CN108629687A - 一种反洗钱方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种反洗钱方法、装置及设备。通过预先训练得到的模型，对用户的相关特征进行自动识别，实现对用户类型的分类，提高审理效率，当识别精准度达到一定程度时可以实现全自动的审理。

Description

一种反洗钱方法、装置及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种反洗钱方法、装置及设备。

背景技术

随着社会发展，通过金融机构的业务进行洗钱的行为越来越多，相应的，金融机构需要开展有针对性的反洗钱业务。

在当前技术中，金融机构通过流程、规则等方式控制系统内的洗钱风险。一般在反洗钱规则稽核以后，通过搜集和调查相关信息，根据相关信息是否符合反洗钱规则，进行人工审理，判定用户是否洗钱以及可能的洗钱类型。

基于此，需要一种更有效的反洗钱方案。

发明内容

本说明书实施例提供一种反洗钱方法、装置及设备，用于解决如下问题：以提供一种更有效的反洗钱方案。

基于此，本说明书实施例提供一种反洗钱方法，包括：

针对任一用户，获取该用户的多个洗钱特征；

采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果；

根据所述识别结果确定该用户的洗钱类别

同时，本说明书的实施例还提供一种反洗钱装置，包括：

获取模块，针对任一用户，获取该用户的多个洗钱特征；

生成模块，采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果；

确定模块，根据所述识别结果确定该用户的洗钱类别。

对应的，本说明书实施例还提供一种反洗钱设备，包括：

存储器，存储有反洗钱程序；

处理器，调用所述存储器中的反洗钱程序，并执行：

针对任一用户，获取该用户的多个洗钱特征；

采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果；

根据所述识别结果确定该用户的洗钱类别。

对应的，本说明书的实施例还提供一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

针对任一用户，获取该用户的多个洗钱特征；

采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果；

根据所述识别结果确定该用户的洗钱类别。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过预先训练得到的模型，对用户的相关特征进行自动识别，实现对用户类型的分类，提高审理效率，当识别精准度达到一定程度时可以实现全自动的审理。此外，在审理结束后，还可以根据对洗钱用户的特征进行统计计算，从而获得与犯罪类型最相关的推荐特征，并添加至相应的模型特征库，进一步提高模型的预测准确度；通过采用同时维护多个不同时间段的模型进行加权识别，从而保证模型可以跟上实际情况的变化，使识别准确率能持续达到最优效果。

附图说明

图1为本说明书实施例所提供的反洗钱方法的流程示意图；

图2为深度神经网络进行分类识别的示意图；

图3为本说明书实施例所提供的执行流程逻辑示意图；

图4为本说明书实施例所提供的审核结果展示示意图；

图5为本说明书实施例所提供的反洗钱装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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。

在当前技术中，对用户进行反洗钱审理时，目前行业内还是以人工搜集信息和分析为主，审理效率非常低下。有些审理系统会针对用户的可疑信息和特征做聚合方便分析，甚至会做单独针对某种可疑类型(例如赌博、诈骗、传销等等)的识别模型，当用户符合该模式时辅助审理，但是覆盖面很低，而且人工维护成本非常大，在反洗钱领域中可能的可疑类型非常多，用人工一个个做模型覆盖非常不现实。

基于此，本说明书实施例提供一种反洗钱方案，通过预先训练得到的模型，对用户的相关特征进行自动识别，实现对用户类型的分类。

如图1所示，图1为本说明书实施例所提供的反洗钱方法的流程示意图，包括如下步骤：

S101，针对任一用户，获取该用户的多个洗钱特征。

这里所述的洗钱特征可以包括诸如交易金额、转入/转出次数、转账频率、交易对象的地点、包含有关键词汇(例如“汇兑”或者“换钱”等等)的次数等等。获取用户特征的方式，可以是通过接收人工输入参数的方式，也可以是采用模型可识别的格式的方式进行批量输入，效率更高。

