CN108038701A - 一种集成学习反欺诈测试方法及系统 - Google Patents

一种集成学习反欺诈测试方法及系统 Download PDF

Info

Publication number
CN108038701A
CN108038701A CN201711417659.7A CN201711417659A CN108038701A CN 108038701 A CN108038701 A CN 108038701A CN 201711417659 A CN201711417659 A CN 201711417659A CN 108038701 A CN108038701 A CN 108038701A
Authority
CN
China
Prior art keywords
integrated
test
algorithms
submodel
characteristic view
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
Application number
CN201711417659.7A
Other languages
English (en)
Inventor
李海峰
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.)
Hangzhou Niu Network Technology Co Ltd
Original Assignee
Hangzhou Niu Network Technology 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 Hangzhou Niu Network Technology Co Ltd filed Critical Hangzhou Niu Network Technology Co Ltd
Priority to CN201711417659.7A priority Critical patent/CN108038701A/zh
Publication of CN108038701A publication Critical patent/CN108038701A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明公开了一种集成学习反欺诈测试方法，旨在克服现有技术中互联网金融行业风控和反欺诈技术的上述不足之处，提供应用集成学习技术对用户和交易行为进行风控测试。该方法包括以下步骤：抽取训练样本集，对训练样本集中的用户信息提取特征；训练基分类器，对特征视图采用多项分类算法训练获得基分类器集合；利用集成学习方法处理所述基分类器集合，得到集成的分类模型；用所述集成的分类模型对测试样本进行分类，得到测试结果，再用另一个机器学习算法集成得到最终结果。本发明实施例同时一种基于上述方法的集成学习反欺诈测试系统。本发明能有效的测试互联网交易中欺诈用户，同时具备较好的泛化性和更高的稳定性。

