到对应的社区风险值。

在S201至S203的基础上，本步骤将上述得到的数据进行相加，得到该用户社区的社区风险值，本步骤主要是将上述得到三个数据相加得到总的量化数据。其中，公式如下：

TR＝RR+D+WD

其中，TR表示该用户社区的社区风险值。

本申请实施例提供了一种欺诈用户社区的标记方法，可以通过异构网络进行用户社区发现，进而实现对于用户进行社区化风险监测，再通过社区内用户之间的关联程度和用户的个体的风险计算得到社区风险值，实现了对社区风险的量化处理并且提高了欺诈用户社区的标记的准确率，进而可以有效地进行风险控制，避免了有组织的欺诈用户社区对金融公司的危害。

下面对本申请实施例提供的一种欺诈用户社区的标记装置进行介绍，下文描述的一种欺诈用户社区的标记装置与上文描述的一种欺诈用户社区的标记方法可相互对应参照。

请参考图3，图3为本申请实施例提供的一种欺诈用户社区的标记装置的结构示意图。

该装置可以包括：

异构网络构建模块100，用于将多个用户根据用户之间的关联信息数据进行异构网络构建处理，得到异构网络；

社区发现模块200，用于对异构网络根据社区发现算法进行社区发现处理，得到多个用户社区；

社区风险计算模块300，用于对每个用户社区根据对应用户社区内用户之间的关联程度系数和所有用户的风险系数进行计算处理，得到对应的社区风险值；

欺诈社区标记模块400，用于根据所有社区风险值和业务信息数据对所有用户社区进行风险等级划分，将风险等级最高的用户社区标记为欺诈用户社区。

可选的，社区发现模块200，可以包括：

原始社区获取单元，用于对异构网络根据社区发现算法进行计算处理，得到多个原始社区；

重合度计算单元，用于将每个原始社区与对应的历史社区进行重合度计算，得到多个重合度；

社区合并单元，用于将重合度大于预设重合度的原始社区和历史社区进行合并得到用户社区；

社区获取单元，用于将重合度小于预设重合度的原始社区作为用户社区。

可选的，社区风险计算模块300，可以包括：

社区整体密集度计算单元，用于根据每个用户社区内用户之间的所有关联信息数据进行密集度计算，得到对应的社区整体密集度；

弱关联密集度计算单元，用于根据每个用户社区内用户之间的弱关联信息数据进行密集度计算，得到对应的弱关联密集度；其中，弱关联信息数据为关联信息数据的一种；

社区风险率计算单元，用于根据每个用户社区内所有用户的风险系数和相对应的用户数量进行加权平均计算，得到对应的社区整体风险率；

社区风险值计算单元，用于将每个用户社区对应的社区整体密集度、弱关联密集度以及社区整体风险率相加，得到对应的社区风险值。

本申请实施例还提供一种服务器，可以包括：存储器，用于存储计算机程序；处理器，用于执行计算机程序时可以实现上述实施例所提供的步骤。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可以实现如上述实施例所提供的步骤。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的一种欺诈用户社区的标记方法、标记装置、服务器以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims

1.一种欺诈用户社区的标记方法，其特征在于，包括：

将每个所述用户社区对应的社区整体密集度、弱关联密集度以及社区整体风险率相加，得到对应的社区风险值；

2.根据权利要求1所述的标记方法，其特征在于，对所述异构网络根据社区发现算法进行社区发现处理，得到多个用户社区，包括：

3.一种欺诈用户社区的标记装置，其特征在于，包括：

欺诈社区标记模块，用于根据所有所述社区风险值和业务信息数据对所有所述用户社区进行风险等级划分，将风险等级最高的用户社区标记为欺诈用户社区；

其中，所述社区风险计算模块包括：

4.根据权利要求3所述的标记装置，其特征在于，所述社区发现模块包括：

5.一种服务器，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述的标记方法的步骤。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至2任一项所述的标记方法的步骤。