S103，采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果。

所述的洗钱识别模型可以是诸如神经网络模型(Nerual Network)、支持向量机(Support Vector Machine，SVM)、随机森林等等模型，所述识别结果与采用的模型相关。例如，当采用深度神经网络模型进行识别时，其识别结果为一个概率表征用户类型的多维向量标签；当采用随机森林进行识别时，其识别结果为根据用户特征生成的决策树。换言之，所述预先训练得到的洗钱识别模型即为根据预设的算法、参数和样本训练得到的分类器，所述识别结果即为分类器根据该用户的洗钱特征生成的对应模型下的输出值。

S105，根据所述识别结果确定该用户的洗钱类别。

所述的洗钱类别包括是否洗钱以及洗钱的具体类型，例如该用户的洗钱方式是赌博还是传销等等。具体而言，即根据模型的输出值确定该用户的具体类型，在神经网络模型下，即为根据其输出的多维向量每一维的概率大小对该用户的洗钱类别进行确定。

通过上述方案，采用预先训练洗钱识别模型的方式，获取用户的洗钱特征之后，输入值该模型，即可得到对应的输出值，并且根据该输出值进行审理，极大的提高了审查效率。

在实际应用中，对于步骤S103中，预先训练得到的洗钱识别模型，可通过如下方式得到：

确定与洗钱行为相关的多个洗钱特征；获取已标注用户类别的用户样本，其中，所述用户样本至少包括一个所述洗钱特征；根据所述已标注的用户样本和所述洗钱特征，进行模型训练，生成所述洗钱识别模型。

换言之，在该部分训练模型的过程中，采用的方式为监督学习。在训练模型之前，需要收集相关的黑白标签样本(包括用户的洗钱类型或者用户无洗钱行为)以及相关的洗钱特征(即，确定哪些特征对判断最终的洗钱类型是有价值的)，从而建立起专门的标签库和洗钱特征库。进而根据标签库和特征库进行模型训练，当训练得到的洗钱识别模型的准确率或者精确率等评估指标达到预期时，即得到所述预先训练得到的洗钱识别模型。

在上述方案中，对于特征库中的相关洗钱特征而言，有些洗钱特征可能过于粗糙，而使得在该特征下失去统计意义。基于此，需要针对该特征进行进一步的处理，可采用如下方式：

针对任一已确定的洗钱特征，按照预设的规则，生成多个与所述洗钱特征相关的子特征；从而在该方式下进行模型训练时，需要根据子特征进行模型训练，即，根据所述已标注的所述用户样本、所述洗钱特征和所述子特征，进行模型训练，生成所述洗钱识别模型。

所述预设的规则包括对洗钱特征进行分箱或者对某几个特征合并处理。以特征分箱为例，若预先确定的洗钱特征包括“用户最近30天流入的金额”，这个洗钱特征在一定程度有参考意义，但是可能太过粗糙，分辨率不够，容易造成模型的过拟合。基于此，将该特征离散为多个子特征，分别包括：小于等于1万元、大于1万元且小于等于10万元、大于10万元且小于等于100万元、大于100万元以上且小于等于1000万元、大于1000万元这五段。每个用户一定会被分配到某一个段里，每个子特征是一个0或者1的二维变量，这样该用户在某段的特征值是1，而且其他段的特征值是0。例如，某用户30天内流入的金额为50万元，那么该用户在这个洗钱特征上对应的值为(0，0，1，0，0)。

此外，在进行特征分箱的时候也可以采用等频分箱的方式，等频分箱是对特征进行排序，按分位点的方式选取用户指定的N个分位点作为分箱边界，若相邻分位点相同则将两个分箱合并，因此分箱结果中有可能少于用户指定的分箱个数。例如，对于一批用户，统计出来用户的转账笔数特征4个分位点(20％，40％，60％，80％)为10笔，20笔，50笔，100笔，那么就按这4个点分成5段。即不再取用户本身的转账笔数，而是认为前20％用户的转账笔数为10，20％至40％的用户转账笔数为20等等，以此类推。

