CN108805391A - 确定高风险用户的方法及装置 - Google Patents

Abstract

本说明书实施例提供一种确定高风险用户的方法和装置，根据该方法，首先基于异常规则集合，确定出高风险的业务请求事件，以及对应的具有高风险的第一用户，然后基于人群关系图谱进行风险扩散，将图谱中与第一用户存在特定关联关系的第二用户也作为高风险用户，添加到高风险用户集中。进一步地，可以基于高风险用户集，更新异常规则集合。如此可以更高效地识别出高风险用户。

Description

确定高风险用户的方法及装置

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及通过计算机确定高风险用户的方法和装置。

背景技术

随着计算机和互联网技术的发展，越来越多的业务通过计算平台来实现，例如商品交易、钱款支付、金融借贷、保险理赔等等。然而，在许多业务的执行和处理中，如果不对业务请求人的背景，以及所请求的业务进行审核，就很可能带来较大风险，例如一些不法分子可能利用电子平台，实施金融诈骗，借贷套现、保险骗保等等。

常规技术中，为了防止和降低上述风险，往往通过人工进行风险审核。在有些平台中，也会设置一些简单的规则，辅助人工进行判断。然而，这样的方式效率很低，难以满足业务快速发展的需要；并且，识别高风险用户和高风险事件的准确性有赖于人工审核的业务员的自身经验，准确度难以得到保证，常常出现遗漏。

因此，希望能有改进的方案，通过高效地识别和确定高风险用户，降低业务风险。

发明内容

本说明书一个或多个实施例描述了一种方法和装置，可以基于人群关系图谱，将确定的高风险用户进行扩散，从而更加高效而准确地识别出高风险用户。

根据第一方面，提供了一种确定高风险用户的方法，包括：

获取待评估的业务请求事件的事件信息，所述事件信息包括，所述业务请求事件所涉及的第一用户的用户信息；

至少基于异常规则集合和所述第一用户的用户信息，判断所述业务请求事件是否为高风险事件；

在确定所述业务请求事件为高风险事件的情况下，基于人群关系图谱，确定与所述第一用户存在特定关联关系的第二用户，将所述第一用户和所述第二用户添加到高风险用户集；

基于所述高风险用户集，更新所述异常规则集合。

根据一种可能的设计，上述异常规则集合包括多个用户特征，和针对所述多个用户特征设置的多个判定规则。

在一种可能的设计中，上述多个用户特征包括以下中的一项或多项：用户基本属性特征，用户行为特征，用户关系特征，用户位置特征。

根据一种实施方式，基于异常规则集合判断业务请求事件是否为高风险事件具体包括：将第一用户的用户信息与所述多个判定规则进行比较；当比较结果符合预定条件的情况下，判断所述业务请求事件为高风险事件。

在一种可能的设计中，判断业务请求事件是否为高风险事件还包括：当进一步接收到第一核验结果的情况下，确定所述业务请求事件为高风险事件，其中所述第一核验结果为，将所述业务请求事件核验为高风险事件的人工核验结果。或者，当进一步接收到第二核验结果的情况下，确定所述业务请求事件为非高风险事件，其中所述第二核验结果为，将所述业务请求事件核验为非高风险事件的人工核验结果；在这样的情况下，所述方法还包括，根据所述第二核验结果，更新所述异常规则集合。

根据一种可能的设计，人群关系图谱基于以下一种或多种关系而建立：交易关系、设备关系、资金关系、社交关系。

在一个实施例中，基于人群关系图谱，确定与所述第一用户存在特定关联关系的第二用户具体包括：

从人群关系图谱中确定出包含所述第一用户的至少一个群组；

根据各个群组的高风险用户比例，从所述至少一个群组中确定出高风险群组，其中各个群组的高风险用户比例为，该群组与所述高风险用户集的交集中的用户数目M与该群组的用户总数N的比例；

