CN108717638A - 欺诈交易判断方法、装置、计算机设备和存储介质 - Google Patents
欺诈交易判断方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN108717638A CN108717638A CN201810479060.4A CN201810479060A CN108717638A CN 108717638 A CN108717638 A CN 108717638A CN 201810479060 A CN201810479060 A CN 201810479060A CN 108717638 A CN108717638 A CN 108717638A
- Authority
- CN
- China
- Prior art keywords
- transaction
- variable
- probability
- sample data
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims description 47
- 238000012795 verification Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 28
- 238000004140 cleaning Methods 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000009795 derivation Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005406 washing 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
Landscapes
- Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种欺诈交易判断方法、装置、计算机设备和存储介质。所述方法包括:获取当前交易;将当前交易输入交易反欺诈分析模型得到当前交易的交易欺诈概率;通过预存的欺诈交易识别规则对当前交易进行识别得到识别结果;根据当前交易的交易欺诈概率与识别结果判断当前交易是否为欺诈交易。采用本方法能够提高对实际交易中发生的欺诈交易的判断的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种欺诈交易判断方法、装置、计算机设备和存储介质。
背景技术
随着现代网络技术的发展,电子交易在生活中被越来越广泛地应用,随之而来也存在电子交易为欺诈交易的风险,如信息泄露或者交易违法等;因此需要在交易中对当前交易的交易数据进行欺诈分析,当根据交易数据分析出当前交易可能为欺诈交易时,则结束当前交易。
传统地,一般利用一些交易反欺诈实时评分模型对当前交易进行分析,如FICO(一种个人信用评级法,)、SAS(STATISTICAL ANALYSIS SYSTEM,数据分析系统,银行可通过部署SAS欺诈管理,进行反欺诈分析)、同盾的交易反欺诈模型等,但这些模型的通用性较差,对实际交易中发生的欺诈交易判断的准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高实际交易中发生的欺诈交易判断的准确率的欺诈交易判断方法、装置、计算机设备和存储介质。
一种欺诈交易判断方法,所述方法包括:
获取当前交易;
将所述当前交易输入交易反欺诈分析模型得到所述当前交易的交易欺诈概率;
通过预存的欺诈交易识别规则对所述当前交易进行识别得到识别结果;
根据所述当前交易的交易欺诈概率与所述识别结果判断所述当前交易是否为欺诈交易。
在其中一个实施例中,所述获取当前交易之前,还包括:
获取样本数据;
对所述样本数据进行清洗,并从清洗后的样本数据中选择训练变量;
通过随机森林算法模型从所述训练变量中选择入模变量以及所述入模变量对应的出模变量;
获取预设的初始神经网络模型;
根据所述入模变量与所述入模变量对应的出模变量对初始神经网络模型进行训练得到交易反欺诈分析模型。
在其中一个实施例中,所述对所述样本数据进行清洗,并从清洗后的样本数据中选择训练变量,包括:
获取内容为空的数据,并识别所述内容为空的数据对应的数据类型;
获取所述数据类型获取对应的替换逻辑,并根据所获取的替换逻辑将所述样本数据中的所述内容为空的数据进行替换;
获取替换后的所述样本数据中的非高相关性变量作为第一变量;
计算所述第一变量的信息价值;
选取所述信息价值高于预设值的所述第一变量作为训练变量。
在其中一个实施例中,所述对所述样本数据进行清洗,包括:
获取样本数据中的第二变量,并获取所述第二变量对应的业务规则;
根据所述业务规则从所述第二变量中选取业务作用的相似度大于预设值的第二变量,并从所业务作用相似度大于预设值的第二变量中选取其中一个作为清洗后的样本数据。
在其中一个实施例中,所述对所述样本数据进行清洗,包括:
获取所述样本数据中的第三变量;
检测所述第三变量的变量类型;
当所述变量类型为连续型,根据预设条件推理树获取递归分割算法,并根据所述递归分割算法对所述第三变量进行分段。
在其中一个实施例中,所述将所述当前交易输入交易反欺诈分析模型得到所述当前交易的交易欺诈概率之后,还包括:
根据以下公式将所述交易欺诈概率转换成交易欺诈评分:
Score=A-Blog(odds)
其中odds=p/(1-p),Score为交易欺诈评分,p为交易欺诈概率,A和B是预设常数;
所述根据所述当前交易的交易欺诈概率与所述识别结果判断所述当前交易是否为欺诈交易,包括:
根据所述当前交易的交易欺诈评分与所述识别结果判断所述当前交易是否为欺诈交易。
在其中一个实施例中,所述方法还包括:
获取验证交易;
将所述验证交易输入所述交易反欺诈分析模型得到验证欺诈概率;
获取所述验证交易对应的标准欺诈概率,计算所述验证欺诈概率与所述标准欺诈概率的差值;
当所述差值大于预设值时,根据所述标准欺诈概率纠正所述交易反欺诈分析模型。
一种欺诈交易判断装置,所述装置包括:
数据获取模块,用于获取当前交易;
概率分析模块,用于将所述当前交易输入交易反欺诈分析模型得到所述当前交易的交易欺诈概率;
规则识别模块,用于通过预存的欺诈交易识别规则对所述当前交易进行识别得到识别结果;
结果获取模块,用于根据所述当前交易的交易欺诈概率与所述识别结果判断所述当前交易是否为欺诈交易。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其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上述任一项所述的方法的步骤。
