CN108615119A - 一种异常用户的识别方法及设备 - Google Patents
一种异常用户的识别方法及设备 Download PDFInfo
- Publication number
- CN108615119A CN108615119A CN201810436276.2A CN201810436276A CN108615119A CN 108615119 A CN108615119 A CN 108615119A CN 201810436276 A CN201810436276 A CN 201810436276A CN 108615119 A CN108615119 A CN 108615119A
- Authority
- CN
- China
- Prior art keywords
- user
- credit
- risk
- coefficient
- value
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 73
- 238000004590 computer program Methods 0.000 claims description 14
- 230000003542 behavioural effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- General Physics & Mathematics (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明适用于信息处理技术领域，提供了一种异常用户的识别方法及设备，包括：获取用户数据库内各个用户的用户信息；基于用户信息确定各个用户之间的匹配度，并标记所述匹配度大于匹配阈值的两个用户互为关联用户；基于各个用户的关联用户，创建用户关系网络；若当前时刻满足预设的用户状态更新条件，则采集各个用户的交易行为记录，并确定各个交易行为记录的信用调整系数；基于信用调整系数以及初始值，调整各个用户节点的信用系数；选取信用系数小于信用阈值的用户作为异常用户。本发明中能够识别以集团的方式实现金融诈骗，当该集团中其中一个成员实施非法交易后，则可马上确定该集团内其他的作案成员，对金融机构的资金起到有效的保护作用。
Description
技术领域
本发明属于信息处理技术领域，尤其涉及一种异常用户的识别方法及设备。
背景技术
随着经济的不断发展，用户向各个金融机构发起交易操作的频率也越来越高，金融机构每天需要处理大量的交易请求。现有的异常用户的识别方法，一般是根据各个用户自身的交易行为确定该用户是否为异常用户，异常用户识别的过程之中相互是独立的考察个体。然而有部分不法的用户，常常会以集团诈骗的方式，非法骗取金融机构的投资资金，上述方式无法识别诈骗集团中的用户，需要该集团内各个用户均对金融机构发起异常操作，造成实际资金损失之后才能识别，从而无法对资金起到有效的保护作用，提高了金融机构的投资风险。
发明内容
有鉴于此，本发明实施例提供了一种异常用户的识别方法及设备，以解决现有的异常用户的识别方法，无法对资金起到有效的保护作用，提高了金融机构的投资风险的问题。
本发明实施例的第一方面提供了一种异常用户的识别方法，包括：
获取用户数据库内各个用户的用户信息；
基于所述用户信息确定各个所述用户之间的匹配度，并标记所述匹配度大于匹配阈值的两个所述用户互为关联用户；
基于各个所述用户的关联用户，创建所述用户数据库的用户关系网络；所述用户关系网络包含记录有各个所述用户的信用系数的初始值的用户节点；所述用户的信用系数的初始值由所述用户的关联用户的信用系数确定；
若当前时刻满足预设的用户状态更新条件，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数；
基于所述信用调整系数以及所述初始值，调整各个所述用户节点的信用系数；
选取调整后的所述信用系数小于预设信用阈值的用户作为异常用户。
本发明实施例的第二方面提供了一种异常用户的识别设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面的各个步骤。
本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面的各个步骤。
实施本发明实施例提供的一种异常用户的识别方法及终端设备具有以下有益效果：
本发明实施例通过获取用户数据库内各个用户的用户信息，并基于该用户信息分别确定各个用户的关联用户，并构建用户关系网，通过该用户关系网确定各个用户的信用系数的初始值，该信用系数的初始值将与该用户的关联用户的信用系数相关，即关联用户之间的信用系数是相互影响的，并非独立的，然后再对各个交易行为记录进行识别，确定信用调整系数，对各个用户的信用系数进行调整，并选取信用系数低于预设的信用阈值的用户作为异常用户。与现有的异常用户的识别方法相比，各个用户的信用系数并非只与该用户的交易行为记录相关，而是还会与该用户的关联用户的信用系数相关，而以集团的方式实现金融诈骗，同一集团内的各个成员是存在关联关系的，从而当该集团中其中一个成员实施非法交易后，则可马上确定该集团内其他的作案成员，将其识别为异常用户，对金融机构的资金起到有效的保护作用，降低了金融机构的投资风险。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1a是本发明第一实施例提供的一种异常用户的识别方法的实现流程图；
图1b是本发明一实施例提供的用户关系网示意图；
图2是本发明第二实施例提供的一种异常用户的识别方法具体实现流程图；
图3是本发明第三实施例提供的一种异常用户的识别方法S102具体实现流程图；
图4是本发明第四实施例提供的一种异常用户的识别方法S104具体实现流程图；
图5是本发明第四实施例提供的一种异常用户的识别方法S104的具体实现流程图；
图6是本发明一实施例提供的一种异常用户的识别设备的结构框图；
图7是本发明另一实施例提供的一种异常用户的识别设备的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例通过获取用户数据库内各个用户的用户信息，并基于该用户信息分别确定各个用户的关联用户，并构建用户关系网，通过该用户关系网确定各个用户的信用系数的初始值，该信用系数的初始值将与该用户的关联用户的信用系数相关，即关联用户之间的信用系数是相互影响的，并非独立的，然后再对各个交易行为记录进行识别，确定信用调整系数，对各个用户的信用系数进行调整，并选取信用系数低于预设的信用阈值的用户作为异常用户，解决了解决现有的异常用户的识别方法，无法对资金起到有效的保护作用，提高了金融机构的投资风险的问题。
在本发明实施例中，流程的执行主体为异常用户的识别设备。该异常用户的识别设备包括但不限于：笔记本电脑、计算机、服务器、平板电脑以及智能手机等异常用户的识别设备。图1a示出了本发明第一实施例提供的异常用户的识别方法的实现流程图，详述如下：