将所述高风险群组中的用户确定为所述第二用户。

在一种可能的设计中，所述方法还包括，基于所述人群关系图谱，确定与所述第二用户相关联的第三用户，将所述第三用户添加到所述高风险用户集中。

在一个实施例中，基于高风险用户集更新异常规则集合具体包括：基于所述高风险用户集中各个用户的用户特征的统计，更新所述多个用户特征，和/或所述多个判定规则。

根据第二方面，提供一种确定高风险用户的装置，包括：

事件获取单元，配置为获取待评估的业务请求事件的事件信息，所述事件信息包括，所述业务请求事件所涉及的第一用户的用户信息；

事件判断单元，配置为至少基于异常规则集合和所述第一用户的用户信息，判断所述业务请求事件是否为高风险事件；

用户确定单元，配置为在确定所述业务请求事件为高风险事件的情况下，基于人群关系图谱，确定与所述第一用户存在特定关联关系的第二用户，将所述第一用户和所述第二用户添加到高风险用户集；

第一更新单元，配置为基于所述高风险用户集，更新所述异常规则集合。

根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。

根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。

通过本说明书实施例提供的方法和装置，首先基于异常规则集合确定出高风险的业务请求事件和高风险用户，然后基于人群关系图谱，对高风险用户进行扩散，如此，从单一的业务请求事件，可以确定出多个高风险用户，极大提高识别效率。进一步地，在扩散到更多高风险用户的情况下，用新识别的高风险用户，来更新异常规则集合，从而对异常规则集合进行优化，使得异常规则集合在后续的判断中，进一步提高判断准确度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其它的附图。

图1示出本说明书披露的一个实施例的实施场景示意图；

图2示出根据一个实施例的确定高风险用户的方法流程图；

图3示出异常规则集合的一个具体例子；

图4示出根据一个实施例的人群关系图谱的例子；

图5示出根据一个实施例的确定第二用户的步骤流程；

图6示出基于人群关系图谱从第一用户扩散到第二用户的具体例子的示意图；

图7示出根据一个实施例的用于确定高风险用户的装置的示意性框图。

具体实施方式

下面结合附图，对本说明书提供的方案进行描述。

图1为本说明书披露的一个实施例的实施场景示意图。在该实施场景中，某个用户向计算平台请求业务事件，例如申请保险理赔。计算平台则针对本次事件，首先确定该用户是否为高风险用户，如果是的话，基于该用户的关系网进行风险“扩散”，发掘出其他的高风险用户。相应地，计算平台中包含有异常规则引擎和扩散引擎，异常规则引擎根据预先设置的异常规则，对用户的业务申请事件进行初步判断。在一些情况下，还可以辅助以人工审核。一旦确定当前业务申请事件为高风险事件，也就将当前用户确定为高风险用户。进一步地，利用扩散引擎，基于当前用户的关系网进行高风险用户的扩散。这是基于这样的观察和统计：许多高风险事件都呈现“团伙”特征，也就是，需要多人配合，共同完成。如此，在认定某个用户为高风险用户的情况下，可以对该用户的关系网进行进一步分析，从中挖掘出具有“团伙”特征的群体，从而确定出相关联的其他高风险用户。如此，从单一的业务请求事件，可以确定出多个高风险用户，极大提高识别效率。进一步地，在扩散到更多高风险用户的情况下，可以将新识别的高风险用户，反馈到异常规则引擎，从而对异常规则引擎进行优化，使得异常规则引擎在后续的判断中，进一步提高判断准确度。下面描述上述场景的具体执行过程。

图2示出根据一个实施例的确定高风险用户的方法流程图。该方法的执行主体可以是任何具有计算、处理能力的系统、设备、装置、平台或服务器，例如图1所示的计算平台，更具体地，例如是需要对业务风险进行分析管控的各种后台服务器，比如支付宝服务器、保险业务服务器、金融审批服务器等。如图2所示，该方法包括以下步骤：步骤21，获取业务请求事件的相关信息，所述相关信息包括所述业务请求事件所涉及的第一用户的用户信息；步骤22，至少基于异常规则集合和所述用户信息，判断所述业务请求事件是否为高风险事件；步骤23，在确定所述业务请求事件为高风险事件的情况下，基于人群关系图谱，确定与所述第一用户存在特定关联关系的第二用户，将所述第一用户和所述第二用户添加到高风险用户集；步骤24，基于所述高风险用户集，更新所述异常规则集合。下面描述以上各个步骤的执行方式。

首先，在步骤21，获取待评估的业务请求事件的相关信息。可以理解，待评估的业务请求事件可以是针对各种有可能存在风险的业务进行请求的事件，例如，申请贷款、申请保险理赔等。为了清楚和区分起见，下文将该业务请求事件涉及的用户称为第一用户。一般地，第一用户可以是上述业务请求事件的请求人。