上述欺诈交易判断方法、装置、计算机设备和存储介质,将当前交易输入交易反欺诈分析模型,得到当前交易的交易欺诈概率,同时通过欺诈交易识别规则对当前交易进行识别,通过当前交易的交易欺诈概率与欺诈交易识别规则的识别结果两个方案的结合,判断当前交易是否为欺诈交易;上述欺诈交易判断方法,通过根据实际交易训练出的交易反欺诈分析模型与预存的欺诈交易识别规则结合起来对当前交易是否为欺诈交易进行判断,提高了对实际交易中发生的欺诈交易的判断的准确率。
附图说明
图1为一个实施例中欺诈交易判断方法的应用场景图;
图2为一个实施例中欺诈交易判断方法的流程示意图;
图3为一个实施例中模型训练步骤的流程示意图;
图4为一个实施例中图3中的步骤S304的流程示意图;
图5为一个实施例中欺诈交易判断装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的欺诈交易判断方法,可以应用于如图1所示的应用环境中。其中,终端与服务器通过网络进行通信。终端从服务器中获取当前交易,将当前交易输入交易反欺诈分析模型得到当前交易的交易欺诈概率,并通过欺诈交易识别规则对当前交易进行识别,通过当前交易的交易欺诈概率与欺诈交易识别规则的识别结果两个方案的结合,判断当前交易是否为欺诈交易。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种欺诈交易判断方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S202,获取当前交易。
当前交易是指需要判断其是否为欺诈交易的交易,如需要对多笔交易进行欺诈性判断,则分别将多笔交易按顺序作为当前交易进行后续操作;当前交易可以包括一笔交易的交易金额、时间、账户数据等信息。
具体地,终端从服务器获取需要判断是否为欺诈交易的当前交易,服务器可以是业务系统或其他交易系统,其中业务系统可以为交易网站或存储交易数据的数据库,其他交易系统可以是其他合作网站等。
S204,将当前交易输入交易反欺诈分析模型得到当前交易的交易欺诈概率。
其中,交易反欺诈分析模型是用于分析输入的当前交易的交易欺诈概率的模型;交易反欺诈分析模型可以是技术人员以历史交易数据作为样本数据训练得到的神经网络模型或规则模型。
交易欺诈概率是终端通过交易反欺诈分析模型对当前交易进行判断得到当前交易为欺诈交易的概率;交易欺诈概率可以以百分比的形式展示,也可以采用其他数学表示方法。
具体地,终端将获取到的当前交易输入到根据历史交易数据以及历史交易数据中的欺诈信息作为样本数据训练得到的交易反欺诈分析模型中,根据模型训练的规则得到当前交易为欺诈交易的概率。
S206,通过预存的欺诈交易识别规则对当前交易进行识别得到识别结果。
其中,欺诈交易识别规则是根据不同的交易特征制定的用于评判当前交易是否为欺诈交易的规则。欺诈交易识别规则可以包括基于高频交易的限额限次规则和基于历史风险交易特征提取的欺诈交易识别规则决策组合等;基于高频交易的限额限次规则即查看执行当前交易的账户在一段时间内的交易次数和交易金额,当该账户在短时间内进行多次大金额的交易,则该账户进行的交易为欺诈交易的可能性较高;基于历史风险交易特征提取的欺诈交易识别规则可以是基于执行当前交易的账户的历史交易信息制定的欺诈交易识别规则:如该账户的设备曾经使用该设备登录多个账户、或者执行当前交易的账户在注册之后的短时间内进行了多次大额交易等,都可以作为该当前交易为欺诈交易的评判标准。
具体地,终端将制定好欺诈交易识别规则预存在终端或服务器中,在接收到当前交易时,终端可以先调取此预存的欺诈交易识别规则对当前交易进行识别,判断当前交易是否存在欺诈风险。
S208,根据当前交易的交易欺诈概率与识别结果判断当前交易是否为欺诈交易。
具体地,当前交易通过步骤S204中的交易反欺诈分析模型得到的交易欺诈概率与步骤S206中通过预存的欺诈交易识别规则对当前交易的识别结果结合起来,判断当前交易是否为欺诈交易。
可选地,当前交易通过交易反欺诈分析模型得到的交易欺诈概率大于预设值时,则表示该当前交易很可能为欺诈交易;若通过预存的欺诈交易识别规则识别后也认为当前交易的账户信息或交易金额等数据较为可疑,则可以判断当前交易为欺诈交易。然后终端将当前交易交由验证部门进行核实,若核实结果确定当前交易为欺诈交易,可以对发起该交易的账户进行警告或者封锁等处理步骤。
若交易反欺诈分析模型和预存的欺诈交易识别规则对当前交易是否为风险交易的判断结果差异性较大时,则需要进一步对当前交易进行人工核查,并根据核查结果检查交易反欺诈分析模型和预存的欺诈交易识别规则判断结果差别较大的原因,从而纠正交易反欺诈分析模型或欺诈交易识别规则。
上述欺诈交易判断方法还可以是,先将当前交易输入欺诈交易识别规则中,再将欺诈交易识别规则对于当前交易的识别结果作为交易反欺诈分析模型对于当前交易判断的参考因素,能够使得交易反欺诈分析模型更全面地对当前交易进行分析。
上述实施例中,终端通过根据实际交易训练出的交易反欺诈分析模型与预存的欺诈交易识别规则结合起来对当前交易是否为欺诈交易进行判断,提高了对实际交易中发生的欺诈交易的判断的准确率。
在其中一个实施例中,请参见图3,上述欺诈交易判断方法中的步骤S202获取当前交易之前,还可以包括模型训练的步骤,该模型训练的步骤可以包括:
S302,获取样本数据。
其中,样本数据为用于训练交易反欺诈分析模型的交易数据,可以是与当前交易相关的历史数据,如当需要对今年的每一单交易数据进行欺诈性判断,则可以采用上一年度的交易数据为样本数据。
具体地,在训练交易反欺诈分析模型时,需要先获取用于训练的样本数据。可选地,样本数据可以包括正样本数据和负样本数据;正样本数据是正常交易数据,由于大部分交易为正常交易,所以可以对正样本数据进行随机抽样,抽取一段时间内的正常交易的数据;负样本数据是通过业务核查后,提取历史交易数据中发生欺诈的欺诈交易数据;其中,样本数据就可以包括交易数据、绑卡数据、开户数据等。
S304,对样本数据进行清洗,并从清洗后的样本数据中选择训练变量。
其中,训练变量是输入随机森林算法模型的变量,如交易金额、交易设备型号等变量。
具体地,对获取的样本数据进行清洗,按照预设的清洗规则筛出不满足需求的数据;例如,当苹果账户的样本数据与欺诈数据类型相似时,则剔除使用苹果账户进行支付的样本数据,以免影响模型的准确性。步骤S202中获取的样本数据为交易数据,每一笔交易可能包含多种变量,如交易金额、客户姓名、交易设备的IP号码、流水号等,而在训练交易反欺诈分析模型时只需要提取与交易欺诈判断相关的变量即可,此处终端提取与交易欺诈判断相关的变量需要先筛选出输入随机森林算法的训练变量。
可选地,可以通过R语言(一种计算机编译语言)中的cor函数(计算列与列之间的相关系数的函数),将样本数据中的多个变量剔除高相关性变量,对样本数据进行清洗。