Description

一种集成学习反欺诈测试方法及系统
技术领域
本发明涉及征信反欺诈技术领域，尤其涉及一种反欺诈方法及系统。
背景技术
随着互联网金融行业发展，通过互联网渠道进行金融服务交易的情况越来越普及。对于互联网交易双方来说能够正确评估交易风险，预防金融欺诈等情况的发生风控工作尤为重要。
对于互联网金融用户的征信审查和反欺诈测试，需要审核用户的各类征信和评价材料，从而评估交易风险，保证金融平台利益。目前相应的风险审查工作还不同程度的需要人工接入，因此限制了业务开展的效率和稳定性。
发明内容
本发明是为了克服现有技术中互联网金融行业风控和反欺诈技术的上述不足之处，提供应用集成学习技术对用户和交易行为进行风控测试的一种集成学习反欺诈测试方法以及实现该方法的集成学习反欺诈测试系统。
为实现上述目的，本发明采用以下技术方案：
本发明实施例提供的一种学习反欺诈测试方法，所述方法包括以下步骤：抽取训练样本集，对训练样本集中的用户信息提取特征；训练基分类器，对特征视图采用多项分类算法训练获得基分类器集合；利用集成学习方法处理所述基分类器集合，得到集成的分类模型；从测试样本集提取出与所述特征视图相应的特征；根据提取到的测试样本集的特征，用所述集成的分类模型对测试样本进行分类，得到测试结果。
作为优选，所述特征视图包括用户信用卡数据特征、征信报告特征、运营商数据特征、应用列表子模型特征中一项或多项的组合。
作为优选，所述的应用列表子模型特征的提取步骤包括：获取用户手机的应用列表子模型，对所述应用列表子模型进行稀疏特征处理获得应用列表子模型子模型特征。
作为优选，所述的多项分类算法包括C4.5决策树算法、Random Forest随机森林算法、SVM算法、Logistic Regression逻辑回归算法、GBDT算法、Rotation Forest旋转森林算法、Adaboosting算法。
作为优选，所述集成学习方法包括Voting算法、Stacking算法和EnsembleSelection算法。
本发明实施例同时提供一种有监督集成学习反欺诈测试系统，其特征是，所述系统包括：训练样本模块，用于抽取训练样本集，对训练样本集中的用户信息提取特征视图；基分类器训练模块，用于训练基分类器，对特征视图采用多项分类算法训练获得基分类器集合；分类模型模块，用于利用集成学习方法处理所述基分类器集合，得到集成的分类模型；特征提取模块，用于测试样本集提取出与所述特征视图相应的特征；测试模块，用于根据提取到的测试样本集的特征，用所述集成的分类模型对测试样本进行分类，得到测试结果。
作为优选，所述特征视图包括用户信用卡数据特、征信报告特、运营商数据特、应用列表子模型特中一项或多项的组合。
作为优选，所述的应用列表子模型特是对所述应用列表子模型进行稀疏特征处理获得应用列表子模型特。
作为优选，所述的多项分类算法包括C4.5决策树算法、Random Forest随机森林算法、SVM算法、Logistic Regression逻辑回归算法、GBDT算法、Rotation Forest旋转森林算法、Adaboosting算法。
作为优选，所述集成学习方法包括Voting算法、Stacking算法和EnsembleSelection算法。
本发明提供的技术方案本发明的有益效果是：本发明一方面，集成了用户信用卡数据特征、征信报告特征、运营商数据特征、应用列表子模型特征，实现了特征的互补；另一方面，使用基于串行结合并行的集成学习取代了单个分类器，修正了单分类器的归纳偏置，实现了各分类算法的互补；能有效的测试互联网交易中欺诈用户，同时具备较好的泛化性能。
各种类型的特征具有自身的优势，特征类型间存在着互补，融合这些不同抽象层次的特征可更好的发现软件的真正性质。此外，由于学习算法的假设是各不相同的，不存在对各种类型问题都最优的学习算法。针对不同的特征，选择适合的分类算法并不是一项容易的工作。不同的分类算法都存在着归纳偏置，融合各种学习算法也可发挥各自优势，克服其不足，从而提高分类算法的准确率，降低误报率，改进分类算法的泛化性能
附图说明
图1为本发明实施例提供的一种集成学习反欺诈测试方法的流程图。
图2为本发明实施例提供的一种集成学习反欺诈测试方法的技术原理图。
图3为本发明实施例提供的一种集成学习反欺诈测试系统的原理框图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步描述。
实施例一：
如图1所示，本发明实施例提供一种学习反欺诈测试方法，所述方法包括以下步骤：
S101抽取训练样本集，对训练样本集中的用户信息提取特征视图。
具体的，本步骤中提取的特征视图包括用户信用卡数据特征视图、征信报告特征视图、运营商数据特征视图、应用列表子模型特征视图中一项或多项的组合。
所述的用户信用卡数据特征视图是指用户信息卡相关数据，包括信用卡开卡数据、交易数据等数据特征视图。
所述的征信报告特征视图是指类似中国人民银行征信中心出具的个人信用报告类似的征信数据，其中包括用户个人信息、信用交易、个人公积金信息和养老金信息等数据特征视图。
所述的运营商数据特征视图是指对接电信运营商获取的数据，包括身份数据、位置信息、位置信息、社交信息、支出信息、上网信息、通信信息、终端信息、时序信息等数据特征视图。
所述的应用列表子模型特征视图，是通过获取用户手机的应用列表子模型，对所述应用列表子模型进行稀疏特征处理获得应用列表子模型特征视图。
S102训练基分类器，对特征视图采用多项分类算法训练获得基分类器集合。
所述的多项分类算法包括C4.5决策树算法、Random Forest随机森林算法、SVM算法、Logistic Regression逻辑回归算法、GBDT算法、Rotation Forest旋转森林算法、Adaboosting算法。
S103利用集成学习方法处理所述基分类器集合，得到集成的分类模型。
所述集成学习方法包括Voting算法、Stacking算法和Ensemble Selection算法。
S104从测试样本集提取出与所述特征视图相应的特征。
S105根据提取到的测试样本集的特征，用所述集成的分类模型对测试样本进行分类，得到测试结果。
所述的测试结果能够将用户分类为欺诈用户和正常用户。
本方法一方面，集成了用户信用卡数据特征、征信报告特征、运营商数据特征、应用列表子模型特征，实现了特征的互补；另一方面，使用基于串行结合并行的集成学习取代了单个分类器，修正了单分类器的归纳偏置，实现了各分类算法的互补；。
各种类型的特征具有自身的优势，特征类型间存在着互补，融合这些不同抽象层次的特征可更好的发现软件的真正性质。此外，由于学习算法的假设是各不相同的，不存在对各种类型问题都最优的学习算法。针对不同的特征，选择适合的分类算法并不是一项容易的工作。不同的分类算法都存在着归纳偏置，融合各种学习算法也可发挥各自优势，克服其不足，从而提高分类算法的准确率，降低误报率，改进分类算法的泛化性能
如图2所示，本发明实施例提供一种学习反欺诈测试系统，所述系统包括：
训练样本模块1，用于抽取训练样本集，对训练样本集中的用户信息提取特征视图；
基分类器训练模块2，用于训练基分类器，对特征视图采用多项分类算法训练获得基分类器集合；
分类模型模块3，用于利用集成学习方法处理所述基分类器集合，得到集成的分类模型；
特征提取模块4，用于从测试样本集提取出与所述特征视图相应的特征；
测试模块5，用于根据提取到的测试样本集的特征，用所述集成的分类模型对测试样本进行分类，得到测试结果。
所述特征视图包括用户信用卡数据特、征信报告特、运营商数据特、应用列表子模型特中一项或多项的组合。
所述的应用列表子模型特是对所述应用列表子模型进行稀疏特征处理获得应用列表子模型子模型特。
所述的多项分类算法包括C4.5决策树算法、Random Forest随机森林算法、SVM算法、Logistic Regression逻辑回归算法、GBDT算法、Rotation Forest旋转森林算法、Adaboosting算法。
所述集成学习方法包括Voting算法、Stacking算法和Ensemble Selection算法。

