CN109034502A - 反欺诈预测方法及装置 - Google Patents

Abstract

本发明实施例提供一种反欺诈预测方法及装置，属于数据处理技术领域，所述方法包括：获取客户的个人信息数据；将所述客户的个人信息数据输入至预先建立的反欺诈因子库模型，输出用于表征所述客户的欺诈风险的评分；根据所述评分对所述客户进行反欺诈预测，获得预测结果。本方案中，通过预先建立的反欺诈因子库模型，输出用于表征所述客户的欺诈风险的评分，根据该评分对客户进行反欺诈预测，使得对客户的反欺诈预测更为准确，从而可以对客户信用评价更为全面，进而对客户的信用进行有效的评估。

Description

反欺诈预测方法及装置

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种反欺诈预测方法 及装置。

背景技术

由于使用信用卡消费便捷的特点以及消费环境的改善，越来越多的地 方支持信用卡支付，信用卡在一定程度上得到普及，随之而来的是信用卡 欺诈事件不断发生。信用卡欺诈事件中，通常是由于银行对客户申请信用 卡的审批中出现纰漏。

银行会对客户申请信用卡进行欺诈风险的评估工作，现有技术中是通 过传统人为的方式收集和获取客户的个人信息，再经过人为的审核对客户 的欺诈风险进行判断。这种判断方式往往比较单一，并且存在一定的人为 的主观判断而致的偏差，对客户的信用评价不够全面，无法客户的信用进 行有效的评估。

发明内容

有鉴于此，本发明实施例的目的在于提供一种反欺诈预测方法及装置， 以改善上述问题。

第一方面，本发明实施例提供了一种反欺诈预测方法，所述方法包括： 获取客户的个人信息数据；将所述客户的个人信息数据输入至预先建立的 反欺诈因子库模型，输出用于表征所述客户的欺诈风险的评分；根据所述 评分对所述客户进行反欺诈预测，获得预测结果。

本方案中通过获取客户的个人信息数据，然后将所述客户的个人信息 数据输入至预先建立的反欺诈因子库模型，输出用于表征所述客户的欺诈 风险的评分，再根据所述评分对所述客户进行反欺诈预测，获得预测结果。 这种方法提供了比现有技术方法更准确、更全面、且更有效的反欺诈预测 方法。

进一步地，获取客户的个人信息数据之前，所述方法还包括：获取用 于建立所述反欺诈因子库模型的数据源，所述数据源包括多个客户的个人 信息数据。选用有较高覆盖度和良好稳定性的数据源，能够保证欺诈模型 的较高覆盖度和良好稳定性；将所述数据源分为标示有不同标签的多个数 据组，其中标签的制定根据从数据组中提取的关键信息；从所述多个数据 组中选取目标数据组，根据所述目标数据组对应的标签生成对应的因子，所述目标数据组包括至少两个数据组；根据每个所述因子对对应的客户的 欺诈识别能力对所述因子赋予权重；获取所述多个因子中满足预设条件的 因子作为触碰因子，并基于所述触碰因子的权重获得所述触碰因子的统计 量；基于所述统计量建立所述反欺诈因子库模型。

进一步地，所述多个因子包括欺诈类因子、信任类因子、中立类因子。 欺诈类因子中的欺诈客户占比大于数据源中欺诈客户的占比，中立类因子 中的欺诈客户占比等于数据源中欺诈客户的占比，信任类因子中的欺诈客 户占比小于数据源中欺诈客户的占比。

进一步地，基于所述统计量建立所述反欺诈因子库模型，包括：根据 所述信任类因子中触碰因子的统计量建立信任分模型；根据所述欺诈类因 子中触碰因子的统计量建立欺诈分模型；将所述信任分模型和所述欺诈分 模型整合建立所述反欺诈因子库模型。本方案中建立出的反欺诈因子库模 型不仅能从欺诈方面对客户进行评价，还能够从信任的角度对客户进行评 价。这样能够改善现有技术无法从信任的维度进行评价的缺点。