S306,通过随机森林算法模型从训练变量中选择入模变量以及入模变量对应的出模变量。
其中,随机森林算法模型是用于从训练变量中选取入模变量的算法模型;随机森林是一个包含多个决策树的分类器;即用随机的方式建立一个森林,森林里面有很多的决策树组成,随机森林的每一棵决策树之间是没有关联的。在得到森林之后,当有一个新的输入数据进入的时候,就让森林中的每一棵决策树分别进行判断,通过多个决策树对输入数据进行分类。
入模变量是用于训练交易反欺诈分析模型的变量,是经过随机森林算法模型选择出的与交易欺诈判断相关的变量,如交易金额等。出模变量是与入模变量对应的变量,如入模变量为交易金额时,出模变量为交易金额大于10万元时,此交易为欺诈交易的概率为70%。
具体地,将训练变量输入随机森林算法模型,通过该算法中的多个决策树,分析每个训练变量对交易欺诈概率的判断结果的重要性,最终得到重要性大于预设值的训练变量作为入模变量以及和入模变量对应的用于计算交易欺诈概率的出模变量。
S308,获取预设的初始神经网络模型。
具体地,步骤S206中选取入模变量以及入模变量对应的出模变量之后,则可以获取预设的初始神经网络模型对其进行训练。
S310,根据入模变量与入模变量对应的出模变量对初始神经网络模型进行训练得到交易反欺诈分析模型。
具体地,根据步骤S306中得到的入模变量以及入模变量对应的出模变量对初始神经网络进行训练,得到能够计算输入的当前交易的交易欺诈概率的交易反欺诈分析模型。
上述实施例中,将获取的样本数据进行清洗等处理后,按照训练好的随机森林算法模型选择入模变量以及与其对应的出模变量,对初始神经网络模型进行训练,得到能够准确判断输入的当前交易的交易欺诈概率的交易反欺诈分析模型;由于样本数据为与当前交易相关的历史交易数据,对当前交易的交易欺诈概率的计算更准确。
在其中一个实施例中,上述欺诈交易判断方法中的步骤S304,即对样本数据进行清洗,并从清洗后的样本数据中选择训练变量的步骤,可以包括:
S402,获取内容为空的数据,并识别内容为空的数据对应的数据类型。
其中,内容空的数据可以是数据中的内容为NULL值的数据;数据类型是用于制定和获取对应替换逻辑的内容为空的数据的一个或多个类型,如离散型数据和连续型等。
具体地,获取样本数据后,为保证合理判定其中的内容为空的数据,避免出现数据遗漏的情况,需要判断样本数据中内容为空的数据是否无意义,而为对其进行判断,需要先识别内容为空的数据的数据类型,即识别出无意义的数据。
S404,获取数据类型获取对应的替换逻辑,并根据所获取的替换逻辑将样本数据中的内容为空的数据进行替换。
其中,替换逻辑是用于根据内容为空的数据的数据类型对其进行替换的逻辑规则,可以根据经验制定得到;如在R语言中离散变量中NULL值均由字符U替换,连续型变量(如数值等)中NULL值均由数值0做替换等;在制定替换逻辑后可将其存储在预设位置中,该存储制定的替换逻辑的预设位置可以称为逻辑库,使用时根据关键字等规则从逻辑库中调取。
具体地,根据样本数据的数据类型,从逻辑库获取对应的替换逻辑,对样本数据中的内容为空的数据按照该替换逻辑进行对应的替换操作。
可选地,终端将NULL值占比高于预设比例以上的无实际含义的字段作为是内容为空的字段,终端可以直接移除;其中的预设比例可根据经验设定,如30%等。
S406,获取替换后的样本数据中的非高相关性变量作为第一变量。
其中,第一变量是从替换后的样本数据中选取的非高相关性变量,如姓名等;非高相关性变量是从样本数据中将高相关性变量筛除后得到的变量,可以通过按照业务操作制定相应的规则对样本数据中的变量的相关性进行分析,确定样本数据中多个变量之间的相关性关系,如姓名和姓氏等变量,在业务操作中作用相同,则可能为是高相关性变量。
具体地,步骤S404中得到的替换后样本数据可能包括相关性较高的重复变量,,选取其中非高相关性变量,继续后面的操作。
S408,计算第一变量的信息价值。
其中,信息价值(IV,information value)是自变量对目标变量影响程度的指标;第一变量的信息价值越大,该变量对判断交易是否为欺诈交易的结果影响越大。将分组后的第一变量进行WOE(Weight of Evidence,证据权重)的转换,其转换公式为:
其中pyi是一组交易数据中欺诈交易与所有交易的比例,pni是一组交易数据中正常交易与所有交易的比例,#yi是这个组中欺诈交易的数量,#ni是这个组中正常交易的数量,#yT是所有交易数据中所有欺诈交易的数量,#nT是所有交易数据中所有正常交易的数量。
一组第一变量的信息价值可根据上述WOE计算公式得出:
IVi=(pyi-pni)*WOEi (2)
则第一变量的IV值为所有组别第一变量的信息价值的累加。
具体地,在步骤S306中获取第一变量后,需要判断第一变量中是否所有的变量都对欺诈交易的判断结果存在影响,若存在影响,则可以作为训练交易反欺诈分析模型的变量;若无影响,则可将其删除。可选地,可以通过引用R语言中的数据算法包来计算第一变量对应的信息价值。
S410,选取信息价值高于预设值的第一变量作为训练变量。
具体地,当第一变量的信息价值高于预设值时,则可以认为其对欺诈交易的判断结果存在影响,可以考虑将其作为训练交易反欺诈分析模型的入模变量。其中预设值可以通过大数据分析或者经验设置。
上述实施例中,通过对样本数据中内容为空的数据进行对应的替换操作,以及删除高相关性的变量并从中选取信息价值高于预设值的步骤,更为准确地为训练交易反欺诈分析模型选取入模变量,提高了模型训练的准确性和训练效率。
在其中一个实施例中,上述欺诈交易判断方法中的步骤S304对样本数据进行清洗,可以包括:获取样本数据中的第二变量,并获取第二变量对应的业务规则;根据业务规则从第二变量中选取业务作用的相似度大于预设值的第二变量,并从所业务作用相似度大于预设值的第二变量中选取其中一个作为清洗后的样本数据。
其中,第二变量是从样本数据中获取的用于进行相似度判断的变量;如交易金额等。
业务规则是用于计算多个变量之间相似度的设定好的规则;如当需要计算的变量为身份证号码、交易金额和出生年月时,可设定身份证号和出生年月的相似度为90%,身份证号码和交易金额的相似度为0%;业务规则设定好后可以存储在规则库中,根据关键字进行调用。
具体地,从样本数据中获取用于进行相似度判断的第二变量;且从设定好规则库中调用与第二变量相关的业务规则,根据业务规则计算第二变量之间的相似度,当两个或多个第二变量之间的相似度高于预设值时,则可以认为这些第二变量在业务活动中的作用相似,只保留一个进行后续的操作即可。
上述实施例中,根据业务规则对样本数据中的变量进行相似度计算,多个相似度较高的变量仅保留一个,减少在交易反欺诈分析模型训练和实际应用时时的数据计算,提高了模型训练和应用的效率。