Claims (10)

1.一种学习反欺诈测试方法，其特征是，所述方法包括以下步骤：
抽取训练样本集，对训练样本集中的用户信息提取特征视图；
训练基分类器，对特征视图采用多项分类算法训练获得基分类器集合；
利用集成学习方法处理所述基分类器集合，得到集成的分类模型；
从测试样本集提取出与所述特征视图相应的特征；
根据提取到的测试样本集的特征，用所述集成的分类模型对测试样本进行分类，得到测试结果。
2.根据权利要求1所述的一种学习反欺诈测试方法，其特征是，所述特征视图包括用户信用卡数据特征视图、征信报告特征视图、运营商数据特征视图、应用列表子模型特征视图中一项或多项的组合。
3.根据权利要求2所述的一种学习反欺诈测试方法，其特征是，所述的应用列表子模型特征视图的提取步骤包括：获取用户手机的应用列表子模型，对所述应用列表子模型进行稀疏特征处理获得应用列表子模型特征视图。
4.根据权利要求1所述的一种学习反欺诈测试方法，其特征是，所述的多项分类算法包括C4.5决策树算法、Random Forest随机森林算法、SVM算法、Logistic Regression逻辑回归算法、GBDT算法、Rotation Forest旋转森林算法、Ada boosting算法。
5.根据权利要求1所述的一种学习反欺诈测试方法，其特征是，所述集成学习方法包括Voting算法、Stacking算法和Ensemble Selection算法。
6.一种集成学习反欺诈测试系统，其特征是，所述系统包括：
训练样本模块，用于抽取训练样本集，对训练样本集中的用户信息提取特征视图；
基分类器训练模块，用于训练基分类器，对对认练数据采用二分类法得到基分类集合；
分类模型模块，用于利用集成学习方法处理所述基分类器集合，得到集成的分类模型；
特征提取模块，用于从测试样本集提取出与所述目标相应的特征；
测试模块，用于根据提取到的测试样本集的特征，用所述集成的分类模型对测试样本进行分类，得到测试结果。
7.根据权利要求6所述的一种集成学习反欺诈测试系统，其特征是，所述特征视图包括用户信用卡数据特征视图、征信报告特征视图、运营商数据特征视图、应用列表子模型特征视图中一项或多项的组合。
8.根据权利要求7所述的一种集成学习反欺诈测试系统，其特征是，所述的应用列表子模型特征视图是对所述应用列表子模型进行稀疏特征处理获得应用列表子模型子模型特征视图。
9.根据权利要求6所述的一种集成学习反欺诈测试系统，其特征是，所述的多项分类算法包括C4.5决策树算法、Random Forest随机森林算法、SVM算法、Logistic Regression逻辑回归算法、GBDT算法、Rotation Forest旋转森林算法、Ada boosting算法。
10.根据权利要求6所述的一种集成学习反欺诈测试系统，其特征是，所述集成学习方法包括Voting算法、Stacking算法和Ensemble Selection算法。
CN201711417659.7A 2018-03-20 2018-03-20 一种集成学习反欺诈测试方法及系统 Pending CN108038701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711417659.7A CN108038701A (zh) 2018-03-20 2018-03-20 一种集成学习反欺诈测试方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711417659.7A CN108038701A (zh) 2018-03-20 2018-03-20 一种集成学习反欺诈测试方法及系统

Publications (1)

Publication Number Publication Date
CN108038701A true CN108038701A (zh) 2018-05-15