进一步地，根据所述评分对所述客户进行反欺诈预测，获得预测结果。 首先将所述评分与预设的欺诈风险评分阈值进行比较，若所述评分大于所 述欺诈风险评分阈值，则所述预测结果为所述客户为信任客户。

第二方面，本发明实施例提供了一种反欺诈预测装置，所述装置包括： 获取模块，用于获取客户的个人信息数据；评分模块，用于将所述客户的 个人信息数据输入至预先建立的反欺诈因子库模型，输出用于表征所述客 户的欺诈风险的评分；预测模块，用于根据所述评分对所述客户进行反欺 诈预测，获得预测结果。

通过该装置中的三个模块，可以对客户进行欺诈风险的预测评估。

进一步地，所述装置还包括：数据源获取模块，用于获取用于建立所 述反欺诈因子库模型的数据源，所述数据源包括多个客户的个人信息数据； 分组模块，用于将所述数据源分为标示有不同标签的多个数据组；因子生 成模块，用于从所述多个数据组中选取目标数据组，根据所述目标数据组 对应的标签生成对应的因子，所述目标数据组包括至少两个数据组；赋权 模块，用于根据每个所述因子对对应的客户的欺诈识别能力对所述因子赋予权重；计算模块，用于获取所述多个因子中满足预设条件的因子作为触 碰因子，并基于所述触碰因子的权重获得所述触碰因子的统计量；模型建 立模块，用于基于所述统计量建立所述反欺诈因子库模型。

进一步地，所述多个因子包括欺诈类因子、信任类因子、中立类因子。

进一步地，所述模型建立模块，包括：信任模型建立单元，用于根据 所述信任类因子的所述统计量建立信任分模型；欺诈模型建立单元，用于 根据所述欺诈类因子的所述统计量建立欺诈分模型；模型整合单元，用于 所述信任分模型和所述欺诈分模型整合建立所述反欺诈因子库模型。

信任模型建立单元会根据信任类因子建立信任分模型，然后欺诈模型 建立单元会根据欺诈类因子建立欺诈分模型，最后把信任分模型和欺诈分 模型产生的结果和一些衍生变量输入到欺诈模型建立单元，从而建立一个 综合的反欺诈因子库模型。

进一步地，所述预测模块用于将所述评分与预设的欺诈风险评分阈值 进行比较，若所述评分大于所述欺诈风险评分阈值，则所述预测结果为所 述客户为信任客户。评分阈值通过各种数据的整合以及验证等方式得出来 的能够比较明显区分欺诈客户的分值。

第三方面，本发明实施例提供一种电子设备，包括处理器以及存储器， 所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处 理器执行时，运行如上述第一方面提供的所述方法中的步骤。

第四方面，本发明实施例提供一种可读存储介质，其上存储有计算机 程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方 法中的步骤。

本发明实施例的有益效果：

本发明实施例提供一种反欺诈预测方法及装置，该方法通过获取客户 的个人信息数据，然后将所述客户的个人信息数据输入至预先建立的反欺 诈因子库模型，输出用于表征所述客户的欺诈风险的评分，再根据所述评 分对所述客户进行反欺诈预测，获得预测结果。本方案中，通过预先建立 的反欺诈因子库模型，输出用于表征所述客户的欺诈风险的评分，根据该 评分对客户进行反欺诈预测，使得对客户的反欺诈预测更为准确，从而可以对客户信用评价更为全面，进而对客户的信用进行有效的评估。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说 明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和 其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的 结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需 要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些 实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1为本发明实施例提供的一种电子设备的结构框图；

图2为本发明实施例提供的一种反欺诈预测方法流程框图；

图3为本发明实施例提供的一种反欺诈因子库模型建立过程流程框图；

图4为本发明实施例提供的一种反欺诈预测装置的结构框图；

图5为本发明实施例提供的另一种反欺诈预测装置的结构框图；

图6为本发明实施例提供的一种模型建立模块的结构框图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组 件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本 发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅 仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护 的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一 旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步 定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于 区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，图1为本发明实施例提供的一种电子设备的结构框图。电 子设备10可以包括反欺诈预测装置100、存储器101、存储控制器102、处 理器103、外设接口104、输入输出单元105、音频单元106、显示单元107。