在其中一个实施例中,上述欺诈交易判断方法中的步骤S304对样本数据进行清洗,可以包括:获取样本数据中的第三变量;检测第三变量的变量类型;当变量类型为连续型,根据预设条件推理树获取递归分割算法,并根据递归分割算法对第三变量进行分段。
其中,第三变量是从样本数据中获取的,用于检测变量类型的变量;如交易金额等。
条件推理树(conditional inference trees,Ctree)是一种基于树的分类算法,如R语言中的plot、text函数等。
递归(Recursion)指在函数的定义中使用函数自身的方法;而递归分割算法是基于递归算法对输入的变量进行多次分割的机器算法;即通过多次调用递归分割算法将第三变量分割为离散型变量,如交易金额为0~100万不等,通过递归分割算法将其分割为0至5万一段、5至10万一段的变量表示方法。
具体地,从样本数据中获取用于检测变量类型的第三变量;当检测到第三变量的变量类型为连续型时,根据预设条件推理树获取对第三变量进行分段的递归分割算法,然后根据递归分割算法对第三变量进行分段处理,得到便于训练初始神经网络模型的变量形式。
上述实施例中,通过将样本数据中的连续型变量进行分段,使得样本数据中的变量更符合模型训练的表示形式,便于训练初始神经网络模型。
在其中一个实施例中,上述欺诈交易判断方法中的步骤S204将当前交易输入交易反欺诈分析模型得到当前交易的交易欺诈概率之后,还可以包括:根据以下公式将交易欺诈概率转换成交易欺诈评分:Score=A-Blog(odds);其中odds=p/(1-p),Score为交易欺诈评分,p为交易欺诈概率,A和B是预设常数;根据当前交易的交易欺诈概率与识别结果判断当前交易是否为欺诈交易,包括:根据当前交易的交易欺诈评分与识别结果判断当前交易是否为欺诈交易。
具体地,为将交易反欺诈分析模型对当前交易是否为欺诈交易的分析结果更直观地展现给技术人员,可以将其转换成交易欺诈评分,其转换公式为Score=A-Blog(odds),其中odds=p/(1-p);Score为交易欺诈评分,p为交易欺诈概率,A和B是预设常数,可以根据经验获得;评分可直观体现欺诈风险,高分值代表低风险,低分值代表高风险。
上述实施例中,通过将当前交易的交易欺诈概率根据入模变量获取该变量对应的欺诈平分,使得交易反欺诈分析模型的结果更加便于分析和查看。
在其中一个实施例中,上述欺诈交易判断方法还可以包括:获取验证交易,将验证交易输入交易反欺诈分析模型得到验证欺诈概率;获取验证交易对应的标准欺诈概率,计算验证欺诈概率与标准欺诈概率的差值;获取验证交易对应的标准欺诈概率,计算验证欺诈概率与标准欺诈概率的差值;当差值大于预设值时,根据标准欺诈概率纠正交易反欺诈分析模型。
其中,验证交易是用于对交易反欺诈分析模型进行验证的交易数据;如交易反欺诈分析模型是以上一年度的交易为样本数据训练的,则可以用本年度一月份的交易或从中随机抽样的交易为验证交易。
验证欺诈概率是通过交易反欺诈分析模型对验证交易进行判断后,得到验证交易为欺诈交易的概率;验证欺诈概率与交易欺诈概率形式一致,可以以百分比的形式展示,也可以采用其他数学表示方法。
标准欺诈概率是验证交易实际为欺诈交易的概率;其与验证欺诈概率形式一致,可以以百分比的形式展示,也可以采用其他数学表示方法。
具体地,从存储验证交易的地址读取验证交易,将获取到的验证交易输入到根据历史交易数据以及历史交易数据中的欺诈信息作为样本数据训练得到的神经网络模型或规则模型中,根据模型训练的规则,得到验证交易为验证交易的概率;然后获取到验证交易实际为欺诈交易的标准欺诈概率,将标准欺诈概率与验证欺诈概率相比较,当二者差值较小时,则证明此交易反欺诈分析模型准确性较高;当二者差值较大,则该交易反欺诈分析模型可能存在错误,根据标准欺诈概率对其纠正。
可选地,可以通过分层抽样方法、随机抽样方法分别将历史交易数据分段,如2-8分段,80%数据作为样本数据对交易反欺诈分析模型进行模型训练,20%的数据作为验证交易对交易反欺诈分析模型进行验证。或者,将所有的历史交易数据作为样本数据,如对上年度抽样后的交易数据,取样本数据日期之后的交易数据,如本年度一月份的交易数据,作为验证交易对交易反欺诈分析模型进行验证
上述实施例中,通过交易反欺诈分析模型的验证步骤能够保证模型对当前交易的欺诈概率判断的准确性。
应该理解的是,虽然图2至图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至图4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种欺诈交易判断装置,包括:数据获取模块100、概率分析模块200、规则识别模块300和结果获取模块400,其中:
数据获取模块100,用于获取当前交易。
概率分析模块200,用于将当前交易输入交易反欺诈分析模型得到当前交易的交易欺诈概率。
规则识别模块300,用于通过预存的欺诈交易识别规则对当前交易进行识别得到识别结果。
结果获取模块400,用于根据当前交易的交易欺诈概率与识别结果判断当前交易是否为欺诈交易。
在一个实施例中,上述欺诈交易判断装置还可以包括:
样本获取模块,用于获取样本数据。
清洗模块,用于对样本数据进行清洗,并从清洗后的样本数据中选择训练变量。
变量选择模块,用于通过随机森林算法模型从训练变量中选择入模变量以及入模变量对应的出模变量。
初始模型获取模块,用于获取预设的初始神经网络模型。
模型训练模块,用于根据入模变量与入模变量对应的出模变量对初始神经网络模型进行训练得到交易反欺诈分析模型。
在一个实施例中,上述欺诈交易判断装置中的清洗模块可以包括:
空数据获取单元,用于获取内容为空的数据,并识别内容为空的数据对应的数据类型。
替换单元,用于获取数据类型获取对应的替换逻辑,并根据所获取的替换逻辑将样本数据中的内容为空的数据进行替换。
相关性分析单元,用于获取替换后的样本数据中的非高相关性变量作为第一变量。
价值计算单元,用于计算第一变量的信息价值。
训练变量选取单元,用于选取信息价值高于预设值的第一变量作为训练变量。
在一个实施例中,上述欺诈交易判断装置中的清洗模块可以包括:
业务规则获取单元,用于获取样本数据中的第二变量,并获取第二变量对应的业务规则。
变量相似度分析单元,用于根据业务规则从第二变量中选取业务作用的相似度大于预设值的第二变量,并从所业务作用相似度大于预设值的第二变量中选取其中一个作为清洗后的样本数据。
在一个实施例中,上述欺诈交易判断装置中的清洗模块可以包括:
样本变量获取单元,用于获取样本数据中的第三变量。
变量类型识别单元,用于检测第三变量的变量类型。
连续型变量分割单元,用于当变量类型为连续型,根据预设条件推理树获取递归分割算法,并根据递归分割算法对第三变量进行分段。
在一个实施例中,上述欺诈交易判断装置还可以包括:
评分转化模块,用于根据以下公式将交易欺诈概率转换成交易欺诈评分:
Score=A-Blog(odds)