在S101中，获取用户数据库内各个用户的用户信息。
在本实施例中，记录了各个用户信息的用户数据库可以存储于异常用户的识别设备内，在该情况下，识别设备可以直接读取本地存储模块内的用户数据库即可获取得到各个用户的用户信息，特别地，该识别设备可以为一用户数据库服务器。该用户数据库还可以作为一外部独立的数据库服务器，在该情况下，识别设备与该数据库服务器建立通信连接，识别设备会向该数据库服务器发送一个用于鉴权的指令，数据库服务器接收到该指令后判断该识别设备所对应的用户数据库，若该指令鉴权成功，则开放该识别设备的用户数据的获取权限，继而识别设备可以通过该数据库服务器获取各个用户的用户信息。
在本实施例中，用户需要发起相关的交易操作之前，需要在该金融机构注册一个用户账号，并填写相关的用户信息，该用户信息包括但不限于：姓名、性别、年龄、居住地址、公司名称、公司地址、社会关系等信息。
需要说明的是，识别设备执行S101的触发条件可以为时间触发，即识别设备可以以预设的时间间隔识别该用户数据库内是否存在异常用户，例如每天的 0点识别当日录入的所有用户中，是否存在异常用户。该识别设备的触发条件还可以事件触发，即当识别设备检测到预设的事件后，则执行S101的相关操作。例如，当检测到新的用户录入到用户数据库后，则可以执行S101的相关操作，以识别该用户是否为异常用户。
在S102中，基于所述用户信息确定各个所述用户之间的匹配度，并标记所述匹配度大于匹配阈值的两个所述用户互为关联用户。
在本实施例中，识别设备在确定了各个用户的用户信息后，会将各个用户两两进行组合，计算两两用户之间的匹配度，将该匹配度与预设的匹配度阈值进行比较，判断上述两个用户之间是否为关联用户。若两个用户信息之间的匹配度大于预设的匹配度阈值，则识别上述两个用户互为关联用户；反之，若该匹配度小于或等于预设的匹配度阈值，则识别上述两个用户并不关联。
可选地，确定两个用户信息之间的匹配度方法可以为：将用户信息导入到预设的关键词字典中，生成该用户信息对应的关键词向量，具体地，若该用户信息中包含该关键词字典中的某一关键词，则该关键词向量中与该关键词编号对应的元素的值标记为1，若不包含该关键词，则与该关键词编号对应的元素的值标记为0。在确定了两个用户信息所对应的关键词向量后，则统计相同元素的个数，即两个向量中相同位置的元素的值相同的个数，将该相同元素的个数作为上述两个用户信息之间的匹配度，并把该匹配度与匹配度阈值进行比对，判断两个用户之间是否互为关联用户。
优选地，在本实施例中，若识别设备已经对于部分用户建立了用户关系网络，则在S102之前会对各个用户进行划分，划分为已识别用户组以及待识别用户组，对于已识别用户组内用户在S102中无需识别该组内相互之间的匹配度，而待识别用户组内的用户，则需要与已识别用户组以及待识别用户组内的所有用户进行匹配度计算，确定与该待识别用户的关联用户。
在S103中，基于各个所述用户的关联用户，创建所述用户数据库的用户关系网络；所述用户关系网络包含记录有各个所述用户的信用系数的初始值的用户节点；所述用户的信用系数的初始值由所述用户的关联用户的信用系数确定。
在本实施例中，识别设备在确定个各个用户之间的匹配度后，会基于匹配度阈值识别得到关联用户，并统计各个用户的关联用户，建立关联用户对应关系列表，该对应关系列表中包含两列，第一列记录了中心用户，第二列记录了与该中心用户的关联用户，即该关联用户对应关系列表中每一行可创建一个以中心用户为中心的星型用户关系图。举例性地，该关联用户对应关系列表可以如表1所示。
| 中心用户 | 关联用户 |
| 用户A | 用户B、用户D、用户F、用户G |
| 用户B | 用户A、用户C、用户D、用户X、用户Z |
| 用户C | 用户B、用户D、用户X |
| 用户D | 用户A、用户B、用户C |
表1
在本实施例中，创建设备会基于各个用户的关联用户，建立关于该用户数据库中所有用户的用户关系网，在该用户关系网中每个用户为一个用户节点，若某两个用户之间为关联用户，则两个用户节点之间会创建一条关联线段，用于表示关联关系，从而通过所有用户之间的关联关系，可以绘制出一幅多个用户节点之间相互连接的用户关系网，举例性地，图1b示出了本发明实施例提供的用户关系网示意图。
在本实施例中，在用户关系网络中，会为每一个用户配置一个用户节点，该用户节点记录有该用户所对应的信用系数的初始值，该初始值用于表示在建立用户关系网络的时刻所对应的信用等级。特别地，该信用系数的初始值不仅与该用户的交易行为相关，还与该用户所对应的关联用户的信用系数有关，从而每一个用户的信用系数的初始值，将是一个相互影响并且相互迭代的关系。
具体地，识别设备计算用户节点的信用系数的初始值时，可以从弱关联的用户节点开始计算，即从关联用户数较少或不存在关联用户的用户节点开始计算，然后在依次递推至强关联(即关联用户数量较多)的用户节点。其中，计算信用系数的初始值的模型如下：
其中，Cdit0(userN)为第n个用户的信用系数的初始值；Trade(xj)为第n 个用户第j次交易记录对信用系数的贡献值；Cdit0(useri)为与第n个用户的第 i个关联用户的信用系数，Coffti为第i个关联用户的预设权重；M为第n个用户的交易次数，N为第n个用户的关联用户的个数。
在S104中，若当前时刻满足预设的用户状态更新条件，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数。
在本实施例中，识别设备在建立了该用户关系网络后，在后续用户进行交易操作的过程中，可以基于各个用户的交易行为，对该交易网络的中各个用户节点的信用系数进行调整。具体地，调整的过程如S104以及S105所述，在识别设备检测到当前时刻满足预设的用户状态更新条件时，则会采集各个用户的交易行为记录。
优选地，该交易行为记录为在上一触发时刻至当前触发时刻之间所产生的交易行为记录，从而保证了已对信用系数进行调整的交易行为记录不再重复计算，减少了识别设备的数据处理量。例如，识别设备在计算了该交易行为记录所对应的信用调整系数后，会添加一个已识别标记，在S104的操作被触发时，则识别设备可以提取已识别标记为空的交易行为记录。
可选地，识别设备确定每个交易行为记录的所对应的信用调整系数的方式可以为：提取交易行为记录中的交易特征值，该交易特征值可以为：交易频率、交易金额、交易属性、交易地址等信息，需要说明的是交易属性具体用于规定该交易为正面交易还是反面交易，正面交易为符合交易行为规范的交易操作，例如如期还款、如期交付利息等交易操作；而反面交易行为则为违反了交易行为规则的交易操作，例如逾期未还款、用户失联等情况。在确定了各个交易特征值后，将该交易特征值导入到预设的信用调整系数的转换模型，例如可以为一预设的哈希函数，确定该交易行为记录所对应的信用调整系数。
在S105中，基于所述信用调整系数以及所述初始值，调整各个所述用户节点的信用系数。