根据一个实施例，在步骤21中可以获取与业务请求事件相关的各种信息，包括与事件本身相关的事件信息，以及与该业务请求事件所涉及的用户(即第一用户)相关的用户信息。上述事件信息例如包括，请求的业务类型，请求金额，请求的发生时间，地点等，而用户信息可以进一步包括多方面的特征。

在一个实施例中，用户信息包括用户基本属性特征，例如：性别，年龄，注册时长，联系方式等等基本信息。

在一个实施例中，用户信息包括用户行为特征。更具体的，用户行为特征可以包括与用户的业务操作相关的行为信息，例如，交易次数、平均交易金额、申请理赔次数、理赔获批次数、平均理赔金额等等。在一个实施例中，用户行为特征可以是动态改变的特征，并且基于上述事件信息而更新。例如，在第一用户发出申请理赔的本次业务请求事件时，需要更新其用户行为特征，例如更新其中的申请理赔次数等参数。

在一个实施例中，用户信息还包括用户关系特征，例如，资金往来超过一定额度的联系人的数目，交易频次超过一定数目的联系人名单等等。

在一个实施例中，用户信息还包括用户位置特征，例如各项交易发生的位置，位置改变的范围，等等。

在更多实施例中，用户信息还可以包含更多方面的用户特征。

可以理解，相应地，在步骤21，可以获取上述业务请求事件所涉及的第一用户的用户信息，该用户信息包括上述各方面的用户特征中的一部分或全部。

接着，在步骤22，确定所述业务请求事件是否为高风险事件。确定的过程至少包括步骤221，在其中基于异常规则集合和上述第一用户的用户信息，判断上述业务请求事件是否为高风险事件。

异常规则集合是预先设置的规则集合，其中包含若干条规则，这些规则用于对业务申请事件和/或涉及的用户是否存在异常风险进行判断。初始地，异常规则集合可以由业务人员根据实践经验而设置；随着实施例的方法的推进，会不断进行更新和调整。

一般地，异常规则集合包括多个用户特征和针对多个用户特征设置的多个判定规则。其中，与前述类似的，多个用户特征包括以下中的一项或多项：用户基本属性特征，用户行为特征，用户关系特征，用户位置特征等。图3示出异常规则集合的一个具体例子。如图3所示，异常规则集合至少包括以下用户特征：年龄、注册时长(这两项特征属于用户基本属性特征)，平均理赔金额、申请理赔次数(这两项特征属于用户行为特征)，资金往来超过1000元的联系人数目(该特征属于用户关系特征)等。针对上述用户特征，分别设置了判定规则。具体地，针对用户特征“年龄”，设置的判定规则为30-40岁；针对用户特征“注册时长”，设置的判定规则为小于3个月；针对申请理赔次数，设置的判定规则为大于3次；针对平均理赔金额，设置的判定规则为大于1万元；等等。

基于这样的异常规则集合，可以对步骤21获取的业务请求事件是否为高风险事件进行初步判断。具体地，可以将第一用户的用户信息中的各项对应用户特征与所述多个判定规则进行比较；当比较结果符合预定条件的情况下，判断业务请求事件为高风险事件。上述预定条件例如可以是，异常规则集合包含的多个判定规则中，预定数目或预定比例的判定规则得到满足。例如，在一个具体例子中，异常规则集合包含10条用户特征和相应的判定规则，那么可以将预定条件设置为，当其中的任意8条判定规则得到满足，就认为当前的用户为高风险用户，当前的业务请求事件是高风险事件。或者，上述预定条件可以被设置为更复杂的规则表达式，例如假定异常规则集合包含A，B，C，D，E至少5项判定规则，那么预定条件可以为例如A AND(B OR C OR D)AND E的逻辑表达式。

在一个实施例中，直接基于步骤221中第一用户的用户信息与异常规则集合的比较结果，来确定上述业务请求事件是否为高风险事件。

在另一实施例中，在步骤221基于异常规则集合对上述业务请求事件进行初步判断之后，还包括步骤222(如图2中虚线示出)，在其中结合人工核验结果，最终确定上述业务请求事件是否为高风险事件。也就是说，如果步骤221基于异常规则集合判断上述业务请求事件为高风险事件，那么将该事件发送到人工审核模块，并从人工审核模块接收针对该事件的核验结果。在步骤222，如果接收到的核验结果为，所述业务请求事件被人工核验为高风险事件，那么确定该业务请求事件为高风险事件。另一方面，如果接收到的核验结果为，所述业务请求事件被人工核验为非高风险事件，那么，确定所述业务请求事件为非高风险事件，并且，在步骤223，根据这样的核验结果，更新异常规则集合。可以理解，出现步骤223的情况意味着，异常规则集合的判断出现了偏差。因此，需要根据人工核验结果，也就是人工矫正的结果，来更新异常规则集合，避免后续出现同样的偏差。