其中odds=p/(1-p),Score为交易欺诈评分,p为交易欺诈概率,A和B是预设常数。
则结果获取模块400,可以用于:根据当前交易的交易欺诈评分与识别结果判断当前交易是否为欺诈交易。
在一个实施例中,上述欺诈交易判断装置还可以包括:
验证交易获取模块,用于获取验证交易。
验证欺诈概率获取模块,用于将验证交易输入交易反欺诈分析模型得到验证欺诈概率。
差值计算模块,用于获取验证交易对应的标准欺诈概率,计算验证欺诈概率与标准欺诈概率的差值。
纠正模块,用于当差值大于预设值时,根据标准欺诈概率纠正交易反欺诈分析模型。
关于欺诈交易判断装置的具体限定可以参见上文中对于欺诈交易判断方法的限定,在此不再赘述。上述欺诈交易判断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种欺诈交易判断方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取当前交易;将当前交易输入交易反欺诈分析模型得到当前交易的交易欺诈概率;通过预存的欺诈交易识别规则对当前交易进行识别得到识别结果;根据当前交易的交易欺诈概率与识别结果判断当前交易是否为欺诈交易。
在一个实施例中,处理器执行计算机程序时实现的获取当前交易之前,还可以包括:获取样本数据;对样本数据进行清洗,并从清洗后的样本数据中选择训练变量;通过随机森林算法模型从训练变量中选择入模变量以及入模变量对应的出模变量;获取预设的初始神经网络模型;根据入模变量与入模变量对应的出模变量对初始神经网络模型进行训练得到交易反欺诈分析模型。
在一个实施例中,处理器执行计算机程序时实现的对样本数据进行清洗,并从清洗后的样本数据中选择训练变量,可以包括:获取内容为空的数据,并识别内容为空的数据对应的数据类型;获取数据类型获取对应的替换逻辑,并根据所获取的替换逻辑将样本数据中的内容为空的数据进行替换;获取替换后的样本数据中的非高相关性变量作为第一变量;计算第一变量的信息价值;选取信息价值高于预设值的第一变量作为训练变量。
在一个实施例中,处理器执行计算机程序时实现的对样本数据进行清洗,可以包括:获取样本数据中的第二变量,并获取第二变量对应的业务规则;根据业务规则从第二变量中选取业务作用的相似度大于预设值的第二变量,并从所业务作用相似度大于预设值的第二变量中选取其中一个作为清洗后的样本数据。
在一个实施例中,处理器执行计算机程序时实现的对样本数据进行清洗,可以包括:获取样本数据中的第三变量;检测第三变量的变量类型;当变量类型为连续型,根据预设条件推理树获取递归分割算法,并根据递归分割算法对第三变量进行分段。
在一个实施例中,处理器执行计算机程序时实现的将当前交易输入交易反欺诈分析模型得到当前交易的交易欺诈概率之后,还可以包括:根据以下公式将交易欺诈概率转换成交易欺诈评分:Score=A-Blog(odds);其中odds=p/(1-p),Score为交易欺诈评分,p为交易欺诈概率,A和B是预设常数;根据当前交易的交易欺诈概率与识别结果判断当前交易是否为欺诈交易,可以包括:根据当前交易的交易欺诈评分与识别结果判断当前交易是否为欺诈交易。
在一个实施例中,该处理器执行计算机程序时还可以实现以下步骤:获取验证交易;将验证交易输入交易反欺诈分析模型得到验证欺诈概率;获取验证交易对应的标准欺诈概率,计算验证欺诈概率与标准欺诈概率的差值;当差值大于预设值时,根据标准欺诈概率纠正交易反欺诈分析模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取当前交易;将当前交易输入交易反欺诈分析模型得到当前交易的交易欺诈概率;通过预存的欺诈交易识别规则对当前交易进行识别得到识别结果;根据当前交易的交易欺诈概率与识别结果判断当前交易是否为欺诈交易。
在一个实施例中,计算机程序被处理器执行时实现的获取当前交易之前,还可以包括:获取样本数据;对样本数据进行清洗,并从清洗后的样本数据中选择训练变量;通过随机森林算法模型从训练变量中选择入模变量以及入模变量对应的出模变量;获取预设的初始神经网络模型;根据入模变量与入模变量对应的出模变量对初始神经网络模型进行训练得到交易反欺诈分析模型。
在一个实施例中,计算机程序被处理器执行时实现的对样本数据进行清洗,并从清洗后的样本数据中选择训练变量,可以包括:获取内容为空的数据,并识别内容为空的数据对应的数据类型;获取数据类型获取对应的替换逻辑,并根据所获取的替换逻辑将样本数据中的内容为空的数据进行替换;获取替换后的样本数据中的非高相关性变量作为第一变量;计算第一变量的信息价值;选取信息价值高于预设值的第一变量作为训练变量。
在一个实施例中,计算机程序被处理器执行时实现的对样本数据进行清洗,可以包括:获取样本数据中的第二变量,并获取第二变量对应的业务规则;根据业务规则从第二变量中选取业务作用的相似度大于预设值的第二变量,并从所业务作用相似度大于预设值的第二变量中选取其中一个作为清洗后的样本数据。
在一个实施例中,计算机程序被处理器执行时实现的对样本数据进行清洗,可以包括:获取样本数据中的第三变量;检测第三变量的变量类型;当变量类型为连续型,根据预设条件推理树获取递归分割算法,并根据递归分割算法对第三变量进行分段。
在一个实施例中,计算机程序被处理器执行时实现的将当前交易输入交易反欺诈分析模型得到当前交易的交易欺诈概率之后,还可以包括:根据以下公式将交易欺诈概率转换成交易欺诈评分:Score=A-Blog(odds);其中odds=p/(1-p),Score为交易欺诈评分,p为交易欺诈概率,A和B是预设常数;根据当前交易的交易欺诈概率与识别结果判断当前交易是否为欺诈交易,可以包括:根据当前交易的交易欺诈评分与识别结果判断当前交易是否为欺诈交易。
在一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取验证交易;将验证交易输入交易反欺诈分析模型得到验证欺诈概率;获取验证交易对应的标准欺诈概率,计算验证欺诈概率与标准欺诈概率的差值;当差值大于预设值时,根据标准欺诈概率纠正交易反欺诈分析模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种欺诈交易判断方法,所述方法包括:
获取当前交易;
将所述当前交易输入交易反欺诈分析模型得到所述当前交易的交易欺诈概率;
通过预存的欺诈交易识别规则对所述当前交易进行识别得到识别结果;
根据所述当前交易的交易欺诈概率与所述识别结果判断所述当前交易是否为欺诈交易。
2.根据权利要求1所述的方法,其特征在于,所述获取当前交易之前,还包括:
获取样本数据;
对所述样本数据进行清洗,并从清洗后的样本数据中选择训练变量;
通过随机森林算法模型从所述训练变量中选择入模变量以及所述入模变量对应的出模变量;
获取预设的初始神经网络模型;