所述存储器101、存储控制器102、处理器103、外设接口104、输入 输出单元105、音频单元106、显示单元107各元件相互之间直接或间接地 电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一 条或多条通讯总线或信号线实现电性连接。所述反欺诈预测装置100包括 至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固 化在反欺诈预测装置100的操作系统(operating system，OS)中的软件功 能模块。所述处理器103用于执行存储器101中存储的可执行模块，例如 反欺诈预测装置100包括的软件功能模块或计算机程序。

其中，存储器101可以是，但不限于，随机存取存储器 (Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)， 可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只 读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除 只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM) 等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令 后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服 务器所执行的方法可以应用于处理器103中，或者由处理器103实现。

处理器103可以是一种集成电路芯片，具有信号的处理能力。上述的 处理器103可以是通用处理器，包括中央处理器(Central Processing Unit，简 称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号 处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或 者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可 以是微处理器或者该处理器103也可以是任何常规的处理器等。

所述外设接口104将各种输入/输出装置耦合至处理器103以及存储器 101。在一些实施例中，外设接口104，处理器103以及存储控制器102可 以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实 现。

输入输出单元105用于提供给用户输入数据实现用户与所述服务器(或 本地终端)的交互。所述输入输出单元105可以是，但不限于，鼠标和键 盘等。

音频单元106向用户提供音频接口，其可包括一个或多个麦克风、一 个或者多个扬声器以及音频电路。

显示单元107在所述电子设备10与用户之间提供一个交互界面(例如 用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显 示单元107可以是液晶显示器或触控显示器。若为触控显示器，其可为支 持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多 点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置 处同时产生的触控操作，并将该感应到的触控操作交由处理器103进行计算和处理。

所述外设接口104将各种输入/输入装置耦合至处理器103以及存储器 101。在一些实施例中，外设接口104，处理器103以及存储控制器102可 以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实 现。

输入输出单元105用于提供给用户输入数据实现用户与处理终端的交 互。所述输入输出单元105可以是，但不限于，鼠标和键盘等。

可以理解，图1所示的结构仅为示意，所述电子设备10还可包括比图 1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所 示的各组件可以采用硬件、软件或其组合实现。

请参看图2，图2为本发明实施例提供的一种反欺诈预测方法流程框 图，该方法包括如下步骤：

步骤S110：获取客户的个人信息数据。

客户的个人信息数据可以是客户在银行进行贷款或申请信用卡等申请 时填写的申请资料中的个人信息，也可以通过客户在某个银行的诚信报告 等各种渠道获得的数据，还可以通过客户在其他银行申请储蓄卡、信用卡、 金融理财等历史资料数据。

步骤S120：将所述客户的个人信息数据输入至预先建立的反欺诈因子 库模型，输出用于表征所述客户的欺诈风险的评分。

例如，客户向某个银行提出申请信用卡的申请时，需要提交一份申请 资料以及其他申请材料，比如身份证原件复印件、户口本复印件、驾驶证 等各种证件，该银行可以从客户提交的资料中获取客户的个人信息数据， 并将客户的个人信息数据输入至预先建立好的反欺诈因子库模型中，反欺 诈因子库模型输出用于表征客户的欺诈风险的评分。例如，若将某个客户 的个人信息输入至所述反欺诈因子库模型中时，若反欺诈因子库模型输出的评分为八十分，比如百分制评分的情况下，若该客户的欺诈风险评分为 八十分，则可以评价这个客户属于低欺诈风险，接着该客户的申请就可以 继续后续的申请流程。若该客户的欺诈风险评分为五十分，则可以评价这 个客户属于较高欺诈风险，则该客户的申请将会被驳回或驳回会进行资料 补充等处理。