在一个实施例中，对于基于异常规则集合被确定为高风险的业务请求事件，从中选择一部分发送到人工审核模块，从而减轻人工审核的工作量。在一个实施例中，统计人工核验结果与基于异常规则集合的判断结果的一致性比例，根据该比例确定后续发送到人工审核模块进行核验的事件比例。例如，人工核验结果与基于异常规则集合的判断结果的一致性越高，那么可以将更少的业务请求事件发送到人工审核模块进行核验。当人工核验结果与基于异常规则集合的判断结果的一致性达到一定高比例阈值，例如98％，那么可以省略人工核验，直接根据异常规则集合，确定业务请求事件是否为高风险事件。

综合以上，在步骤22，至少基于异常规则集合(可选的还基于人工核验的复核)，确定步骤21获取的业务请求事件是否为高风险事件。如果该事件被确定为高风险事件，那么相应地，第一用户会被确定为高风险用户，于是，在步骤23，基于人群关系图谱，确定与第一用户存在特定关联关系的第二用户，并将第一用户和第二用户都添加到高风险用户集。换而言之，如果确定第一用户为高风险用户，则基于人群关系图谱，对高风险用户进行“扩散”，找到与第一用户紧密关联的其他潜在的高风险用户。

以上高风险用户的扩散要基于预先建立的人群关系图谱进行。人群关系图谱可以采用多种方式预先建立。

在一个实施例中，人群关系图谱基于人群的交易关系而建立。例如，两个用户之间达成商品购买交易，则在这两个用户之间建立交易关联。可以通过获取并分析大量用户的交易记录而确定用户之间的交易关系，进而建立人群关系图谱。

在一个实施例中，人群关系图谱基于人群的设备关系而建立。例如，当两个或多个用户账户利用同一台终端设备进行登录时，可以确定这两个或多个用户账户之间存在设备关联。存在设备关联的两个或多个用户账户，有可能是同一实体用户注册的多个账户，也可以是存在紧密关联(例如家人、同事等)的多个用户所对应的账户。设备关系可以通过获取用户登录其账户时所对应的实体终端信息而确定。

在一个实施例中，人群关系图谱基于资金关系而建立。例如，当两个用户之间存在转账、收款等资金转移操作时，则在这两个用户之间建立资金关联。可以通过获取并分析用户利用电子钱包进行资金操作的记录而确定用户之间的资金关系，进而基于资金关系建立人群关系图谱。

在一个实施例中，人群关系图谱基于社交关系而建立。如今人们越来越多地使用社交应用进行交互，例如，两个用户可以通过社交应用进行聊天、发红包、文件传送等互动，那么可以在这两个用户之间建立社交关联。可以基于社交应用捕获的大量社交交互确定人群之间的社交关系，进而建立人群关系图谱。

尽管以上给出了若干例子，但是可以理解，还可以基于更多种人群关联关系来建立人群关系图谱。并且，人群关系图谱可以同时基于若干种人群关联关系而建立。

在一个实施例中，人群关系图谱可以形成为节点网络的形式。在该形式下，人群关系图谱包括多个节点，每个节点对应一个用户，存在关联关系的节点之间会彼此连接。在一个实施例中，节点之间的连接可以具有多种属性，例如连接类型，连接强度等，其中连接类型又包括，例如资金连接(基于资金关系的连接)，社交连接(基于社交互动的连接等)，连接强度又可以包括，例如强连接，弱连接等。