根据所述入模变量与所述入模变量对应的出模变量对初始神经网络模型进行训练得到交易反欺诈分析模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述样本数据进行清洗,并从清洗后的样本数据中选择训练变量,包括:
获取内容为空的数据,并识别所述内容为空的数据对应的数据类型;
获取所述数据类型获取对应的替换逻辑,并根据所获取的替换逻辑将所述样本数据中的所述内容为空的数据进行替换;
获取替换后的所述样本数据中的非高相关性变量作为第一变量;
计算所述第一变量的信息价值;
选取所述信息价值高于预设值的所述第一变量作为训练变量。
4.根据权利要求2所述的方法,其特征在于,所述对所述样本数据进行清洗,包括:
获取样本数据中的第二变量,并获取所述第二变量对应的业务规则;
根据所述业务规则从所述第二变量中选取业务作用的相似度大于预设值的第二变量,并从所业务作用相似度大于预设值的第二变量中选取其中一个作为清洗后的样本数据。
5.根据权利要求2所述的方法,其特征在于,所述对所述样本数据进行清洗,包括:
获取所述样本数据中的第三变量;
检测所述第三变量的变量类型;
当所述变量类型为连续型,根据预设条件推理树获取递归分割算法,并根据所述递归分割算法对所述第三变量进行分段。
6.根据权利要求1所述的方法,其特征在于,所述将所述当前交易输入交易反欺诈分析模型得到所述当前交易的交易欺诈概率之后,还包括:
根据以下公式将所述交易欺诈概率转换成交易欺诈评分:
Score=A-Blog(odds)
其中odds=p/(1-p),Score为交易欺诈评分,p为交易欺诈概率,A和B是预设常数;
所述根据所述当前交易的交易欺诈概率与所述识别结果判断所述当前交易是否为欺诈交易,包括:
根据所述当前交易的交易欺诈评分与所述识别结果判断所述当前交易是否为欺诈交易。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取验证交易;
将所述验证交易输入所述交易反欺诈分析模型得到验证欺诈概率;
获取所述验证交易对应的标准欺诈概率,计算所述验证欺诈概率与所述标准欺诈概率的差值;
当所述差值大于预设值时,根据所述标准欺诈概率纠正所述交易反欺诈分析模型。
8.一种欺诈交易判断装置,其特征在于,所述装置包括:
数据获取模块,用于获取当前交易;
概率分析模块,用于将所述当前交易输入交易反欺诈分析模型得到所述当前交易的交易欺诈概率;
规则识别模块,用于通过预存的欺诈交易识别规则对所述当前交易进行识别得到识别结果;
结果获取模块,用于根据所述当前交易的交易欺诈概率与所述识别结果判断所述当前交易是否为欺诈交易。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810479060.4A CN108717638A (zh) | 2018-05-18 | 2018-05-18 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
PCT/CN2019/070159 WO2019218699A1 (zh) | 2018-05-18 | 2019-01-03 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810479060.4A CN108717638A (zh) | 2018-05-18 | 2018-05-18 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108717638A true CN108717638A (zh) | 2018-10-30 |
Family
ID=63900035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810479060.4A Pending CN108717638A (zh) | 2018-05-18 | 2018-05-18 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108717638A (zh) |
WO (1) | WO2019218699A1 (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544014A (zh) * | 2018-11-26 | 2019-03-29 | 北京国舜科技股份有限公司 | 基于历史数据回放的反欺诈方法及装置 |
CN109544163A (zh) * | 2018-11-30 | 2019-03-29 | 华青融天(北京)软件股份有限公司 | 一种用户支付行为的风险控制方法、装置、设备及介质 |
CN109767322A (zh) * | 2018-12-20 | 2019-05-17 | 平安科技(深圳)有限公司 | 基于大数据的可疑交易分析方法、装置和计算机设备 |
CN109784662A (zh) * | 2018-12-19 | 2019-05-21 | 深圳平安综合金融服务有限公司 | 交易数据处理方法、装置、计算机设备和存储介质 |
CN109816390A (zh) * | 2019-01-03 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于交易数据的反欺诈分析处理方法、装置和计算机设备 |
CN110363534A (zh) * | 2019-06-28 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 用于识别异常交易的方法及装置 |
CN110378699A (zh) * | 2019-07-25 | 2019-10-25 | 中国工商银行股份有限公司 | 一种交易反欺诈方法、装置及系统 |
CN110458571A (zh) * | 2019-07-05 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 一种信息泄露的风险识别方法、装置及设备 |
WO2019218699A1 (zh) * | 2018-05-18 | 2019-11-21 | 深圳壹账通智能科技有限公司 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
CN111161054A (zh) * | 2020-01-02 | 2020-05-15 | 中国银行股份有限公司 | 作业风险监测方法及系统 |
CN111325550A (zh) * | 2018-12-13 | 2020-06-23 | 中国移动通信集团广东有限公司 | 一种欺诈交易行为识别方法和装置 |