步骤S130：根据所述评分对所述客户进行反欺诈预测，获得预测结果。

根据评分可以看出来客户的欺诈风险，客户得分越高那么可以表明该 客户的信任度就越高，客户得分越低则可以表明该客户的欺诈风险越高。 当然，还可以是另外一种评价情况，如反欺诈因子库模型输出的客户得分 越高则表明该客户的欺诈风险越高，得分越低则欺诈风险越低。其中评分 的形式有多种，比如百分制。通过分值的形式能够比较直观的呈现出客户 的欺诈风险。可选地，还可以进一步的将评分通过图示的方式对客户的欺诈风险进行展现，例如雷达图等。

另外，还可以将所述评分与预设的欺诈风险评分阈值进行比较，若所 述评分大于所述欺诈风险评分阈值，则所述预测结果为所述客户为信任客 户。

例如，预设的欺诈风险评分阈值为八十分，若客户甲得分为六十九分， 则预测结果为客户甲为不信任客户，那么银行会将其申请驳回或驳回申请 并做出资料补充等处理。若客户乙的得分为九十分，则银行会认为客户乙 为信任客户，并将其信用卡申请送至下一道申请程序，例如填写邮寄信用 卡地址信息等。

本实施例中，通过获取客户的个人信息数据，然后将所述客户的个人 信息数据输入至预先建立的反欺诈因子库模型，输出用于表征所述客户的 欺诈风险的评分，再根据所述评分对所述客户进行反欺诈预测，获得预测 结果。本方案中，通过预先建立的反欺诈因子库模型，输出用于表征所述 客户的欺诈风险的评分，根据该评分对客户进行反欺诈预测，使得对客户 的反欺诈预测更为准确，从而可以对客户信用评价更为全面，进而对客户的信用进行有效的评估。

请参照图3，图3为本发明实施例提供的一种反欺诈因子库模型建立过 程流程框图，其包括如下步骤：

步骤S210：获取用于建立反欺诈因子库模型的数据源。

其中，数据源可以包括多个客户的个人信息数据，且数据源可以来自 自有数据和三方数据，自有数据包括身份证信息、职业信息、在本行业务 信息等，三方数据包括其他银行的历史资料信息、诚信报告等，这样能够 保证数据源有较高的覆盖度和良好的稳定性。从而进一步的保证了所建立 的反欺诈因子库模型有较高的覆盖度和良好的稳定性。其次，在对客户进 行反欺诈评估时也是能够保证通过反欺诈因子库模型得到的评分是比较可靠的。例如数据源可以是客户申请信息的自然属性、中国人民银行数据、 存量客户信息、名单类数据等等不同的来源的数据。

步骤S220：将所述数据源分为标示有不同标签的多个数据组。

对数据源中的数据进行分类，根据数据的关键信息分成多个数据组。 例如，数据源中有数字、文字等数据，数字数据中有些数据是由十一位数 字组成的，那么这些由十一位数字组成的数据就可以被分为一个数据组。 文字数据中一些数据包括“区”、“县”、“街”、“街道”等字的数据就可以被 分为一个数据组。

标签的制定是通过分好的数据组中关键信息提取的，制定的标签有例 如职业、居住地、亲属、电话号码、学历、联系人等等各个方面。其中， 对关键信息的方法可以有横向比对、纵向关联和逻辑衍生等。

步骤S230：从所述多个数据组中选取目标数据组，根据所述目标数据 组对应的标签生成对应的因子，所述目标数据组包括至少两个数据组。

这一步可以看做是将标签进行组合，其中对标签类型的组合无限制。 因子包括至少两个目标数据组，可以保证一个因子中的标签有多样性。两 个不同的因子可以包括有相同标签的数据组，两个不同的因子包括有完全 相同的标签的数据组可视为是同一个因子。例如，生成的一个因子中包括 有职业、居住地两个标签的数据组，另外一个因子中包括有职业、居住地、 电话号码和学历。若还有一个因子包括这也和居住地两个标签的数据组，则该因子与前述包括有职业、居住地两个标签的数据组就被视为同一个因 子。