图4示出根据一个实施例的人群关系图谱的例子。如图4所示，在该例子中，人群关系图谱中包括多个节点，每个节点对应一个用户。节点之间的连接表示用户之间具有关联关系。假定图4的人群关系图谱是基于人群的资金关系和社交关系而建立。相应地，节点之间的连接可以是资金连接或社交连接。在图4的例子中，以不同的线型示出不同的连接类型，即以虚线示出节点之间的社交连接，以实线示出节点之间的资金连接。并且，以连接线的粗细示出连接的强度。例如，粗线示出强连接，细线示出弱连接。更具体地，粗实线可以示出，较强的资金连接(例如资金交互超过一金额阈值，例如1万元)，细实线示出，较弱的资金连接(例如资金交互不超过上述金额阈值)；粗虚线可以示出，较强的社交连接(例如，交互频次超过一频次阈值，例如每天10次)，细虚线示出，较弱的社交连接(例如，交互频次不超过上述频次阈值)。

可以理解，人群关系图谱还可以形成为其他形式，例如表格形式，图表形式等。一张人群关系图谱可以基于一种单一的人群关系而建立，也可以基于多种人群关系而建立(例如图4中基于两种关系)。在此，对人群关系图谱的形式、形成过程等均不作限定。

基于这样的人群关系图谱，在步骤23，在确定第一用户为高风险用户的情况下，在人群关系图谱中确定与第一用户存在特定关联关系的第二用户，将第二用户也作为高风险用户。

在一个实施例中，上述特定关联关系包括，特定类型的关联关系，例如，资金关联关系。在一个实施例中，上述特定关联关系包括，特定强度的关联关系，例如强关联关系。当然，特定关联关系还可以是，特定类型且特定强度的关联关系。此外，本领域技术人员还可以基于对采集到的样本中，高风险用户之间的关系特点，对上述特定关联关系进行其他限定。

在一个实施例中，考虑到在许多业务场景中，高风险用户之间呈现出的“团伙”特征，因此，首先从人群关系图谱中提取出具有一定特征的群组为高风险群组，将包含第一用户的高风险群组中的其他用户，确定为高风险的第二用户。

图5示出根据一个实施例的确定第二用户的步骤流程，即步骤23的子步骤。如图5所示，为了基于第一用户将风险扩散到其他用户，在步骤51，从人群关系图谱中确定出包含第一用户的至少一个群组。

在不同实施例中，群组可以具有不同的定义方式。例如，在社交应用中，一些用户可以自主地形成社群。那么在基于社交关系的人群图谱中，可以基于用户自主形成的社群确定出群组。在另一实施例中，可以将包含一定用户数目，且用户之间具有一定连接关系的多个用户作为一个群组。例如，可以将群组设定为，包含3-20个用户，且这些用户两两之间均具有关联关系；或者，在另一例子中，将群组设定为，两两之间具有强资金关联关系的若干用户。

可以理解，根据群组的定义方式的不同，同一用户可以归属于多个群组。在步骤51，从人群关系图谱中，确定出具有高风险的第一用户所归属的所有可能的群组。然而，这些群组并不必然都是高风险群组。因此，接下来，在步骤52，对步骤51确定出的群组进行进一步分析，从中选择出高风险群组。

在一个实施例中，根据一个群组中高风险用户的比例，来确定该群组是否为高风险群组。具体地，某个群组的高风险用户比例为，该群组中已经被确定为高风险用户的用户数目M与该群组的用户总数N的比例。实践中，根据一个实施例，采用高风险用户集来记录已经确定出的高风险用户。在这样的情况下，上述用户数目M即为，上述群组与高风险用户集的交集中的用户数目。在确定出群组中高风险用户的比例的情况下，可以将该比例与预先设定的判定阈值，例如70％，来比较，根据比较结果确定该群组是否为高风险群组，例如将高风险用户的比例高于上述判定阈值的群组确定为高风险群组。