WO2020162831A1 (en) * | 2019-02-06 | 2020-08-13 | Pccw Vuclip (Singapore) Pte. Ltd | Apparatus and method for fraud detection |
CN111798244A (zh) * | 2020-06-30 | 2020-10-20 | 中国工商银行股份有限公司 | 交易欺诈行为监测方法及装置 |
CN112116358A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 一种交易欺诈行为的预测方法、装置及电子设备 |
CN112348519A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 一种欺诈用户识别方法、装置和电子设备 |
CN113506109A (zh) * | 2021-07-27 | 2021-10-15 | 中国工商银行股份有限公司 | 欺诈交易识别方法及装置 |
CN113627566A (zh) * | 2021-08-23 | 2021-11-09 | 上海淇玥信息技术有限公司 | 一种网络诈骗的预警方法、装置和计算机设备 |
CN113744054A (zh) * | 2021-09-02 | 2021-12-03 | 上海浦东发展银行股份有限公司 | 一种反欺诈方法、装置和设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111277433B (zh) * | 2020-01-15 | 2021-02-12 | 同济大学 | 基于属性网络表征学习的网络服务异常检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140244528A1 (en) * | 2013-02-22 | 2014-08-28 | Palo Alto Research Center Incorporated | Method and apparatus for combining multi-dimensional fraud measurements for anomaly detection |
CN106447333A (zh) * | 2016-11-29 | 2017-02-22 | 中国银联股份有限公司 | 一种欺诈交易侦测方法及服务器 |
CN107679862A (zh) * | 2017-09-08 | 2018-02-09 | 中国银联股份有限公司 | 一种欺诈交易模型的特征值确定方法及装置 |
CN107993139A (zh) * | 2017-11-15 | 2018-05-04 | 华融融通(北京)科技有限公司 | 一种基于动态规则库的消费金融反欺诈系统与方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005901A (zh) * | 2015-07-09 | 2015-10-28 | 厦门快商通信息技术有限公司 | 一种面向金融领域的交易欺诈检测系统与方法 |
CN108717638A (zh) * | 2018-05-18 | 2018-10-30 | 深圳壹账通智能科技有限公司 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
-
2018
- 2018-05-18 CN CN201810479060.4A patent/CN108717638A/zh active Pending
-
2019
- 2019-01-03 WO PCT/CN2019/070159 patent/WO2019218699A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140244528A1 (en) * | 2013-02-22 | 2014-08-28 | Palo Alto Research Center Incorporated | Method and apparatus for combining multi-dimensional fraud measurements for anomaly detection |
CN106447333A (zh) * | 2016-11-29 | 2017-02-22 | 中国银联股份有限公司 | 一种欺诈交易侦测方法及服务器 |
CN107679862A (zh) * | 2017-09-08 | 2018-02-09 | 中国银联股份有限公司 | 一种欺诈交易模型的特征值确定方法及装置 |
CN107993139A (zh) * | 2017-11-15 | 2018-05-04 | 华融融通(北京)科技有限公司 | 一种基于动态规则库的消费金融反欺诈系统与方法 |
Non-Patent Citations (1)
Title |
---|
本书编写组: "《征信理论与实务》" * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019218699A1 (zh) * | 2018-05-18 | 2019-11-21 | 深圳壹账通智能科技有限公司 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
CN109544014A (zh) * | 2018-11-26 | 2019-03-29 | 北京国舜科技股份有限公司 | 基于历史数据回放的反欺诈方法及装置 |
CN109544163A (zh) * | 2018-11-30 | 2019-03-29 | 华青融天(北京)软件股份有限公司 | 一种用户支付行为的风险控制方法、装置、设备及介质 |
CN111325550A (zh) * | 2018-12-13 | 2020-06-23 | 中国移动通信集团广东有限公司 | 一种欺诈交易行为识别方法和装置 |
CN109784662A (zh) * | 2018-12-19 | 2019-05-21 | 深圳平安综合金融服务有限公司 | 交易数据处理方法、装置、计算机设备和存储介质 |
CN109767322A (zh) * | 2018-12-20 | 2019-05-17 | 平安科技(深圳)有限公司 | 基于大数据的可疑交易分析方法、装置和计算机设备 |
CN109767322B (zh) * | 2018-12-20 | 2024-02-27 | 平安科技(深圳)有限公司 | 基于大数据的可疑交易分析方法、装置和计算机设备 |
CN109816390A (zh) * | 2019-01-03 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于交易数据的反欺诈分析处理方法、装置和计算机设备 |
WO2020162831A1 (en) * | 2019-02-06 | 2020-08-13 | Pccw Vuclip (Singapore) Pte. Ltd | Apparatus and method for fraud detection |
CN110363534A (zh) * | 2019-06-28 | 2019-10-22 | 阿里巴巴集团控股有限公司 | 用于识别异常交易的方法及装置 |
CN110363534B (zh) * | 2019-06-28 | 2023-11-17 | 创新先进技术有限公司 | 用于识别异常交易的方法及装置 |
CN110458571A (zh) * | 2019-07-05 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 一种信息泄露的风险识别方法、装置及设备 |
CN110378699A (zh) * | 2019-07-25 | 2019-10-25 | 中国工商银行股份有限公司 | 一种交易反欺诈方法、装置及系统 |
CN111161054A (zh) * | 2020-01-02 | 2020-05-15 | 中国银行股份有限公司 | 作业风险监测方法及系统 |
CN111798244A (zh) * | 2020-06-30 | 2020-10-20 | 中国工商银行股份有限公司 | 交易欺诈行为监测方法及装置 |
CN111798244B (zh) * | 2020-06-30 | 2023-08-25 | 中国工商银行股份有限公司 | 交易欺诈行为监测方法及装置 |
CN112116358A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 一种交易欺诈行为的预测方法、装置及电子设备 |
CN112348519A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 一种欺诈用户识别方法、装置和电子设备 |
CN113506109A (zh) * | 2021-07-27 | 2021-10-15 | 中国工商银行股份有限公司 | 欺诈交易识别方法及装置 |
CN113627566A (zh) * | 2021-08-23 | 2021-11-09 | 上海淇玥信息技术有限公司 | 一种网络诈骗的预警方法、装置和计算机设备 |
CN113744054A (zh) * | 2021-09-02 | 2021-12-03 | 上海浦东发展银行股份有限公司 | 一种反欺诈方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2019218699A1 (zh) | 2019-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717638A (zh) | 欺诈交易判断方法、装置、计算机设备和存储介质 | |
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109829776B (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
KR101828503B1 (ko) | 앙상블 모델 생성 장치 및 방법 | |
CN110489520A (zh) | 基于知识图谱的事件处理方法、装置、设备和存储介质 | |
CN106506454B (zh) | 欺诈业务识别方法及装置 | |
CN109740869A (zh) | 数据审核方法、装置、计算机设备和存储介质 | |
CN110490720A (zh) | 财务数据分析预警方法、装置、计算机设备和存储介质 | |
CN109409641A (zh) | 风险评价方法、装置、计算机设备和存储介质 | |
CN108564386A (zh) | 商户识别方法及装置、计算机设备及存储介质 | |
EP2689384A1 (en) | An automated fraud detection method and system | |
CN111461216A (zh) | 一种基于机器学习的案件风险识别方法 | |
US20210304204A1 (en) | Machine learning model and narrative generator for prohibited transaction detection and compliance | |
CN109615280A (zh) | 员工数据处理方法、装置、计算机设备和存储介质 | |
US20190392295A1 (en) | Information processing device, method, and program that use deep learning | |
CN110442713A (zh) | 文章管理方法、装置、计算机设备和存储介质 | |
CN108959507A (zh) | 合同审阅方法及设备、计算机可读存储介质 | |
CN110728570B (zh) | 反诈资金分析方法 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN110991650A (zh) | 训练养卡识别模型、识别养卡行为的方法及装置 | |
CN112581271B (zh) | 一种商户交易风险监测方法、装置、设备及存储介质 | |
Singh et al. | Fraud detection techniques for credit card transactions | |
Anderies et al. | Telekom-net: The embedded bi-lstm and expert knowledge model for stock forecasting and suggestion | |
CN106022915A (zh) | 企业信用风险评估方法和装置 | |
CN113592505B (zh) | 基于组合构建实现可疑交易场景模型识别处理的系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1258032 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181030 |
|
WD01 | Invention patent application deemed withdrawn after publication |