在本实施例中，识别设备在计算了各个交易行为记录所对应的信用调整系数后，会基于该用户的信用调整系数以及对应的信用系数的初始值，对各个用户节点的信用系数进行调整，确定当前时刻所对应的信用系数，其中，计算的过程可以为在初始值的基础上与各个信用调整系数进行累加操作。优选地，基于各个交易行为记录与当前时刻的之间的差值，确定该交易行为记录的调整权重，基于各个调整系数的调整权重与初始值进行加权运算，具体的计算模型如下：
其中，Cditt(usern)为调整后第n个用户的信用系数；T0为当前时刻对应的时间值；Ttrade为交易行为记录的交易时刻；tradenum为交易行为记录的个数， CditAtrade为信用调整系数。
在S106中，选取调整后的所述信用系数小于预设信用阈值的用户作为异常用户。
在本实施例中，识别设备在对所有用户的信用系数进行调整后，会将各个调整后的信用系数与信用阈值进行对比，确定该用户是否为异常用户，若该信用系数小于信用阈值，则识别该用户为异常用户，反之，若该用户的信用系数大于或等于信用阈值，则识别该用户为正常用户。
以上可以看出，本发明实施例提供的一种异常用户的识别方法通过获取用户数据库内各个用户的用户信息，并基于该用户信息分别确定各个用户的关联用户，并构建用户关系网，通过该用户关系网确定各个用户的信用系数的初始值，该信用系数的初始值将与该用户的关联用户的信用系数相关，即关联用户之间的信用系数是相互影响的，并非独立的，然后再对各个交易行为记录进行识别，确定信用调整系数，对各个用户的信用系数进行调整，并选取信用系数低于预设的信用阈值的用户作为异常用户。与现有的异常用户的识别方法相比，各个用户的信用系数并非只与该用户的交易行为记录相关，而是还会与该用户的关联用户的信用系数相关，而以集团的方式实现金融诈骗，同一集团内的各个成员是存在关联关系的，从而当该集团中其中一个成员实施非法交易后，则可马上确定该集团内其他的作案成员，将其识别为异常用户，对金融机构的资金起到有效的保护作用，降低了金融机构的投资风险。
图2示出了本发明第二实施例提供的一种异常用户的识别方法的具体实现流程图。参见图2所示，相对于图1a所述实施例，本实施例提供的一种异常用户的识别方法中包括S201～S205，具体详述如下：
进一步地，在所述选取调整后的所述信用系数小于预设信用阈值的用户作为异常用户之后，还包括：
在S201中，在所述用户关系网络上选取所述异常用户的关联用户，作为风险用户。
在本实施例中，异常用户的识别设备不仅能对已经存在异常的用户进行识别，还可以对潜在的异常用户进行识别。因此，在识别了某一用户为异常用户后，会在用户关系网络中标记该异常用户所对应的用户节点，并获取与该用户节点关联的其他用户节点，识别为风险用户，即表示上述风险用户虽然信用系数的数值大于预设的信用阈值，但与该异常用户存在关联关系，也可以能为潜在的异常用户。
在本实施例中，用户关系网络中可以用第一颜色标记异常用户，用第二颜色标记风险用户，从而通过管理员可以通过用户关系网络直观确定各个用户的用户状态属性，提高了管理员的管理效率。
在S202中，将所述风险用户添加到风险数据库，并为每个风险用户设置有效计时器以及风险计数器，并启动所述有效计时器进行计时操作；若检测到所述风险用户与关联的异常用户发起交易操作，则增加所述风险计数器的值。
在本实施例中，识别设备会将每个风险用户添加到风险数据库内，该风险数据库用于记录所有已识别的风险用户。因此，在S201识别了风险用户后，会将该用户的用户标识与该风险数据库中各个已识别的风险用户的标识进行匹配，判定该用户是否已经记录在该风险数据库内，若是，则不执行S202的相关操作；反之，若该风险用户仍未添加到该风险数据库内，则执行S202的相关操作。特别地，对于已经添加到风险数据库的风险用户，会对其风险计数器的值进行加 1操作，即表示该风险用户的风险指数变高。
在本实施例中，识别设备将风险用户添加到风险数据库后，会在该风险数据库内为各个风险用户设置一个有效计时器以及风险计数器，在设置完成后该有效计时器则会启动并执行计时操作，在有效计时器的有效时长内，若该风险计数器的数值大于预设的风险阈值，则表示该用户为异常用户。
在本实施例中，该风险计数器是用于确定该风险用户的风险等级的，若该风险用户与异常用户发起了一次交易操作，则表示该风险用户与异常用户之间存在交易往来，很可能属于同一个异常集团内的成员，在该情况下，识别设备会增加该风险计数器的计数值。
特别地，识别设备若有效计时器小于有效时长且风险计数器的值大于预设的风险阈值，则可以识别该风险用户为异常用户，从而能够及时发现存在异常的用户，无需等待有效计时器到达预设的有效时长。
在S203中，若所述有效计时器的值大于或等于预设的有效时长，则识别所述风险计数器的值是否大于预设的风险阈值。
在本实施例中，由于异常操作一般存在时间聚合性，则若某一用户为异常用户在一段时间内会完成一定数量的异常交易，则可能会套用下一个用户账户继续进行异常交易。因此在识别异常用户的过程也可以设置一个有效时长，来确定某一用户的风险操作是否存在时间聚合性，当有效计时器到达有效时长后，会确定风险计数器的值是否大于预设的风险阈值，若是，则执行S204的相关操作；若否，则执行S205的相关操作。
在S204中，若所述风险计数器的值大于所述风险阈值，则识别所述风险用户为异常用户。
在本实施例中，当风险计数器的值大于风险阈值，则表示该风险用户与异常用户之间交易频率较高，则可以识别该风险用户为异常用户。当然，若识别了某一新的用户为异常用户后，可以重复执行S201的相关操作，确定该识别为异常用户的关联用户为新的风险用户，继续判断是否存在其他潜在的异常用户。
在S205中，若所述风险计数器的值小于或等于所述风险阈值，则将所述风险用户从所述风险数据库中删除。
在本实施例中，若风险计时器的值小于或等于风险阈值，则表示该风险用户与异常用户之间的交易频率较低，与异常用户之间并非强关联，在该清下，可以将该用户重新识别为正常用户，因此将该风险用户冲风险数据库中删除。
在本发明实施例中，通过识别异常用户，从而将与异常用户的关联用户确定为风险用户，对风险用户进行观察，从而能够确定潜在的异常用户，提高了对金融机构资金的保护力度，减少投资风险。
图3示出了本发明第三实施例提供的一种异常用户的识别方法S102的具体实现流程图。参见图3所示，相对于图1a所述实施例，本实施例提供的一种异常用户的识别方法S102包括S1021～S1023，具体详述如下：
在S1021中，分别将所述用户信息中的各个信息项目与关键词字典内的各个关键词进行匹配，得到各个所述信息项目的关键词子序列。
在本实施例中，用户信息包含多个信息项目，不同的信息项目用于记录该用户不同类型的用户信息。举例性地，用户信息包含：性别、电话号码、住所、工作地点、所在单位、配偶关系6项信息项目，分别记录该用户在各个维度的对应的用户资料，因此创建设备会为每个信息项目确定对应的关键词子序列，从而通过关键词子序列构建该用户所对应的关键词序列。