Family

ID=62100900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711417659.7A Pending CN108038701A (zh) 2018-03-20 2018-03-20 一种集成学习反欺诈测试方法及系统

Country Status (1)

Country Link
CN (1) CN108038701A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108711436A (zh) * 2018-05-17 2018-10-26 哈尔滨工业大学 基于高频和瓶颈特征的说话人验证系统重放攻击检测方法
CN109299753A (zh) * 2018-12-11 2019-02-01 济南浪潮高新科技投资发展有限公司 一种用于法律文本信息挖掘的集成学习方法及系统
CN109409969A (zh) * 2018-10-24 2019-03-01 仲恺农业工程学院 一种企业税务欺诈检测方法、电子设备及存储介质
CN109741175A (zh) * 2018-12-28 2019-05-10 上海点融信息科技有限责任公司 基于人工智能对分期购车用户的再授信评估方法和设备
CN110009045A (zh) * 2019-04-09 2019-07-12 中国联合网络通信集团有限公司 物联网终端的识别方法和装置
CN110020868A (zh) * 2019-03-11 2019-07-16 同济大学 基于线上交易特征的反欺诈模块决策融合方法
CN110135626A (zh) * 2019-04-17 2019-08-16 平安科技（深圳）有限公司 信贷管理方法及装置、电子设备、存储介质
CN110135980A (zh) * 2019-05-21 2019-08-16 重庆斐耐科技有限公司 一种金融贷前反欺诈系统
CN110189134A (zh) * 2019-05-17 2019-08-30 同济大学 基于疑似欺诈交易参照序位的网络支付反欺诈系统架构设计方法
CN110222880A (zh) * 2019-05-20 2019-09-10 阿里巴巴集团控股有限公司 业务风险的确定方法、模型训练方法和数据处理方法
CN111461855A (zh) * 2019-01-18 2020-07-28 同济大学 基于欠采样的信用卡欺诈检测方法及系统、介质、设备
CN112446425A (zh) * 2020-11-20 2021-03-05 北京思特奇信息技术股份有限公司 一种用于自动获取疑似养卡渠道的方法和装置
WO2021120775A1 (zh) * 2019-12-19 2021-06-24 中国银联股份有限公司 一种数据异常检测方法与装置
CN114881775A (zh) * 2022-07-12 2022-08-09 浙江君同智能科技有限责任公司 一种基于半监督集成学习的欺诈检测方法及系统
CN115471698A (zh) * 2022-09-06 2022-12-13 湖南经研电力设计有限公司 基于深度学习网络的输变电工程遥感图像分类方法及系统
CN116702052A (zh) * 2023-08-02 2023-09-05 云南香农信息技术有限公司 一种社区社会信用体系信息处理系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392250A (zh) * 2014-11-21 2015-03-04 浪潮电子信息产业股份有限公司 一种基于MapReduce的图像分类方法
CN106682067A (zh) * 2016-11-08 2017-05-17 浙江邦盛科技有限公司 一种基于交易数据的机器学习反欺诈监测系统
CN107766418A (zh) * 2017-09-08 2018-03-06 广州汪汪信息技术有限公司 一种基于融合模型的信用评估方法、电子设备和存储介质
CN107785058A (zh) * 2017-07-24 2018-03-09 平安科技（深圳）有限公司 反欺诈识别方法、存储介质和承载平安脑的服务器

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392250A (zh) * 2014-11-21 2015-03-04 浪潮电子信息产业股份有限公司 一种基于MapReduce的图像分类方法
CN106682067A (zh) * 2016-11-08 2017-05-17 浙江邦盛科技有限公司 一种基于交易数据的机器学习反欺诈监测系统
CN107785058A (zh) * 2017-07-24 2018-03-09 平安科技（深圳）有限公司 反欺诈识别方法、存储介质和承载平安脑的服务器
CN107766418A (zh) * 2017-09-08 2018-03-06 广州汪汪信息技术有限公司 一种基于融合模型的信用评估方法、电子设备和存储介质