通过特征分箱获得多个子特征，将有特征相似的用户聚在一起，减少异常点的干扰，以及保证每个分段下的子特征具有统计意义，有效降低了洗钱识别模型的过拟合程度。

在对于黑白标签样本的处理过程中，由于不仅需要标注该样本是否属于洗钱用户，还需标注其属于哪种洗钱类别，从而在实际应用中，可以采取如下方式进行：在获取已标注用户类别的用户样本之后，根据所述用户类别，确定所述用户样本所对应的独热编码。

独热编码即One-Hot编码，又称一位有效编码。例如总共有3种类型的标签：地下钱庄、传销、不可疑。每个用户只会对应到其中一种，那么对应的那种类型就为1，其他为0。例如某个用户样本为地下钱庄，那么该用户的标签为(1，0，0)；如果是不可疑，那么标签为(0，0，1)。通过采取one-hot的方式进行样本标签向量化，可以有效的对多种类型的洗钱行为同时进行标注，以便模型可以在训练之后，对多种类型的洗钱行为同时进行识别分类，无需单独针对某种洗钱行为单独开发对应的识别模型。

作为一种具体的实施方式，当所采用的洗钱识别模型为深度神经网络模型DNN时，对于S103中的根据所述洗钱特征生成所述用户的识别结果，具体包括：采用所述深度神经网络，根据所述洗钱特征生成标签向量，其中，所述标签向量包括多个维度，每个维度对应一种洗钱类别；根据所述识别结果确定该用户的洗钱类别，包括：获取所述标签向量中各维度的概率值；确定概率值最大的维度对应的洗钱类别为所述用户的洗钱类别。

如图2所示，图2为深度神经网络进行分类识别的示意图，深度神经网络DNN模型一般包括多层，其第一层是特征输入层，最后一层是输出层，输出一个多维的标签向量，每个维度对应一种洗钱类别，在每个维度上通过概率值来表征每种类型类型的概率大小。需要说明的是，在DNN输出层中，每一个洗钱类别的概率是分开计算的，有时候某种用户在每个洗钱类别下的概率都比较低，可能加起来不到1。有时候用户的特征和好几个模式都像，在各个洗钱类别下的概率都接近1。

在本说明书的实施例中，可以根据预先设立的标签库和特征库，通过前向传播的方法建立基于交叉熵的损失函数，然后通过随机梯度下降法来逐步更新迭代深度网络里的每个权重值，经过多轮迭代后，最终达到最优值，从而训练实现一次模型建立。进而对于任一用户，只要输入这个用户的所有特征信息，即可以输出一个标签向量，取数值最大的那一维所对应的类型，作为这个用户的洗钱类别。

在实际应用中，随着洗钱和反洗钱双方的对抗升级，洗钱行为的方式也是在不断变化的，换言之，用户的洗钱特征和洗钱类别的对应关系是随着时间或者地点等因素有着紧密联系的。例如，随着时间推移，某些老式的洗钱手法被抛弃，此时则有可能导致某些特征会失效，审理人员需要加入新的特征。基于此，为保证模型的预测准确率能持续达到最优效果，可采用如下方式进行，采用多个预先训练得到的洗钱识别模型时，根据所述洗钱特征生成所述用户的洗钱类别，具体包括：

确定每个洗钱识别模型的权重；针对任一用户，每个洗钱识别模型根据所述用户的洗钱特征，生成该用户的识别结果；根据所述已确定的权重对各洗钱模型生成的识别结果进行加权，生成加权后的识别结果。

具体根据哪种因素进行多个模型的训练，可以根据实际情况进行确定。例如，若认为用户的洗钱行为是根据时间进行改变的，则可以选取不同时间段的初始样本，进行训练，得到多个模型，以对以后的待识别用户进行加权识别。若认为用户的洗钱行为是根据地点进行改变的，也可以选取不同地点的初始样本，分别训练多个模型进行加权识别。