可选地，在本实施例中，在确定不同信息项目的关键词子序列时，识别设备会查询该信息项目的关键词字典，即创建设备会为每个关键词序列生成与之对应的关键词列表。由于某些关键词只会出现在某些信息项目中，而必然不会出现在部分信息项目，例如对于关键词“深圳”与“广州”，上述两个关键词属于地理位置的关键词，则必然不会出现在“性别”、“配偶关系”以及“电话号码”这三项信息项目内。因此，为了避免单个关键词字典的数据量过大并且在确定关键词序列时进行过多无效的匹配操作，创建设备会为不同的信息项目确定与之对应的关键词字典，从而提高了关键词序列的生成效率。
在S1022中，基于所述关键词子序列，分别计算所述用户两两之间相同的信息项目的相似度。
在本实施例中，识别设备在确定了各个信息项目的关键词子序列后，在计算各个用户之间的匹配度之前，会计算各个用户对应信息项目之间关键词子序列的相似度。例如，在计算用户A和用户B之间的匹配度时，会计算用户A 的居住地的关键词子序列与用户B的居住地的关键词子序列之间的相似度，然后在计算用户A工作单位的关键词子序列与用户B工作单位的关键词子序列之间的相似度，直到计算了两个用户之间所有信息项目之间的相似度，则执行 S1023的相关操作。
在本实施例中，计算两个关键词子序列的相似度的具体方式可以为：统计两个关键词子序列相同关键词的第一个数，并计算第一个数与关键词序列总的元素个数之间的比值，作为两个关键词子序列之间的相似度。若部分用户某些信息项目缺失，则识别关于该信息项目的相似度为0。
在S1023中，将各个所述信息项目的相似度导入到匹配度转换模型，计算所述匹配度；所述匹配度转换模型具体为：
其中，Q为所述匹配度；Bk为任意两个所述用户的第k个所述信息项目之间的相似度；αk为第k个所述信息项目的匹配权重；n为信息项目的个数。
在本实施例中，识别设备将各个信息项目所对应的相似度导入到预设的匹配度转换模型内，该匹配转换模型定义了不同信息项在计算匹配度时所占的匹配权重，创建设备会根据各个匹配权重以及对应信息项目的相似度，计算两个用户之间的匹配度。
在本实施例中，匹配权重可以从上位机服务器中下载得到，还可以有用户根据实际场景的需求，调整不同信息项目的匹配权重。当然，若用户需要忽略部分信息项目对于匹配度计算的影响，可以设置该类的信息项目的匹配权重为 0，从而不考虑该部分信息项目对于用户关联判定的影响。
在本发明实施例中，通过分类计算不同信息项目之间的相似度，并基于多个信息项目确定两个用户之间的匹配度，从而提高了关联用户识别的准确性。
图4示出了本发明第四实施例提供的一种异常用户的识别方法S104的具体实现流程图。参见图4所示，相对于图1a～图3所述实施例，本实施例提供的一种异常用户的识别方法中S104包括：S1041以及S1042，具体详述如下：
在S1041中，从历史交易信息库中提取所述用户的历史交易记录，并基于所述历史交易记录确定所述历史交易特征值。
在本实施例中，识别设备在确定每个交易行为记录的信用调整系数之前，会首先确定该用户的行为习惯，因此会从历史交易信息库中提取该用户的历史交易记录，并确定每个历史交易记录的历史行为特征值，计算该用户所对应的历史交易特征值。具体地，该历史交易特征值可以为基于各个历史交易记录的历史行为特征值的均值。
可选地，该历史交易特征值可以为关于历史行为特征值的标准差，用于确定该用户的历史交易行为的浮动情况，在该情况下，计算历史交易特征值的过程如下：
其中，HistoryValue为所述历史交易特征值，HistoryNum为历史交易记录的个数；HistoryFigi为第i个历史交易记录的历史交易特征值；为历史交易特征值的均值。
在S1042中，根据所述交易行为记录的行为特征值以及所述历史交易特征值，确定所述信用调整系数。
在本实施例中，识别设备将本次交易行为记录所对应的行为特征值以及历史交易特征值导入到信用调整系数的计算模型，确定该交易行为记录所对应的信用调整系数。可选地，识别设备计算行为特征值以及历史交易特征值之间的比值，将该比值导入到预设的信用调整系数的哈希函数中，确定该交易行为记录的信用调整系数。
可选地，若上述信用调整系数具体为一标准差，则计算行为特征值以及历史交易特征值所对应的调整系数时可通过以下公式进行计算；
其中，Adjust为信用调整系数，TradeValue为交易行为特征值，Ap为预设系数。
在本发明实施例中，通过确定该用户的历史交易特征值，可以确定该用户的交易行为习惯，并基于该历史交易特征值确定该信用调整系数，从而提高了信用调整系数的准确率。
图5示出了本发明第五实施例提供的一种异常用户的识别方法S104的具体实现流程图。参见图5所示，相对于图1a所述实施例，本实施例提供的一种异常用户的识别方法S104包括：S1041’以及S1042’，具体详述如下：
在S1041’中，若当前时刻到达预设的用户状态更新时间节点，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数。
在本实施例中，用户状态更新条件有两类，一类是时间触发，而另一类则是事件触发。对于时间触发的方式，异常用户的识别设备会预设有多个用户状态的更新时间节点，各个节点之间的间隔可以是固定的，在该情况下，则表示识别终端会以预设的时间周期间隔更新各个用户的信用系数；当然，各个时间节点之间的间隔也可以不相同，但满足一定的规律，例如每天的8点、12点、 20点各更新一次用户状态。
在本实施例中，识别设备会记录有用户状态更新时间节点，当识别设备检测到当前时刻到达预设的时间节点时，则会执行采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数的操作。
在S1042’中，若当前时刻的所述交易行为记录的个数大于预设的个数阈值，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数。
在本实施例中，识别设备会统计上一更新时刻至当前时刻之间所产生的交易行为记录的个数，若检测到该个数大于预设的个数阈值，则表示当前接收到的交易行为记录的个数达到一定的量，需要对各个用户的用户状态进行更新，因此，则会执行采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数的操作。当然，该个数阈值可以由管理员进行设置，也可以为系统的默认值。
需要说明的是，识别设备可以选择上述两种触发方式的其中一种作为用户状态更新条件，也可以同时采用两种作为状态更新条件，在该情况下，当识别设备检测到当前时刻到达预设的用胡状态更新时间节点或者当前时刻的交易记录的个数大于预设的个数阈值，则会执行采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数的操作。