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108711436A (zh) * 2018-05-17 2018-10-26 哈尔滨工业大学 基于高频和瓶颈特征的说话人验证系统重放攻击检测方法
CN109409969A (zh) * 2018-10-24 2019-03-01 仲恺农业工程学院 一种企业税务欺诈检测方法、电子设备及存储介质
CN109299753A (zh) * 2018-12-11 2019-02-01 济南浪潮高新科技投资发展有限公司 一种用于法律文本信息挖掘的集成学习方法及系统
CN109741175A (zh) * 2018-12-28 2019-05-10 上海点融信息科技有限责任公司 基于人工智能对分期购车用户的再授信评估方法和设备
CN111461855A (zh) * 2019-01-18 2020-07-28 同济大学 基于欠采样的信用卡欺诈检测方法及系统、介质、设备
CN110020868A (zh) * 2019-03-11 2019-07-16 同济大学 基于线上交易特征的反欺诈模块决策融合方法
CN110020868B (zh) * 2019-03-11 2021-02-23 同济大学 基于线上交易特征的反欺诈模块决策融合方法
CN110009045A (zh) * 2019-04-09 2019-07-12 中国联合网络通信集团有限公司 物联网终端的识别方法和装置
CN110135626A (zh) * 2019-04-17 2019-08-16 平安科技（深圳）有限公司 信贷管理方法及装置、电子设备、存储介质
CN110189134A (zh) * 2019-05-17 2019-08-30 同济大学 基于疑似欺诈交易参照序位的网络支付反欺诈系统架构设计方法
CN110222880A (zh) * 2019-05-20 2019-09-10 阿里巴巴集团控股有限公司 业务风险的确定方法、模型训练方法和数据处理方法
CN110222880B (zh) * 2019-05-20 2023-12-19 创新先进技术有限公司 业务风险的确定方法、模型训练方法和数据处理方法
CN110135980A (zh) * 2019-05-21 2019-08-16 重庆斐耐科技有限公司 一种金融贷前反欺诈系统
WO2021120775A1 (zh) * 2019-12-19 2021-06-24 中国银联股份有限公司 一种数据异常检测方法与装置
CN112446425A (zh) * 2020-11-20 2021-03-05 北京思特奇信息技术股份有限公司 一种用于自动获取疑似养卡渠道的方法和装置
CN114881775A (zh) * 2022-07-12 2022-08-09 浙江君同智能科技有限责任公司 一种基于半监督集成学习的欺诈检测方法及系统
CN115471698A (zh) * 2022-09-06 2022-12-13 湖南经研电力设计有限公司 基于深度学习网络的输变电工程遥感图像分类方法及系统
CN116702052A (zh) * 2023-08-02 2023-09-05 云南香农信息技术有限公司 一种社区社会信用体系信息处理系统及方法
CN116702052B (zh) * 2023-08-02 2023-10-27 云南香农信息技术有限公司 一种社区社会信用体系信息处理系统及方法

Similar Documents

Publication Publication Date Title
CN108038701A (zh) 一种集成学习反欺诈测试方法及系统
AU2021102737A4 (en) Computing apparatus applying machine learning to analyse a region of interest in a captured image
CN106600399A (zh) 贷款审批方法和系统
CN109409969A (zh) 一种企业税务欺诈检测方法、电子设备及存储介质
CN107742100A (zh) 一种考生身份验证方法及终端设备
CN105894380A (zh) 数字货币征信系统及方法
TWI752349B (zh) 風險識別方法及裝置
US20160307387A1 (en) Coin recognition system and method
CN110119980A (zh) 一种用于信贷的反欺诈方法、装置、系统和记录介质
CN106960387A (zh) 个人信用风险评估方法及系统
CN112967063B (zh) 一种面向以太坊平台的庞氏骗局检测方法
CN106529960A (zh) 电子交易中的欺诈交易检测方法
CN110046648A (zh) 基于至少一个业务分类模型进行业务分类的方法及装置
Nassi et al. Handwritten signature verification using hand-worn devices
CN112381640A (zh) 业务数据监控方法、装置、设备及存储介质
CN113709125A (zh) 一种异常流量的确定方法、装置、存储介质及电子设备
CN111062834A (zh) 纠纷案件实体识别方法、装置、计算机设备及存储介质
CN109670934A (zh) 基于用户行为的身份识别方法、设备、存储介质及装置
US20200019776A1 (en) Currency verification and transaction validation system
CN114971294A (zh) 数据采集方法、装置、设备及存储介质
CN114639152A (zh) 基于人脸识别的多模态语音交互方法、装置、设备及介质
CN106897743A (zh) 基于贝叶斯模型的移动考勤防作弊大数据检测方法
CN110705994B (zh) 一种风险用户检测方法及装置
Ghods et al. Evaluation of the effective factors on online internet usage in organizations
CN110458684A (zh) 一种基于双向长短期记忆神经网络的金融反欺诈检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180515

RJ01 Rejection of invention patent application after publication