对于时间因素而言，训练得到多个模型的方式如下：获取多个不同时间段上的用户样本；采用同样的算法和参数，根据所述不同时间段上的用户样本，训练生成多个洗钱识别模型。

例如，每隔一个月，从最新的标签库和特征库里取出带标签样本和特征，进行模型训练。为保持模型识别的稳定性，将多个模型的识别结果进行加权，来作为最终的预测值。例如，动态的维护一个包含三个模型的模型序列，分别是1月份模型、2月份模型和3月份模型，其权重分别是0.2、0.3和0.5，对于最终的预测结果，通过加权得到。在深度神经网络模型下，1月份的识别结果是标签向量A₁，2月份的模型预测值是A₂，3月份的模型预测值是A₃，那么最终的识别结果为A＝0.2*A₁+0.3*A₂+0.5*A₃，基于A再确定该用户的洗钱类别。如果4月份新训练一个模型，那么模型序列就是(2月份模型，3月份模型，4月份模型)，权重可以基于经验进行调整或者不予变化。

在确定了用户的洗钱类型并加入至标签库之后，还可以根据标签库中的数据进行推荐和这个犯罪类型最相关的洗钱特征，具体方法包括：获取已确定洗钱类别的用户所包含的洗钱特征；根据预设的信息价值(Information Value，IV)计算规则，获取每个洗钱特征的IV值；根据所述洗钱特征的IV值，确定待推荐的洗钱特征，以便根据所述待推荐的洗钱特征再次训练所述洗钱识别模型。

对于IV值的计算方式，当前技术中已经比较成熟，此处不再赘述。上述方案中，IV值表征了洗钱特征对洗钱类型的区分度的大小。

换言之，添加新的洗钱特征至特征库和训练洗钱识别模型是一个互相迭代的过程。如图3所示，图3为本说明书实施例所提供的执行流程逻辑示意图。特别在初始模型训练的过程中，通过从标签库或者历史数据中去计算和统计每个洗钱类型对应的特征的重要度，从而得到那些具有较高区分度的特征，并且可以根据具有较高区分度的特征确定一些待推荐的洗钱特征，添加至特征库中，以便再次训练，从而得到区分度更高的洗钱识别模型。上述待推荐的洗钱特征可以是那些具有较高IV值的洗钱特征本身，也可以是其他根据经验引申得到的相关特征。

作为一种具体的实施方式，在实际应用中，通过模型识别生成识别结果之后，还包括：根据所述用户的洗钱类别和待推荐的洗钱特征生成关于所述用户的审理信息；展示所述审理信息。即，还可以将结果展示出来，以便人工再次进行审核确认，以提高审核的准确率。例如，按照IV值大小进行排序，取IV值最大的topN特征为待推荐的特征进行展示。如图4所示，图4为本说明书实施例所提供的审核结果展示示意图。

本说明书实施例所提供的方案，通过预先训练得到的模型，对用户的相关特征进行自动识别，实现对用户类型的分类，提高审理效率，当识别精准度达到一定程度时可以实现全自动的审理。此外，在审理结束后，还可以根据对洗钱用户的特征进行统计计算，从而获得与犯罪类型最相关的推荐特征，并添加至相应的模型特征库，进一步提高模型的预测准确度；通过采用同时维护多个不同时间段的模型进行加权识别，从而保证模型可以跟上实际情况的变化，使识别准确率能持续达到最优效果。

基于同样的思路，本发明还提供一种反洗钱装置，如图5所示，图5为本说明书实施例所提供的反洗钱装置的结构示意图，包括：

获取模块501，针对任一用户，获取该用户的多个洗钱特征；

生成模块503，采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果；

确定模块505，根据所述识别结果确定该用户的洗钱类别。

进一步地，所述装置还包括模型训练模块507，确定与洗钱行为相关的多个洗钱特征；获取已标注用户类别的用户样本，其中，所述用户样本至少包括一个所述洗钱特征；根据所述已标注的用户样本和所述洗钱特征，进行模型训练，生成所述洗钱识别模型。

进一步地，所述确定模块501，针对任一已确定的洗钱特征，按照预设的规则，生成多个与所述洗钱特征相关的子特征；所述模型训练模块，根据所述已标注的用户样本、所述洗钱特征和所述子特征，进行模型训练，生成所述洗钱识别模型。

进一步地，所述装置还包括编码模块509，根据所述用户类别，确定所述用户样本所对应的独热编码。

进一步地，所述生成模块503，采用所述深度神经网络，根据所述洗钱特征生成标签向量，其中，所述标签向量包括多个维度，每个维度对应一种洗钱类别；所述确定模块，获取所述标签向量中各维度的概率值；确定概率值最大的维度对应的洗钱类别为所述用户的洗钱类别。

进一步地，所述生成模块503，确定每个洗钱识别模型的权重；针对任一用户，每个洗钱识别模型根据所述用户的洗钱特征，生成该用户的识别结果；根据所述已确定的权重对各洗钱模型生成的识别结果进行加权，生成加权后的识别结果。

进一步地，所述模型训练模块507，获取多个不同时间段上的用户样本；采用同一同样的算法和参数，根据所述不同时间段上的用户样本，训练生成多个洗钱识别模型。

进一步地，所述装置还包括特征推荐模块511，获取已确定洗钱类别的用户所包含的洗钱特征；根据预设的信息价值IV计算规则，获取每个洗钱特征的IV值；根据所述洗钱特征的IV值，确定待推荐的洗钱特征，以便根据所述待推荐的洗钱特征再次训练所述洗钱识别模型。

进一步地，所述装置还包括展示模块513，根据所述用户的洗钱类别、待推荐的洗钱特征生成关于所述用户的审理信息；展示所述审理信息。

对应的，本申请实施例还提供一种反洗钱设备，包括：

存储器，存储有反洗钱程序；

处理器，调用所述存储器中的反洗钱程序，并执行：

针对任一用户，获取该用户的多个洗钱特征；

采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果；

根据所述识别结果确定该用户的洗钱类别。

基于同样的发明思路，本申请实施例还提供了对应的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

针对任一用户，获取该用户的多个洗钱特征；

采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果；

根据所述识别结果确定该用户的洗钱类别。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和介质类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可，这里就不再一一赘述。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤或模块可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书的实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信编号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书中一个或多个的实施例可提供为方法、系统或计算机程序产品。因此，本说明书的实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的形式。而且，本说明书的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

Claims (19)

1.一种反洗钱方法，包括：

针对任一用户，获取该用户的多个洗钱特征；

采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果；

根据所述识别结果确定该用户的洗钱类别。

2.如权利要求1所述的方法，所述预先训练得到的洗钱识别模型，通过如下方式得到：

确定与洗钱行为相关的多个洗钱特征；

获取已标注洗钱类别的用户样本，其中，所述用户样本至少包括一个所述洗钱特征；

根据所述已标注的用户样本和所述洗钱特征，进行模型训练，生成所述洗钱识别模型。

3.如权利要求2所述的方法，所述确定与洗钱行为相关的多个洗钱特征，包括：

针对任一已确定的洗钱特征，按照预设的规则，生成多个与所述洗钱特征相关的子特征；

根据所述已标注的所述用户样本和所述洗钱特征，进行模型训练，生成所述洗钱识别模型，包括：

根据所述已标注的所述用户样本、所述洗钱特征和所述子特征，进行模型训练，生成所述洗钱识别模型。

4.如权利要求2所述的方法，在获取已标注用户类别的用户样本之后，还包括：

根据所述用户类别，确定所述用户样本所对应的独热编码。

5.如权利要求1所述的方法，当所述洗钱识别模型为深度神经网络模型时，所述根据所述洗钱特征生成所述用户的识别结果，包括：

采用所述深度神经网络，根据所述洗钱特征生成标签向量，其中，所述标签向量包括多个维度，每个维度对应一种洗钱类别；

根据所述识别结果确定该用户的洗钱类别，包括：

获取所述标签向量中各维度的概率值；

确定概率值最大的维度对应的洗钱类别为所述用户的洗钱类别。

6.如权利要求1所述的方法，当有多个预先训练得到的洗钱识别模型时，根据所述洗钱特征生成所述用户的洗钱类别，包括：

确定每个洗钱识别模型的权重；

针对任一用户，每个洗钱识别模型根据所述用户的洗钱特征，生成该用户的识别结果；

根据所述已确定的权重和各洗钱模型生成的识别结果，生成加权后的识别结果。

7.如权利要求6所述的方法，所述多个预先训练得到的洗钱识别模型，通过如下方式得到：

获取多个不同时间段上的用户样本；

采用同样的算法和参数，根据所述不同时间段上的用户样本，训练生成多个洗钱识别模型。

8.如权利要求1所述的方法，还包括：

获取已确定洗钱类别的用户所包含的洗钱特征；

根据预设的信息价值IV计算规则，获取对于所述洗钱类别每个洗钱特征的IV值；

根据所述洗钱特征的IV值，确定待推荐的洗钱特征，以便根据所述待推荐的洗钱特征再次训练所述洗钱识别模型。

9.如权利要求8所述的方法，还包括：

根据所述用户的洗钱类别和待推荐的洗钱特征生成关于所述用户的审理信息；

展示所述审理信息。

10.一种反洗钱装置，包括：

获取模块，针对任一用户，获取该用户的多个洗钱特征；

生成模块，采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果；

确定模块，根据所述识别结果确定该用户的洗钱类别。

11.如权利要求10所述的装置，还包括模型训练模块，确定与洗钱行为相关的多个洗钱特征；获取已标注用户类别的用户样本，其中，所述用户样本至少包括一个所述洗钱特征；根据所述已标注的用户样本和所述洗钱特征，进行模型训练，生成所述洗钱识别模型。

12.如权利要求11所述的装置，所述确定模块，针对任一已确定的洗钱特征，按照预设的规则，生成多个与所述洗钱特征相关的子特征；所述模型训练模块，根据所述已标注的用户样本、所述洗钱特征和所述子特征，进行模型训练，生成所述洗钱识别模型。

13.如权利要求11所述的装置，还包括编码模块，根据所述用户类别，确定所述用户样本所对应的独热编码。

14.如权利要求10所述的装置，所述生成模块，采用所述深度神经网络，根据所述洗钱特征生成标签向量，其中，所述标签向量包括多个维度，每个维度对应一种洗钱类别；所述确定模块，获取所述标签向量中各维度的概率值；确定概率值最大的维度对应的洗钱类别为所述用户的洗钱类别。

15.如权利要求10所述的装置，所述生成模块，确定每个洗钱识别模型的权重；针对任一用户，每个洗钱识别模型根据所述用户的洗钱特征，生成该用户的识别结果；根据所述已确定的权重和各洗钱模型生成的识别结果，生成加权后的识别结果。

16.如权利要求15所述的装置，所述模型训练模块，获取多个不同时间段上的用户样本；采用同一算法和参数，根据所述不同时间段上的用户样本，训练生成多个洗钱识别模型。

17.如权利要求10所述的装置，还包括特征推荐模块，获取已确定洗钱类别的用户所包含的洗钱特征；根据预设的信息价值IV计算规则，获取每个洗钱特征的IV值；根据所述洗钱特征的IV值，确定待推荐的洗钱特征，以便根据所述待推荐的洗钱特征再次训练所述洗钱识别模型。

18.如权利要求17所述的装置，还包括展示模块，根据所述用户的洗钱类别和待推荐的洗钱特征生成关于所述用户的审理信息；展示所述审理信息。

19.一种反洗钱设备，包括：

存储器，存储有反洗钱程序；

处理器，调用所述存储器中的反洗钱程序，并执行：

针对任一用户，获取该用户的多个洗钱特征；

采用预先训练得到的洗钱识别模型，根据所述洗钱特征生成所述用户的识别结果；

根据所述识别结果确定该用户的洗钱类别。