在本发明实施例中，通过对用户发起的异常交易请求进行计数，对不同的用户端进行分级，执行对应的异常响应操作，从而提高了异常响应操作的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图6示出了本发明一实施例提供的一种异常用户的识别设备的结构框图，该异常用户的识别设备包括的各单元用于执行图1a对应的实施例中的各步骤。具体请参阅图1a与图1a所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。
参见图6，所述异常用户的识别设备包括：
用户信息获取单元61，用于获取用户数据库内各个用户的用户信息；
关联用户识别单元62，用于基于所述用户信息确定各个所述用户之间的匹配度，并标记所述匹配度大于匹配阈值的两个所述用户互为关联用户；
用户关系网络建立单元63，用于基于各个所述用户的关联用户，创建所述用户数据库的用户关系网络；所述用户关系网络包含记录有各个所述用户的信用系数的初始值的用户节点；所述用户的信用系数的初始值由所述用户的关联用户的信用系数确定；
信用调整系数确定单元64，用于若当前时刻满足预设的用户状态更新条件，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数；
信用系数调整单元65，用于基于所述信用调整系数以及所述初始值，调整各个所述用户节点的信用系数；
第一异常用户识别单元66，用于选取调整后的所述信用系数小于预设信用阈值的用户作为异常用户。
可选地，所述异常用户的识别设备还包括：
风险用户识别单元，用于在所述用户关系网络上选取所述异常用户的关联用户，作为风险用户；
风险参数设置单元，用于将所述风险用户添加到风险数据库，并为每个风险用户设置有效计时器以及风险计数器，并启动所述有效计时器进行计时操作；若检测到所述风险用户与关联的异常用户发起交易操作，则增加所述风险计数器的值；
风险阈值判断单元，用于若所述有效计时器的值大于或等于预设的有效时长，则识别所述风险计数器的值是否大于预设的风险阈值；
第二异常用户识别单元，用于若所述风险计数器的值大于所述风险阈值，则识别所述风险用户为异常用户；
风险用户移除单元，用于若所述风险计数器的值小于或等于所述风险阈值，则将所述风险用户从所述风险用户数据库中删除。
可选地，所述关联用户识别单元62包括：
关键词序列识别单元，用于分别将所述用户信息中的各个信息项目与关键词字典内的各个关键词进行匹配，得到各个所述信息项目的关键词子序列；
相似度计算单元，用于基于所述关键词子序列，分别计算所述用户两两之间相同的信息项目的相似度；
匹配度计算单元，用于将各个所述信息项目的相似度导入到匹配度转换模型，计算所述匹配度；所述匹配度转换模型具体为：
其中，Q为所述匹配度；Bk为任意两个所述用户的第k个所述信息项目之间的相似度；αk为第k个所述信息项目的匹配权重；n为信息项目的个数。
可选地，所述信用调整系数确定单元64包括：
历史交易特征值获取单元，用于从历史交易信息库中提取所述用户的历史交易记录，并基于所述历史交易记录确定所述历史交易特征值；
信用调整系数计算单元，用于根据所述交易行为记录的行为特征值以及所述历史交易特征值，确定所述信用调整系数。
可选地，信用调整系数确定单元64包括：
时间节点触发单元，用于若当前时刻到达预设的用户状态更新时间节点，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数；
和/或
交易个数触发单元，用于若当前时刻的所述交易行为记录的个数大于预设的个数阈值，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数。
因此，本发明实施例提供的异常用户的识别设备中，各个用户的信用系数并非只与该用户的交易行为记录相关，而是还会与该用户的关联用户的信用系数相关，而以集团的方式实现金融诈骗，同一集团内的各个成员是存在关联关系的，从而当该集团中其中一个成员实施非法交易后，则可马上确定该集团内其他的作案成员，将其识别为异常用户，对金融机构的资金起到有效的保护作用，降低了金融机构的投资风险。
图7是本发明另一实施例提供的一种异常用户的识别设备的示意图。如图 7所示，该实施例的异常用户的识别设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如异常用户的识别程序。所述处理器70执行所述计算机程序72时实现上述各个异常用户的识别方法实施例中的步骤，例如图1a所示的S101至S106。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各单元的功能，例如图6所示模块61至66功能。
示例性的，所述计算机程序72可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述异常用户的识别设备7中的执行过程。例如，所述计算机程序72可以被分割成用户信息获取单元、关联用户识别单元、用户关系网络建立单元、信用调整系数确定单元、信用系数调整单元以及第一异常用户识别单元，各单元具体功能如上所述。
所述异常用户的识别设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述异常用户的识别设备可包括，但不仅限于，处理器 70、存储器71。本领域技术人员可以理解，图7仅仅是异常用户的识别设备7 的示例，并不构成对异常用户的识别设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述异常用户的识别设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述异常用户的识别设备7的内部存储单元，例如异常用户的识别设备7的硬盘或内存。所述存储器71也可以是所述异常用户的识别设备7的外部存储设备，例如所述异常用户的识别设备7上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD) 卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述异常用户的识别设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述异常用户的识别设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种异常用户的识别方法，其特征在于，包括：
获取用户数据库内各个用户的用户信息；
基于所述用户信息确定各个所述用户之间的匹配度，并标记所述匹配度大于匹配阈值的两个所述用户互为关联用户；
基于各个所述用户的关联用户，创建所述用户数据库的用户关系网络；所述用户关系网络包含记录有各个所述用户的信用系数的初始值的用户节点；所述用户的信用系数的初始值由所述用户的关联用户的信用系数确定；
若当前时刻满足预设的用户状态更新条件，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数；