步骤S240：根据每个所述因子对对应的客户的欺诈识别能力对所述因 子赋予权重。

对客户欺诈识别能力强的因子赋予的权重比对客户欺诈识别能力弱的 因子赋予的权重多一些。这样可以保证对客户欺诈识别能力强的因子有较 高的占比，且使得最后得出的反欺诈因子库模型不会被对客户欺诈识别能 力弱的因子有过多的影响。目的为了保证单一因子评价的全面性，剔除区 分度不够明显、不稳定以及不符合业务逻辑的因子。因子的欺诈客户占比 与训练样本整体的欺诈客户占比相近近似于相等的中立因子会被剔除。触 碰人数过少的因子由于人数过少，在计算因子的欺诈识别能力时容易受到 影响，即为不稳定的因子。

作为一种实施方式，因子赋权是对因子的影响力进行量化的过程，赋 权的方法有很多种，一种简单而行之有效的赋权做法是利用下列公式：

其中fac_score_i是因子的权重，fac_badrate_i是建立反欺诈因子库模型样 本中触碰因子的客户中欺诈客户占比，avg_badrate为建立反欺诈因子库模 型样本整体的欺诈客户占比。这个计算过程简单，之所以说行之有效是因 为因子的权重符合两个条件，一是欺诈类因子与信任类因子的权重符号相 反，二是因子的区分度越好，绝对值也就越大。这样因子区分度的衡量及

步骤S250：获取所述多个因子中满足预设条件的因子作为触碰因子， 并基于所述触碰因子的权重获得所述触碰因子的统计量。

步骤S250是一个数据降维的过程，经过步骤S240之后，数据的维度 往往可以达到百万级甚至千万级，计算资源和响应速度也会限制反欺诈因 子库模型的使用。采用统计方法进行降维，除了考虑到计算简单、便于部 署以外，稳定性和可解释性也是重点考虑的原因。经过统计层后，数据维 度降低，且入模变量均为连续的数值变量，可以选择的建立反欺诈因子库 模型方法很多。

步骤S260：基于所述统计量建立所述反欺诈因子库模型。

其中，多个因子包括欺诈类因子、信任类因子、中立类因子。欺诈类 因子中的欺诈客户占比大于数据源中欺诈客户的占比，中立类因子中的欺 诈客户占比等于数据源中欺诈客户的占比，信任类因子中的欺诈客户占比 小于数据源中欺诈客户的占比。例如，数据源中欺诈客户的占比为百分之 二十，那么欺诈客户的占比为百分之二十五的因子视为欺诈类因子，欺诈 客户的占比为百分之二十的因子视为中立类因子，欺诈客户的占比为百分之十五的因子视为信任类因子。

需要说明的是，中立类因子的判断条件中的等于可以认为是接近于， 这样可以剔除一些不必要的因子，保证反欺诈因子库模型的稳定性。这个 接近的范围需要人为的进行制定，比如数据源中欺诈客户的占比为百分之 二十，那么在百分之二十周围有百分之五的浮动量的因子可视为是等同于 中立类的因子。例如欺诈客户的占比为百分之二十五的因子以及欺诈客户 的占比为百分之十五的因子，都可视为是中立因子。而欺诈客户的占比为百分之二十六的因子视为欺诈类因子。

作为一种实施方式，欺诈类因子还可以根据欺诈客户的占比的范围分 为强欺诈类因子和弱欺诈类因子，同样地，信任类因子也可以根据欺诈客 户的占比的范围分为强信任类因子和弱信任类因子。比如，欺诈客户的占 比的范围为百分之五十到百分之百的因子为强欺诈类因子，欺诈客户的占 比的范围为百分之三十到百分之五十的因子为弱欺诈类因子，此外，欺诈 客户的占比的范围为百分之十到百分之十五的因子为弱信任类因子，而欺 诈客户的占比的范围为另到百分之十的因子为强信任类因子。