在此基础上，在步骤53，将第一用户所属的高风险群组中的其他用户确定为第二用户，即高风险用户，将第一用户和第二用户均添加到高风险用户集中。

图6示出基于人群关系图谱从第一用户扩散到第二用户的具体例子的示意图。如图6所示，假定在步骤51，从人群关系图谱中确定出第一用户所属的3个群组：群组A，群组B和群组C。接下来，在步骤52，确定这3个群组中各个群组的高风险用户比例。在一个例子中，采用“染色”的方式，标记群组中之前已经确定的高风险用户。换而言之，在之前的处理中，一旦将某个用户添加到高风险用户集，同时在人群关系图谱中对该用户进行染色。如此，在步骤52，判断各个群组中高风险用户的比例，即判断群组中被染色的用户的浓度。在图6的例子中，群组A包含10名用户，只有第一用户自身是已经确定为高风险的用户，高风险用户比例为10％。群组B包含8名用户，其中包含第一用户在内有6名用户被染色，高风险用户比例为75％。群组C包含12名用户，其中被染色的用户数为3名，高风险用户比例为25％。如果比例阈值被设定为70％，那么可以确定，群组B为高风险群组。接着，在步骤53，将群组B中的其他用户，特别是尚未被染色(尚未被识别为高风险)的用户，即用户10和用户20，确定为第二用户。在确定出第二用户的基础上，将第一用户和第二用户均添加到高风险用户集中。在一个例子中，在人群关系图谱中对第一用户和第二用户进行染色，从而便于后续的扩散分析。

在一个实施例中，在基于高风险业务请求事件确定出第一用户，然后基于第一用户扩散到第二用户之后，还基于第二用户进行再次扩散。也就是说，在一个实施例中，在确定出第二用户的基础上，基于上述人群关系图谱，确定与第二用户存在特定关联关系的第三用户，将第三用户也添加到高风险用户集中。基于第二用户，确定与之存在特定关联关系的第三用户的过程，与以上描述的基于第一用户，确定第二用户的过程一致，不再赘述其细节。

需要理解的是，上述扩散过程可以反复不断进行，也就是，确定出第三用户之后，再基于第三用户寻找到与之关联的第四用户，等等，直到不再出现新的高风险用户为止。

此时，高风险用户集已经得到扩散和更新，除了包含经由步骤21的业务请求事件所确定的高风险的第一用户之外，还包含了基于第一用户扩散的其他高风险用户，即第二用户。因此，回到图2，在步骤24，基于高风险用户集，更新前述的异常规则集合。如前所述，异常规则集合可以包含多个用户特征，以及针对这些用户特征设置的多个判定规则。在一个实施例中，在步骤24，可以基于高风险用户集中各个用户的用户特征的统计，更新所述多个用户特征，和/或所述多个判定规则。

具体地，在一个例子中，原有的异常规则集合例如如图3所示，其中针对平均理赔金额设置的判定规则为大于1万元。假定如图6所示，基于第一用户将高风险用户扩散到了用户10和用户20，将用户10和20都添加到了高风险用户集中。新增的高风险用户(用户10和用户20)，对于该项用户特征，即平均理赔金额，的统计值为8000元。据此，可以将针对平均理赔金额的判定规则修改为大于8000元。

在另一例子中，原有的异常规则集合例如包含10项用户特征和对应判定规则。假定新增的高风险用户在上述10项用户特征之外的某项用户特征上体现出较强的规律性，例如资金流动频次超过一定阈值，那么可以将该项用户特征，以及对应阈值，添加到异常规则集合中，从而更新异常规则集合。

在一个实施例中，对于扩散后的高风险用户集，可以反过来采用异常规则集合与人工核验结合的方式进行抽样检测。例如选择高风险用户集中5％的高风险用户，利用异常规则集合和人工核验，确定其是否真的属于高风险用户。在抽样检测的准确率低于一定阈值的情况下，调整基于人群关系图谱进行扩散的算法过程，例如调整高风险群组的比例判定阈值等，使得高风险用户的扩散过程更加准确。

回顾以上过程，首先基于异常规则集合确定出高风险的业务请求事件和高风险用户，然后基于人群关系图谱，对高风险用户进行扩散，如此，从单一的业务请求事件，可以确定出多个高风险

用户，极大提高识别效率。进一步地，在扩散到更多高风险用户的情况下，用新识别的高风险用户，来更新异常规则集合，从而对异常规则集合进行优化，使得异常规则集合在后续的判断中，进一步提高判断准确度。

根据另一方面的实施例，还提供一种确定高风险用户的装置。图7示出根据一个实施例的用于确定高风险用户的装置的示意性框图。如图7所示，用于确定高风险用户的装置700包括：事件获取单元710，配置为获取待评估的业务请求事件的事件信息，所述事件信息包括，所述业务请求事件所涉及的第一用户的用户信息；事件判断单元720，配置为至少基于异常规则集合和所述第一用户的用户信息，判断所述业务请求事件是否为高风险事件；用户确定单元730，配置为在确定所述业务请求事件为高风险事件的情况下，基于人群关系图谱，确定与所述第一用户存在特定关联关系的第二用户，将所述第一用户和所述第二用户添加到高风险用户集；第一更新单元740，配置为基于所述高风险用户集，更新所述异常规则集合。

在一个实施例中，异常规则集合包括多个用户特征，和针对所述多个用户特征设置的多个判定规则。

进一步地，在一个实施例中，上述多个用户特征包括以下中的一项或多项：用户基本属性特征，用户行为特征，用户关系特征，用户位置特征。

根据一种实施方式，事件判断单元720配置为：将第一用户的用户信息与上述多个判定规则进行比较；当比较结果符合预定条件的情况下，判断所述业务请求事件为高风险事件。

进一步地，在一个实施例中，装置700还包括人工审核单元(未示出)，或者，与一外部的人工审核单元相连接。在这样的情况下，事件判断单元720还配置为，在基于异常规则集合，判断所述业务请求事件为高风险事件的情况下，还将上述业务请求事件发送给人工审核单元，并从人工审核单元接收核验结果。具体地，当事件判断单元720进一步接收到第一核验结果的情况下，确定所述业务请求事件为高风险事件，其中所述第一核验结果为，将所述业务请求事件核验为高风险事件的人工核验结果。

另一方面，当事件判断单元720进一步接收到第二核验结果的情况下，确定所述业务请求事件为非高风险事件，其中所述第二核验结果为，将所述业务请求事件核验为非高风险事件的人工核验结果。与此对应地，装置700还包括第二更新单元750，配置为根据所述第二核验结果，更新所述异常规则集合。

根据一种实施方式，用户确定单元730所基于的人群关系图谱是根据以下一种或多种关系而建立：交易关系、设备关系、资金关系、社交关系。

在一个实施例中，用户确定单元730进一步包括：群组确定模块731，配置为从人群关系图谱中确定出包含所述第一用户的至少一个群组；群组选择模块732，配置为根据各个群组的高风险用户比例，从所述至少一个群组中选择出高风险群组，其中各个群组的高风险用户比例为，该群组与所述高风险用户集的交集中的用户数目M与该群组的用户总数N的比例；以及确定模块733，配置为将所述高风险群组中的用户确定为所述第二用户。

根据一个实施例，用户确定单元730还配置为，基于所述人群关系图谱，确定与所述第二用户相关联的第三用户，将所述第三用户添加到所述高风险用户集中。

根据一种实施方式，第一更新单元740配置为：基于所述高风险用户集中各个用户的用户特征的统计，更新所述多个用户特征，和/或所述多个判定规则。

通过以上装置，可以从单一的业务请求事件，确定出多个高风险用户，极大提高识别效率。并且，还可以用新识别的高风险用户，来更新和优化异常规则集合，使得异常规则集合在后续的判断中，进一步提高判断准确度。

根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。

根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所述的方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (22)

1.一种确定高风险用户的方法，包括：

获取待评估的业务请求事件的相关信息，所述相关信息包括，所述业务请求事件所涉及的第一用户的用户信息；

至少基于异常规则集合和所述第一用户的用户信息，判断所述业务请求事件是否为高风险事件；

在确定所述业务请求事件为高风险事件的情况下，基于人群关系图谱，确定与所述第一用户存在特定关联关系的第二用户，将所述第一用户和所述第二用户添加到高风险用户集；

基于所述高风险用户集，更新所述异常规则集合。

2.根据权利要求1所述的方法，其中所述异常规则集合包括多个用户特征，和针对所述多个用户特征设置的多个判定规则。

3.根据权利要求2所述的方法，其中所述多个用户特征包括以下中的一项或多项：用户基本属性特征，用户行为特征，用户关系特征，用户位置特征。

4.根据权利要求2所述的方法，其中至少基于异常规则集合和所述第一用户的用户信息，判断所述业务请求事件是否为高风险事件包括：

将所述第一用户的用户信息与所述多个判定规则进行比较；

当比较结果符合预定条件的情况下，判断所述业务请求事件为高风险事件。

5.根据权利要求4所述的方法，其中至少基于异常规则集合和所述第一用户的用户信息，判断所述业务请求事件是否为高风险事件还包括：当进一步接收到第一核验结果的情况下，确定所述业务请求事件为高风险事件，其中所述第一核验结果为，将所述业务请求事件核验为高风险事件的人工核验结果。

6.根据权利要求4所述的方法，其中至少基于异常规则集合和所述第一用户的用户信息，判断所述业务请求事件是否为高风险事件还包括：当进一步接收到第二核验结果的情况下，确定所述业务请求事件为非高风险事件，其中所述第二核验结果为，将所述业务请求事件核验为非高风险事件的人工核验结果；

所述方法还包括，根据所述第二核验结果，更新所述异常规则集合。

7.根据权利要求1所述的方法，其中所述人群关系图谱基于以下一种或多种关系而建立：交易关系、设备关系、资金关系、社交关系。

8.根据权利要求1或7所述的方法，其中所述基于人群关系图谱，确定与所述第一用户存在特定关联关系的第二用户包括：

从人群关系图谱中确定出包含所述第一用户的至少一个群组；

根据各个群组的高风险用户比例，从所述至少一个群组中选择出高风险群组，其中各个群组的高风险用户比例为，该群组与所述高风险用户集的交集中的用户数目M与该群组的用户总数N的比例；

将所述高风险群组中的用户确定为所述第二用户。

9.根据权利要求1所述的方法，还包括，基于所述人群关系图谱，确定与所述第二用户相关联的第三用户，将所述第三用户添加到所述高风险用户集中。

10.根据权利要求2所述的方法，其中基于所述高风险用户集，更新所述异常规则集合包括：基于所述高风险用户集中各个用户的用户特征的统计，更新所述多个用户特征，和/或所述多个判定规则。

11.一种确定高风险用户的装置，包括：

事件获取单元，配置为获取待评估的业务请求事件的事件信息，所述事件信息包括，所述业务请求事件所涉及的第一用户的用户信息；

事件判断单元，配置为至少基于异常规则集合和所述第一用户的用户信息，判断所述业务请求事件是否为高风险事件；

用户确定单元，配置为在确定所述业务请求事件为高风险事件的情况下，基于人群关系图谱，确定与所述第一用户存在特定关联关系的第二用户，将所述第一用户和所述第二用户添加到高风险用户集；

第一更新单元，配置为基于所述高风险用户集，更新所述异常规则集合。

12.根据权利要求11所述的装置，其中所述异常规则集合包括多个用户特征，和针对所述多个用户特征设置的多个判定规则。

13.根据权利要求12所述的装置，其中所述多个用户特征包括以下中的一项或多项：用户基本属性特征，用户行为特征，用户关系特征，用户位置特征。

14.根据权利要求12所述的装置，其中所述事件判断单元配置为：

将所述第一用户的用户信息与所述多个判定规则进行比较；

当比较结果符合预定条件的情况下，判断所述业务请求事件为高风险事件。

15.根据权利要求14所述的装置，其中所述事件判断单元还配置为：当进一步接收到第一核验结果的情况下，确定所述业务请求事件为高风险事件，其中所述第一核验结果为，将所述业务请求事件核验为高风险事件的人工核验结果。

16.根据权利要求14所述的装置，其中所述事件判断单元还配置为：当进一步接收到第二核验结果的情况下，确定所述业务请求事件为非高风险事件，其中所述第二核验结果为，将所述业务请求事件核验为非高风险事件的人工核验结果；

所述装置还包括第二更新单元，配置为根据所述第二核验结果，更新所述异常规则集合。

17.根据权利要求11所述的装置，其中所述人群关系图谱基于以下一种或多种关系而建立：交易关系、设备关系、资金关系、社交关系。

18.根据权利要求11或17所述的装置，其中所述用户确定单元包括：

群组确定模块，配置为从人群关系图谱中确定出包含所述第一用户的至少一个群组；

群组选择模块，配置为根据各个群组的高风险用户比例，从所述至少一个群组中选择出高风险群组，其中各个群组的高风险用户比例为，该群组与所述高风险用户集的交集中的用户数目M与该群组的用户总数N的比例；

确定模块，配置为将所述高风险群组中的用户确定为所述第二用户。

19.根据权利要求11所述的装置，所述用户确定单元还配置为，基于所述人群关系图谱，确定与所述第二用户相关联的第三用户，将所述第三用户添加到所述高风险用户集中。

20.根据权利要求12所述的装置，其中所述第一更新单元配置为：基于所述高风险用户集中各个用户的用户特征的统计，更新所述多个用户特征，和/或所述多个判定规则。

21.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-10中任一项的所述的方法。

22.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-10中任一项所述的方法。