基于所述信用调整系数以及所述初始值，调整各个所述用户节点的信用系数；
选取调整后的所述信用系数小于预设信用阈值的用户作为异常用户。
2.根据权利要求1所述的识别方法，其特征在于，还包括：
在所述用户关系网络上选取所述异常用户的关联用户，作为风险用户；
将所述风险用户添加到风险数据库，并为每个风险用户设置有效计时器以及风险计数器，并启动所述有效计时器进行计时操作；若检测到所述风险用户与关联的异常用户发起交易操作，则增加所述风险计数器的值；
若所述有效计时器的值大于或等于预设的有效时长，则识别所述风险计数器的值是否大于预设的风险阈值；
若所述风险计数器的值大于所述风险阈值，则识别所述风险用户为异常用户；
若所述风险计数器的值小于或等于所述风险阈值，则将所述风险用户从所述风险数据库中删除。
3.根据权利要求1所述的识别方法，其特征在于，所述基于所述用户信息确定各个所述用户之间的匹配度，并标记所述匹配度大于匹配阈值的两个所述用户互为关联用户，包括：
分别将所述用户信息中的各个信息项目与关键词字典内的各个关键词进行匹配，得到各个所述信息项目的关键词子序列；
基于所述关键词子序列，分别计算所述用户两两之间相同的信息项目的相似度；
将各个所述信息项目的相似度导入到匹配度转换模型，计算所述匹配度；所述匹配度转换模型具体为：
其中，Q为所述匹配度；Bk为任意两个所述用户的第k个所述信息项目之间的相似度；αk为第k个所述信息项目的匹配权重；n为信息项目的个数。
4.根据权利要求1-3任一项所述的识别方法，其特征在于，所述若当前时刻满足预设的用户状态更新条件，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数，包括：
从历史交易信息库中提取所述用户的历史交易记录，并基于所述历史交易记录确定所述历史交易特征值；
根据所述交易行为记录的行为特征值以及所述历史交易特征值，确定所述信用调整系数。
5.根据权利要求1所述的识别方法，其特征在于，所述若当前时刻满足预设的用户状态更新条件，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数，包括：
若当前时刻到达预设的用户状态更新时间节点，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数；
和/或
若当前时刻的所述交易行为记录的个数大于预设的个数阈值，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数。
6.一种异常用户的识别设备，其特征在于，所述异常用户的识别设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取用户数据库内各个用户的用户信息；
基于所述用户信息确定各个所述用户之间的匹配度，并标记所述匹配度大于匹配阈值的两个所述用户互为关联用户；
基于各个所述用户的关联用户，创建所述用户数据库的用户关系网络；所述用户关系网络包含记录有各个所述用户的信用系数的初始值的用户节点；所述用户的信用系数的初始值由所述用户的关联用户的信用系数确定；
若当前时刻满足预设的用户状态更新条件，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数；
基于所述信用调整系数以及所述初始值，调整各个所述用户节点的信用系数；
选取调整后的所述信用系数小于预设信用阈值的用户作为异常用户。
7.根据权利要求6所述的识别设备，其特征在于，所述处理器执行所述计算机程序时还实现如下步骤：
在所述用户关系网络上选取所述异常用户的关联用户，作为风险用户；
将所述风险用户添加到风险数据库，并为每个风险用户设置有效计时器以及风险计数器，并启动所述有效计时器进行计时操作；若检测到所述风险用户与关联的异常用户发起交易操作，则增加所述风险计数器的值；
若所述有效计时器的值大于或等于预设的有效时长，则识别所述风险计数器的值是否大于预设的风险阈值；
若所述风险计数器的值大于所述风险阈值，则识别所述风险用户为异常用户；
若所述风险计数器的值小于或等于所述风险阈值，则将所述风险用户从所述风险数据库中删除。
8.根据权利要求6所述的识别设备，其特征在于，所述基于所述用户信息确定各个所述用户之间的匹配度，并标记所述匹配度大于匹配阈值的两个所述用户互为关联用户，包括：
分别将所述用户信息中的各个信息项目与关键词字典内的各个关键词进行匹配，得到各个所述信息项目的关键词子序列；
基于所述关键词子序列，分别计算所述用户两两之间相同的信息项目的相似度；
将各个所述信息项目的相似度导入到匹配度转换模型，计算所述匹配度；所述匹配度转换模型具体为：
其中，Q为所述匹配度；Bk为任意两个所述用户的第k个所述信息项目之间的相似度；αk为第k个所述信息项目的匹配权重；n为信息项目的个数。
9.根据权利要求6-8任一项所述的识别设置，其特征在于，所述若当前时刻满足预设的用户状态更新条件，则采集各个所述用户的交易行为记录，并确定各个所述交易行为记录的信用调整系数，包括：
从历史交易信息库中提取所述用户的历史交易记录，并基于所述历史交易记录确定所述历史交易特征值；
根据所述交易行为记录的行为特征值以及所述历史交易特征值，确定所述信用调整系数。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810436276.2A CN108615119B (zh) | 2018-05-09 | 2018-05-09 | 一种异常用户的识别方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810436276.2A CN108615119B (zh) | 2018-05-09 | 2018-05-09 | 一种异常用户的识别方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108615119A true CN108615119A (zh) | 2018-10-02 |
| CN108615119B CN108615119B (zh) | 2024-02-06 |
Family
ID=63662383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810436276.2A Active CN108615119B (zh) | 2018-05-09 | 2018-05-09 | 一种异常用户的识别方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108615119B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109509106A (zh) * | 2018-10-30 | 2019-03-22 | 平安科技（深圳）有限公司 | 单位类型确定方法及相关产品 |