具体地，步骤S260包括：根据信任类因子中触碰因子的统计量建立信 任分模型；根据欺诈类因子中触碰因子的统计量建立欺诈分模型；将信任 分模型和欺诈分模型整合建立反欺诈因子库模型。

先根据信任类因子中触碰因子的统计量建立信任分模型，再根据欺诈 类因子中触碰因子的统计量建立欺诈分模型。最后将信任分模型和欺诈分 模型整合建立反欺诈因子库模型。这样建立出的反欺诈因子库模型不仅能 从欺诈方面对客户进行评价，还能够从信任的角度对客户进行评价。这样 能够改善现有技术无法从信任的维度进行评价的缺点。

请参照图4，图4为本发明实施例提供的一种反欺诈预测装置的结构框 图。反欺诈预测装置100包括：

获取模块110，用于获取客户的个人信息数据。

评分模块120，用于将所述客户的个人信息数据输入至预先建立的反欺 诈因子库模型，输出用于表征所述客户的欺诈风险的评分。

预测单元130，根据所述评分对所述客户进行反欺诈预测，获得预测结 果。

具体地，请参照图5，图5为本发明实施例提供的另一种反欺诈预测装 置的结构框图。反欺诈预测装置100还包括：

数据源获取模块210，用于获取用于建立反欺诈因子库模型的数据源。

分组模块220，用于将所述数据源分为标示有不同标签的多个数据组。

因子生成模块230，用于从所述多个数据组中选取目标数据组，根据所 述目标数据组对应的标签生成对应的因子，所述目标数据组包括至少两个 数据组。

赋权模块240，用于根据每个所述因子对对应的客户的欺诈识别能力对 所述因子赋予权重。

计算模块250，用于获取所述多个因子中满足预设条件的因子作为触碰 因子，并基于所述触碰因子的权重获得所述触碰因子的统计量。

模型建立模块260，用于基于所述统计量建立所述反欺诈因子库模型。

具体地，所述多个因子包括欺诈类因子、信任类因子、中立类因子。 其中因子的分类需要有一个合适的划分范围，在上述方法中有详细的介绍， 请做相关的参考。

具体地，请参照图6，所述模型建立模块260，包括：

信任模型建立单元261，用于根据所述信任类因子的所述统计量建立信 任分模型。

欺诈模型建立单元262，用于根据所述欺诈类因子的所述统计量建立欺 诈分模型。

模型整合单元263，用于所述信任分模型和所述欺诈分模型整合建立所 述反欺诈因子库模型。

将信任分模型和欺诈分模型整合建立反欺诈因子库模型。这样建立出 的反欺诈因子库模型不仅能从欺诈方面对客户进行评价，还能够从信任的 角度对客户进行评价。这样能够改善现有技术无法从信任的维度进行评价 的缺点。

进一步地，所述预测模块用于将所述评分与预设的欺诈风险评分阈值 进行比较，若所述评分大于所述欺诈风险评分阈值，则所述预测结果为所 述客户为信任客户。

本发明实施例提供一种可读取存储介质，所述计算机程序被处理器执 行时，执行如图2所示方法实施例中电子设备所执行的方法过程。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述 描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再 过多赘述。

综上所述，本发明实施例提供一种反欺诈预测方法及装置，反欺诈预 测方法首先获取客户的个人信息数据，然后将客户的个人信息数据输入至 预先建立的反欺诈因子库模型，接着输出用于表征所述客户的欺诈风险的 评分，最后，根据所述评分对所述客户进行反欺诈预测，获得预测结果。 本方案中，通过预先建立的反欺诈因子库模型，输出用于表征所述客户的 欺诈风险的评分，根据该评分对客户进行反欺诈预测，使得对客户的反欺诈预测更为准确，从而可以对客户信用评价更为全面，进而对客户的信用 进行有效的评估。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法， 也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的， 例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方 法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流 程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所 述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标 注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方 框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依 所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及 框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的 基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个 独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集 成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使 用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发 明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的 部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储 介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服 务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步 骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光 盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于 本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精 神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明 的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似 项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对 其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局 限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可 轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明 的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用 来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者 暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品 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、物品或者设备中还 存在另外的相同要素。

Claims (10)

1.一种反欺诈预测方法，其特征在于，所述方法包括：

获取客户的个人信息数据；

将所述客户的个人信息数据输入至预先建立的反欺诈因子库模型，输出用于表征所述客户的欺诈风险的评分；

根据所述评分对所述客户进行反欺诈预测，获得预测结果。

2.根据权利要求1所述的反欺诈预测方法，其特征在于，获取客户的个人信息数据之前，所述方法还包括：

获取用于建立所述反欺诈因子库模型的数据源，所述数据源包括多个客户的个人信息数据；

将所述数据源分为标示有不同标签的多个数据组；

从所述多个数据组中选取目标数据组，根据所述目标数据组对应的标签生成对应的因子，所述目标数据组包括至少两个数据组；

根据每个所述因子对对应的客户的欺诈识别能力对所述因子赋予权重；

获取所述多个因子中满足预设条件的因子作为触碰因子，并基于所述触碰因子的权重获得所述触碰因子的统计量；

基于所述统计量建立所述反欺诈因子库模型。

3.根据权利要求2所述的反欺诈预测方法，其特征在于，所述多个因子包括欺诈类因子、信任类因子、中立类因子。

4.根据权利要求3所述的反欺诈预测方法，其特征在于，基于所述统计量建立所述反欺诈因子库模型，包括：

根据所述信任类因子中触碰因子的统计量建立信任分模型；

根据所述欺诈类因子中触碰因子的统计量建立欺诈分模型；

将所述信任分模型和所述欺诈分模型整合建立所述反欺诈因子库模型。

5.根据权利要求1所述的反欺诈预测方法，其特征在于，根据所述评分对所述客户进行反欺诈预测，获得预测结果，包括：

将所述评分与预设的欺诈风险评分阈值进行比较；

若所述评分大于所述欺诈风险评分阈值，则所述预测结果为所述客户为信任客户。

6.一种反欺诈预测装置，其特征在于，所述装置包括：

获取模块，用于获取客户的个人信息数据；

评分模块，用于将所述客户的个人信息数据输入至预先建立的反欺诈因子库模型，输出用于表征所述客户的欺诈风险的评分；

预测模块，用于根据所述评分对所述客户进行反欺诈预测，获得预测结果。

7.根据权利要求6所述的反欺诈预测装置，其特征在于，所述装置还包括：

数据源获取模块，用于获取用于建立所述反欺诈因子库模型的数据源，所述数据源包括多个客户的个人信息数据；

分组模块，用于将所述数据源分为标示有不同标签的多个数据组；

因子生成模块，用于从所述多个数据组中选取目标数据组，根据所述目标数据组对应的标签生成对应的因子，所述目标数据组包括至少两个数据组；

赋权模块，用于根据每个所述因子对对应的客户的欺诈识别能力对所述因子赋予权重；

计算模块，用于获取所述多个因子中满足预设条件的因子作为触碰因子，并基于所述触碰因子的权重获得所述触碰因子的统计量；

模型建立模块，用于基于所述统计量建立所述反欺诈因子库模型。

8.根据权利要求7所述的反欺诈预测装置，其特征在于，所述多个因子包括欺诈类因子、信任类因子、中立类因子。

9.根据权利要求8所述的反欺诈预测装置，其特征在于，所述模型建立模块，包括：

信任模型建立单元，用于根据所述信任类因子的所述统计量建立信任分模型；

欺诈模型建立单元，用于根据所述欺诈类因子的所述统计量建立欺诈分模型；

模型整合单元，用于所述信任分模型和所述欺诈分模型整合建立所述反欺诈因子库模型。

10.根据权利要求6所述的反欺诈预测装置，其特征在于，所述预测模块用于将所述评分与预设的欺诈风险评分阈值进行比较，若所述评分大于所述欺诈风险评分阈值，则所述预测结果为所述客户为信任客户。