| CN109636413A (zh) * | 2018-11-23 | 2019-04-16 | 杭州优行科技有限公司 | 一种存储介质、服务器、刷单行为识别方法及装置 |
| CN109885564A (zh) * | 2019-02-12 | 2019-06-14 | 北京字节跳动网络技术有限公司 | 用于发送信息的方法和装置 |
| CN110135849A (zh) * | 2019-04-04 | 2019-08-16 | 平安证券股份有限公司 | 金融交易欺诈风险防范方法、装置及计算机可读存储介质 |
| CN110163471A (zh) * | 2019-04-10 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种异常识别方法和装置 |
| CN110647522A (zh) * | 2019-09-06 | 2020-01-03 | 中国建设银行股份有限公司 | 一种数据挖掘方法、装置及其系统 |
| CN110717758A (zh) * | 2019-10-10 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 异常交易识别方法和装置 |
| CN111476510A (zh) * | 2020-06-23 | 2020-07-31 | 武汉斗鱼鱼乐网络科技有限公司 | 一种风险用户识别的方法及系统、存储介质、设备 |
| CN111489190A (zh) * | 2020-03-16 | 2020-08-04 | 上海趣蕴网络科技有限公司 | 一种基于用户关系的反作弊方法及系统 |
| CN113129058A (zh) * | 2021-04-19 | 2021-07-16 | 中国光大银行股份有限公司 | 员工异常交易行为识别方法、装置、设备及存储介质 |
| WO2021159766A1 (zh) * | 2020-02-11 | 2021-08-19 | 腾讯科技（深圳）有限公司 | 一种数据识别方法、装置、设备以及可读存储介质 |
| CN114091979A (zh) * | 2022-01-10 | 2022-02-25 | 新风光电子科技股份有限公司 | 基于人工智能的配电设备风险检测方法 |
| CN115102920A (zh) * | 2022-07-28 | 2022-09-23 | 京华信息科技股份有限公司 | 基于关系网络的个体的传输管控方法 |
| CN115660689A (zh) * | 2022-11-03 | 2023-01-31 | 淮阴工学院 | 一种基于区块链金融诈骗的用户行为监测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156941A (zh) * | 2016-06-06 | 2016-11-23 | 腾讯科技（深圳）有限公司 | 一种用户信用评分优化方法和装置 |
| CN106921504A (zh) * | 2015-12-24 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 一种确定不同用户的关联路径的方法和设备 |
| CN107705036A (zh) * | 2017-10-27 | 2018-02-16 | 杭州呯嘭智能技术有限公司 | 基于多维度数据的动态信用评估方法及系统 |
| CN107730262A (zh) * | 2017-10-23 | 2018-02-23 | 阿里巴巴集团控股有限公司 | 一种欺诈识别方法和装置 |
-
2018
- 2018-05-09 CN CN201810436276.2A patent/CN108615119B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106921504A (zh) * | 2015-12-24 | 2017-07-04 | 阿里巴巴集团控股有限公司 | 一种确定不同用户的关联路径的方法和设备 |
| CN106156941A (zh) * | 2016-06-06 | 2016-11-23 | 腾讯科技（深圳）有限公司 | 一种用户信用评分优化方法和装置 |
| CN107730262A (zh) * | 2017-10-23 | 2018-02-23 | 阿里巴巴集团控股有限公司 | 一种欺诈识别方法和装置 |
| CN107705036A (zh) * | 2017-10-27 | 2018-02-16 | 杭州呯嘭智能技术有限公司 | 基于多维度数据的动态信用评估方法及系统 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109509106A (zh) * | 2018-10-30 | 2019-03-22 | 平安科技（深圳）有限公司 | 单位类型确定方法及相关产品 |
| CN109636413A (zh) * | 2018-11-23 | 2019-04-16 | 杭州优行科技有限公司 | 一种存储介质、服务器、刷单行为识别方法及装置 |
| CN109885564A (zh) * | 2019-02-12 | 2019-06-14 | 北京字节跳动网络技术有限公司 | 用于发送信息的方法和装置 |
| CN109885564B (zh) * | 2019-02-12 | 2022-04-26 | 北京字节跳动网络技术有限公司 | 用于发送信息的方法和装置 |
| CN110135849A (zh) * | 2019-04-04 | 2019-08-16 | 平安证券股份有限公司 | 金融交易欺诈风险防范方法、装置及计算机可读存储介质 |
| CN110163471A (zh) * | 2019-04-10 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种异常识别方法和装置 |
| CN110163471B (zh) * | 2019-04-10 | 2023-08-18 | 创新先进技术有限公司 | 一种异常识别方法和装置 |
| CN110647522A (zh) * | 2019-09-06 | 2020-01-03 | 中国建设银行股份有限公司 | 一种数据挖掘方法、装置及其系统 |
| CN110647522B (zh) * | 2019-09-06 | 2022-12-27 | 中国建设银行股份有限公司 | 一种数据挖掘方法、装置及其系统 |
| CN110717758A (zh) * | 2019-10-10 | 2020-01-21 | 支付宝(杭州)信息技术有限公司 | 异常交易识别方法和装置 |
| CN110717758B (zh) * | 2019-10-10 | 2021-04-13 | 支付宝(杭州)信息技术有限公司 | 异常交易识别方法和装置 |
| WO2021159766A1 (zh) * | 2020-02-11 | 2021-08-19 | 腾讯科技（深圳）有限公司 | 一种数据识别方法、装置、设备以及可读存储介质 |
| CN111489190A (zh) * | 2020-03-16 | 2020-08-04 | 上海趣蕴网络科技有限公司 | 一种基于用户关系的反作弊方法及系统 |
| CN111476510A (zh) * | 2020-06-23 | 2020-07-31 | 武汉斗鱼鱼乐网络科技有限公司 | 一种风险用户识别的方法及系统、存储介质、设备 |
| CN113129058A (zh) * | 2021-04-19 | 2021-07-16 | 中国光大银行股份有限公司 | 员工异常交易行为识别方法、装置、设备及存储介质 |
| CN114091979B (zh) * | 2022-01-10 | 2022-05-10 | 新风光电子科技股份有限公司 | 基于人工智能的配电设备风险检测方法 |
| CN114091979A (zh) * | 2022-01-10 | 2022-02-25 | 新风光电子科技股份有限公司 | 基于人工智能的配电设备风险检测方法 |
| CN115102920A (zh) * | 2022-07-28 | 2022-09-23 | 京华信息科技股份有限公司 | 基于关系网络的个体的传输管控方法 |
| CN115102920B (zh) * | 2022-07-28 | 2022-11-18 | 京华信息科技股份有限公司 | 基于关系网络的个体的传输管控方法 |
| CN115660689A (zh) * | 2022-11-03 | 2023-01-31 | 淮阴工学院 | 一种基于区块链金融诈骗的用户行为监测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108615119B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108615119A (zh) | 一种异常用户的识别方法及设备 | |
| CN108711085A (zh) | 一种交易请求的响应方法及其设备 | |
| CN108985553A (zh) | 一种异常用户的识别方法及设备 | |
| CN108062629B (zh) | 交易事件的处理方法、终端设备及介质 | |
| CN108564467A (zh) | 一种用户风险等级的确定方法及设备 | |
| CN105389488B (zh) | 身份认证方法及装置 | |
| CN108416670A (zh) | 信贷配单方法及服务器 | |
| CN112364004B (zh) | 基于数据仓库的保单数据处理方法、装置及存储介质 | |
| CN105095306B (zh) | 基于关联对象进行操作的方法及装置 | |
| CN109274639A (zh) | 开放平台异常数据访问的识别方法和装置 | |
| CN110020149A (zh) | 用户信息的标签化处理方法、装置、终端设备及介质 | |
| CN107612922A (zh) | 基于用户操作习惯和地理位置的用户身份验证方法及装置 | |
| CN109598542A (zh) | 一种营销权益的投放方法、装置及电子设备 | |
| CN108446968A (zh) | 一种会计分录的方法、装置及终端设备 | |
| CN109308615A (zh) | 基于统计序列特征的实时欺诈交易检测方法、系统、存储介质及电子终端 | |
| CN110349013A (zh) | 风险控制方法及装置 | |
| CN109670933A (zh) | 识别用户角色的方法、用户设备、存储介质及装置 | |
| CN111639967B (zh) | 产品潜在客户挖掘方法及系统 | |
| CN112035717A (zh) | 信息处理方法、装置、设备及存储介质 | |
| CN109559218A (zh) | 一种异常交易的确定方法、装置及存储介质 | |
| CN109785867A (zh) | 双录流程配置方法、装置、计算机设备和存储介质 | |
| CN111833182A (zh) | 识别风险对象的方法和装置 | |
| CN107679383A (zh) | 一种基于地理位置和触压面积的身份验证方法及装置 | |
| Nasr et al. | A Proposed Fraud Detection Model based on e-Payments Attributes a Case Study in Egyptian e-Payment Gateway | |
| CN114529995A (zh) | 一种信息处理的方法以及相关装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240108 Address after: Room 3305-3310, Wanling Plaza, No. 39 Jiefang South Road, Yuexiu District, Guangzhou City, Guangdong Province, 510000 Applicant after: Guangzhou Metro Microfinance Co.,Ltd. Address before: 518000 Room 202, block B, aerospace micromotor building, No.7, Langshan No.2 Road, Xili street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: Shenzhen LIAN intellectual property service center Effective date of registration: 20240108 Address after: 518000 Room 202, block B, aerospace micromotor building, No.7, Langshan No.2 Road, Xili street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen LIAN intellectual property service center Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant before: PING AN PUHUI ENTERPRISE MANAGEMENT Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |