CN109299811A - 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 - Google Patents
一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 Download PDFInfo
- Publication number
- CN109299811A CN109299811A CN201810948806.1A CN201810948806A CN109299811A CN 109299811 A CN109299811 A CN 109299811A CN 201810948806 A CN201810948806 A CN 201810948806A CN 109299811 A CN109299811 A CN 109299811A
- Authority
- CN
- China
- Prior art keywords
- fraud
- node
- clique
- model
- illustraton
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于复杂网络的欺诈团伙识别和风险传播预测方法，包括以下步骤：获取个体属性；确定所述主体属性和非主体属性的属性值唯一编码；数据过滤；建立存储和计算的数据结构；建立连通图，将所述主体属性值和非主体属性值抽象为节点，将主体属性值和非主体属性值的归属关系抽象为连接所述节点的边，所述节点和边组成连通图；根据所述连通图获取模型图；根据所述数据结构计算模型参数；根据所述模型参数进行欺诈团伙识别和欺诈风险传播预测。本发明根据图论的知识计算模型参数，并根据已知的欺诈用户对模型图进行分层级，从而达到准确地识别欺诈团伙和欺诈风险传播的预测目的。
Description
技术领域
本发明涉及金融风控反欺诈领域，特别涉及一种基于复杂网络的欺诈团伙识别和风险传播预测的方法。
背景技术
随着互联网金融的高速发展，面向个人的贷款流程仅需客户通过web端上传填写简单资料通过审批流程即可放款，由于部分公司风控手段的薄弱以及在当前情形下对此类金融活动违约用户的法律追责还在完善中，部分人群通过各种非法手段获取贷款额度，使用额度后不再进行归还，成为公司中的永久逾期用户，给公司带来巨大的经济损失，而这些人群往往呈现出有组织的团伙的性质，即这部分人之间都存在着某种关联关系，并且这种欺诈风险还有传播的可能。因此为了识别欺诈团伙和预测欺诈风险传播本领域技术人员利用复杂网络科学技术，根据个体用户的相关资料，将相关数据抽象为连通网络中的节点和边，形成网络图，利用图论的原理知识进行欺诈团伙的识别和风险传播预测，可以有效地降低公司损失。
然而现有技术中，相关的技术方案存在以下缺陷：
首先，关于在实现目标中的基层数据结构设计方面，现存发明又采用N*N的邻接矩阵作为输入的数据结构，这种方式在大规模数据集的情况下会占用更多的服务器的内存。
其次，在大规模数据集的情况下，同时结合六度理论，可知仅仅通过形成网络连通图来刻画群体具有不准确性。此时形成的群体具有松散的特征，并不符合在风控反欺诈领域所寻找的具有高关联特征的欺诈团伙。
最后，在进行计算团伙识别和个体传播方面网络属性时，现存发明只考虑了部分网络节点属性，而单一的从网络节点自身属性去刻画团伙/群体的性质亦具有不准确性，这种不确定性表现在无法刻画群体的整体聚集情况。
发明内容
为了解决现有技术的问题，本发明提供了一种基于复杂网络的欺诈团伙识别和风险传播预测方法。所述技术方案如下：
一种基于复杂网络的欺诈团伙识别和风险传播预测方法，包括以下步骤：
获取个体属性，所述个体属性包括主体属性和非主体属性；
确定所述主体属性和非主体属性的属性值唯一编码；
数据过滤，筛选出拥有两个或者两个以上主体属性值的非主体属性值以及其对应的主体属性值，作为输入数据；
建立存储和计算的数据结构；
建立连通图，将所述主体属性值和非主体属性值抽象为节点，将主体属性值和非主体属性值的归属关系抽象为连接所述节点的边，所述节点和边组成连通图；
根据所述连通图获取模型图；
根据所述数据结构和所述模型图计算模型参数；
根据所述模型参数进行欺诈团伙识别和欺诈风险传播预测。
进一步地，所述主体属性为界定唯一个体的单一确定性属性；所述非主体属性为归属于个体的非生理性的虚拟或者实物的财产。
进一步地，所述存储和计算的数据结构是维度为N*2的数组结构。
进一步地，所述根据所述连通图获取模型图包括如下步骤：
建立第一模型图，对所述连通图中的节点进行排序并采用深度优先搜索和广度优先搜索算法在点集和边集中挖掘第一模型图；
建立第二模型图，根据所述第一模型图中抽取仅以主体属性值作为节点，个体之间共用非主体属性值作为连接边的网络图，作为第二模型图。
进一步地，所述根据所述连通图获取模型图还包括：识别所述第二模型图中的完全子图。
进一步地，所述模型参数包括：节点度、节点桥点值、关联强度、非对称节点相似度、欺诈浓度；所述欺诈浓度＝团伙中已知欺诈人数/团伙大小。
进一步地，所述欺诈团伙识别包括以下步骤：
根据已知欺诈人群将所述模型图划分为不同层级的群组；
结合所述团伙大小、节点桥点值最大值、关联强度最大值、欺诈浓度确定每个群组的以上属性影响阈值；
根据所述属性影响阈值将不同的群组划分为不同等级的欺诈团伙。
进一步地，所述欺诈风险传播预测包括：
在所述模型图中识别节点之间的联系，其中至少有一个节点所在的群组为等级确定的欺诈团伙；
给定关联强度和非对称相似度阈值；
根据所述所在的群组为等级确定的欺诈团伙的节点对其它节点进行风险传播标记。
进一步地，所述模型参数还包括群体聚集系数。
进一步地，所述方法还包括根据所述群体聚集系数以及节点的桥点值识别所述模型图中的关键节点，结合所述关键节点所在群组的等级预测该节点个体为中介。
本发明实施例提供的技术方案带来的有益效果是：
1、本发明将个体的主体属性和非主体属性抽象为节点，所获得的连通图能够明确的表示出个体与其虚拟或实体财产的关系以及个体之间全面的联系，适用于个体数量庞大的数据的处理；
2、本发明确定存储和计算的数据结构为N*2，该种数据结构相对于现有技术中的N*N邻接矩阵形式，在相同数据量的情况下更节省内存；
3、本发明根据图论的知识计算模型参数，并根据已知的欺诈用户对模型图进行分层级，从而达到准确地识别欺诈团伙和欺诈风险传播的预测目的；
4、本发明还进一步地根据群体聚集系数进行中介个体的识别确定。
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他的附图。
图1是本发明实施例1提供的一种基于复杂网络的欺诈团伙识别和风险传播识别的方法的框架图；
图2是本发明实施例1提供的第一模型图示意图；
图3是本发明实施例1提供的第二模型图示意图；
图4是本发明实施例1提供的节点桥点值计算示例示意图；
图5是本发明实施例1提供的风险传播演示图；
图6是本发明实施例2提供的完全子图示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
一种基于复杂网络的欺诈团伙识别和风险传播预测方法，包括以下步骤：
获取个体属性，所述个体属性包括主体属性和非主体属性。主体属性为界定唯一个体的单一确定性属性，不可更改，例如个体的身份证号码；所述非主体属性为归属于个体的非生理性的虚拟或者实物的财产，可以是个体的手机号、邮箱、家庭住址、银行卡号等。
确定所述主体属性和非主体属性的属性值唯一编码。如下表1所示，给予身份证号和归属该身份证号的个体的非主体属性的属性值唯一编码。
表1
| 身份证号 | 身份证编码 | 属性值 | 属性值类型 | 属性值编码 | 备注 |
| 610188XXX | 1120000 | 187XX | 电活 | 1100001 | 1 |
数据过滤，筛选出拥有两个或者两个以上主体属性值的非主体属性值以及其对应的主体属性值，作为输入数据。
确定存储和计算的数据结构，根据所述模型图建立维度为N*2的存储和计算的数据结构。
建立连通图，将所述主体属性值和非主体属性值抽象为节点，将主体属性值和非主体属性值的归属关系抽象为连接所述节点的边，所述节点和边组成连通图。
根据所述连通图获取模型图：
如图2所示，建立第一模型图，对节点进行排序并采用深度优先搜索和广度优先搜索算法在点集和边集中挖掘第一模型图。
如图3所示，建立第二模型图，根据所述第一模型图中抽取仅以主体属性值作为节点，个体之间共用非主体属性值作为连接边的网络图，作为第二模型图。
第一模型图用于确定将个体之间关联在一起的介质，第二模型图在第一模型图的基础上形成了以个体主体属性为主的网络图，这个网络图映射现实中的团伙或者群体。
根据所述数据结构和所述模型图计算模型参数所述模型参数包括：节点度、节点桥点值、关联强度、非对称节点相似度、欺诈浓度。
其中，节点度为节点属性的度量，是依附在该节点的边的总数。
节点桥点值为任意两个非该节点的最短路径通过该节点的比率和。例如，如图4所示，任意两个非A节点间的最短路径和必须经过A的最短路径个数如下：
{(B,C):(1,1)},{(B,D):(1,1)},{(B,E):(1,0)},{(C,D):(1,1)},{(C,E):(1,1)},{(C,E):(1,1)}那么A的桥点值为(1/1)*5+(0/1)，将其进行标准化{(1/1)*5+(0/1)]*2/(5-1)*(5-2)。
关联强度为两个个体节点之间公用连接介质的个数。例如有两个节点：A:{phone:(t1,t2,t3),card(c1,c2,c3)},B:{phone:t1)，则示例中A和B的关联强度为1。
非对称节点相似度测量的是一对节点的亲密度。如前所述计算A和B之间的非对称相似度sim(A,B)＝1/2*1/3*1/2，sim(B,A)＝1*1*1/2。
欺诈浓度＝团伙中欺诈人数/团伙大小，所述团伙中欺诈人数为第二模型图中已知的欺诈个体数量；所述团伙大小根据第二模型图中拥有的节点个数确定。
根据所述模型参数进行欺诈团伙识别和欺诈风险传播预测。
其中欺诈团伙识别包括以下步骤：
根据已知欺诈人群将所述第二模型图划分为不同层级的群组。
结合团伙大小、节点桥点值最大值、关联强度最大值、欺诈浓度确定每个群组的以上属性影响阈值。
根据所述属性影响阈值将不同的群组划分为不同等级的欺诈团伙。
欺诈风险传播预测包括以下步骤：
在第二模型图中识别节点之间的联系，其中至少有一个节点所在的群组为等级确定的欺诈团伙。
给定关联强度和非对称相似度阈值。
如图5所示，根据所述所在的群组为等级确定的欺诈团伙的节点对其它节点进行风险传播标记。图5中箭头指向表示风险传播方向。
实施例2
一种基于复杂网络的欺诈团伙识别和风险传播预测方法，包括以下步骤：
获取个体属性，所述个体属性包括主体属性和非主体属性。所述主体属性为界定唯一个体的单一确定性属性；所述非主体属性为归属于个体的非生理性的虚拟或者实物的财产。
确定所述主体属性和非主体属性的属性值唯一编码。
数据过滤，筛选出拥有两个或者两个以上主体属性值的非主体属性值以及其对应的主体属性值，作为输入数据。
确定存储和计算的数据结构，根据所述模型图建立维度为N*2的存储和计算的数据结构。
建立连通图，将所述主体属性值和非主体属性值抽象为节点，将主体属性值和非主体属性值的归属关系抽象为连接所述节点的边，所述节点和边组成连通图。
根据连通图获取模型图。
建立第一模型图，对节点进行排序并采用深度优先搜索和广度优先搜索算法在点集和边集中挖掘第一模型图。
建立第二模型图，根据所述第一模型图中抽取仅以主体属性值作为节点，个体之间共用非主体属性值作为连接边的网络图，作为第二模型图。
识别所述第二模型图中的完全子图，如图6所示，圈中为完全子图。
当连通图规模较大的时候，在第二模型图中寻找完全子图，采取根据完全子图进行模型参数计算。
根据所述数据结构和所述模型图计算模型参数，所述模型参数包括：节点度、节点桥点值、关联强度、非对称节点相似度、群体聚集系数、欺诈浓度。所述欺诈浓度＝团伙中已知欺诈人数/团伙大小。所述群体聚集系数C的计算公式如下所示：
其中Ci为节点的聚集系数。
其中ki为节点i的度，Ei为节点i连接的边之间相互连接的边的数目。
根据所述模型参数进行欺诈团伙识别、欺诈风险传播预测和中介个体预测。
所述欺诈团伙识别包括以下步骤：
根据已知欺诈人群将所述第二模型图划分为不同层级的群组。
结合团伙大小、节点桥点值最大值、关联强度最大值、欺诈浓度确定每个群组的以上属性影响阈值。
根据所述属性影响阈值将不同的群组划分为不同等级的欺诈团伙。
所述欺诈风险传播预测包括：
在第二模型图中识别节点之间的联系，其中至少有一个节点所在的群组为等级确定的欺诈团伙。
给定关联强度和非对称相似度阈值。
根据所述所在的群组为等级确定的欺诈团伙的节点对其它节点进行风险传播标记。
中介个体预测包括：根据所述群体聚集系数以及节点的桥点值识别第二模型图中的关键节点，结合所述关键节点所在群组的等级预测该节点个体为中介。群体聚集系数介于0到1之间，群体聚集系数越大表示该节点与其他节点的关联性越高，成为中介的可能性越高。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。
Claims (10)
1.一种基于复杂网络的欺诈团伙识别和风险传播预测方法，其特征在于，包括以下步骤：
获取个体属性，所述个体属性包括主体属性和非主体属性；
确定所述主体属性和非主体属性的属性值唯一编码；
数据过滤，筛选出拥有两个或者两个以上主体属性值的非主体属性值以及其对应的主体属性值，作为输入数据；
建立存储和计算的数据结构；
建立连通图，将所述主体属性值和非主体属性值抽象为节点，将主体属性值和非主体属性值的归属关系抽象为连接所述节点的边，所述节点和边组成连通图；
根据所述连通图获取模型图；
根据所述数据结构和所述模型图计算模型参数；
根据所述模型参数进行欺诈团伙识别和欺诈风险传播预测。
2.如权利要求1所述的一种基于复杂网络的欺诈团伙识别和风险传播预测方法，其特征在于，所述主体属性为界定唯一个体的单一确定性属性；所述非主体属性为归属于个体的非生理性的虚拟或者实物的财产。
3.如权利要求1所述的一种基于复杂网络的欺诈团伙识别和风险传播预测方法，其特征在于，所述存储和计算的数据结构是维度为N*2的数组结构。
4.如权利要求1～3中任意一项所述的一种基于复杂网络的欺诈团伙识别和风险传播预测方法，其特征在于，所述根据所述连通图获取模型图包括如下步骤：
建立第一模型图，对所述连通图中的节点进行排序并采用深度优先搜索和广度优先搜索算法在点集和边集中挖掘第一模型图；
建立第二模型图，根据所述第一模型图中抽取仅以主体属性值作为节点，个体之间共用非主体属性值作为连接边的网络图，作为第二模型图。
5.如权利要求4所述的一种基于复杂网络的欺诈团伙识别和风险传播预测方法，其特征在于，所述根据所述连通图获取模型图还包括：识别所述第二模型图中的完全子图。
6.如权利要求1所述的一种基于复杂网络的欺诈团伙识别和风险传播预测方法，其特征在于，所述模型参数包括：节点度、节点桥点值、关联强度、非对称节点相似度、欺诈浓度；所述欺诈浓度＝团伙中已知欺诈人数/团伙大小。
7.如权利要求6所述的一种基于复杂网络的欺诈团伙识别和风险传播预测方法，其特征在于，所述欺诈团伙识别包括以下步骤：
根据已知欺诈人群将所述模型图划分为不同层级的群组；
结合所述团伙大小、节点桥点值最大值、关联强度最大值、欺诈浓度确定每个群组的以上属性影响阈值；
根据所述属性影响阈值将不同的群组划分为不同等级的欺诈团伙。
8.如权利要求7所述的一种基于复杂网络的欺诈团伙识别和风险传播预测方法，其特征在于，所述欺诈风险传播预测包括：
在所述模型图中识别节点之间的联系，其中至少有一个节点所在的群组为等级确定的欺诈团伙；
给定关联强度和非对称相似度阈值；
根据所述所在的群组为等级确定的欺诈团伙的节点对其它节点进行风险传播标记。
9.如权利要求6所述的一种基于复杂网络的欺诈团伙识别和风险传播预测方法，其特征在于，所述模型参数还包括群体聚集系数。
10.如权利要求9所述的一种基于复杂网络的欺诈团伙识别和风险传播预测方法，其特征在于，所述方法还包括根据所述群体聚集系数以及节点的桥点值识别所述模型图中的关键节点，结合所述关键节点所在群组的等级预测该节点个体为中介。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810948806.1A CN109299811B (zh) | 2018-08-20 | 2018-08-20 | 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810948806.1A CN109299811B (zh) | 2018-08-20 | 2018-08-20 | 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109299811A true CN109299811A (zh) | 2019-02-01 |
| CN109299811B CN109299811B (zh) | 2021-02-02 |
Family
ID=65165374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810948806.1A Active CN109299811B (zh) | 2018-08-20 | 2018-08-20 | 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109299811B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070364A (zh) * | 2019-03-27 | 2019-07-30 | 北京三快在线科技有限公司 | 基于图模型检测团伙欺诈的方法和装置、存储介质 |
| CN110224859A (zh) * | 2019-05-16 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 用于识别团伙的方法和系统 |
| CN110349004A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于用户节点关系网络的欺诈风险侦测方法及装置 |
| CN110428291A (zh) * | 2019-08-07 | 2019-11-08 | 上海观安信息技术股份有限公司 | 一种利用有向无环图识别黑产团伙的方法 |
| CN110580260A (zh) * | 2019-08-07 | 2019-12-17 | 北京明略软件系统有限公司 | 针对特定群体的数据挖掘方法及装置 |
| CN110688536A (zh) * | 2019-09-25 | 2020-01-14 | 中国建设银行股份有限公司 | 一种标签预测方法、装置、设备和存储介质 |
| CN110766091A (zh) * | 2019-10-31 | 2020-02-07 | 上海观安信息技术股份有限公司 | 一种套路贷团伙的识别方法及系统 |
| CN111143665A (zh) * | 2019-10-15 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种欺诈的定性方法、装置及设备 |
| CN111178615A (zh) * | 2019-12-24 | 2020-05-19 | 成都数联铭品科技有限公司 | 一种企业风险识别模型的构建方法及系统 |
| CN111612041A (zh) * | 2020-04-24 | 2020-09-01 | 平安直通咨询有限公司上海分公司 | 异常用户识别方法及装置、存储介质、电子设备 |
| CN111616721A (zh) * | 2020-05-31 | 2020-09-04 | 天津大学 | 基于深度学习和脑机接口的情绪识别系统及应用 |
| CN112465638A (zh) * | 2020-11-16 | 2021-03-09 | 中科金审(北京)科技有限公司 | 一种资金交易拆分组合的链路追踪的方法 |
| CN112686337A (zh) * | 2021-02-08 | 2021-04-20 | 南京审计大学 | 一种基于深度优先算法的跨平台信用信息融合方法 |
| CN112926991A (zh) * | 2021-03-30 | 2021-06-08 | 顶象科技有限公司 | 一种套现团伙严重等级划分方法及系统 |
| CN112989374A (zh) * | 2021-03-09 | 2021-06-18 | 闪捷信息科技有限公司 | 基于复杂网络分析的数据安全风险识别方法及装置 |
| WO2021169631A1 (zh) * | 2020-02-29 | 2021-09-02 | 深圳壹账通智能科技有限公司 | 欺诈人员识别方法、装置、设备和存储介质 |
| CN113763167A (zh) * | 2021-08-11 | 2021-12-07 | 杭州盈火网络科技有限公司 | 一种基于复杂网络的黑名单挖掘方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7458508B1 (en) * | 2003-05-12 | 2008-12-02 | Id Analytics, Inc. | System and method for identity-based fraud detection |
| CN107292424A (zh) * | 2017-06-01 | 2017-10-24 | 四川新网银行股份有限公司 | 一种基于复杂社交网络的反欺诈和信用风险预测方法 |
| CN107943879A (zh) * | 2017-11-14 | 2018-04-20 | 上海维信荟智金融科技有限公司 | 基于社交网络的欺诈团体检测方法及系统 |
-
2018
- 2018-08-20 CN CN201810948806.1A patent/CN109299811B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7458508B1 (en) * | 2003-05-12 | 2008-12-02 | Id Analytics, Inc. | System and method for identity-based fraud detection |
| CN107292424A (zh) * | 2017-06-01 | 2017-10-24 | 四川新网银行股份有限公司 | 一种基于复杂社交网络的反欺诈和信用风险预测方法 |
| CN107943879A (zh) * | 2017-11-14 | 2018-04-20 | 上海维信荟智金融科技有限公司 | 基于社交网络的欺诈团体检测方法及系统 |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070364A (zh) * | 2019-03-27 | 2019-07-30 | 北京三快在线科技有限公司 | 基于图模型检测团伙欺诈的方法和装置、存储介质 |
| CN110224859B (zh) * | 2019-05-16 | 2022-04-01 | 蚂蚁智安安全技术(上海)有限公司 | 用于识别团伙的方法和系统 |
| CN110224859A (zh) * | 2019-05-16 | 2019-09-10 | 阿里巴巴集团控股有限公司 | 用于识别团伙的方法和系统 |
| CN110349004A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于用户节点关系网络的欺诈风险侦测方法及装置 |
| CN110428291A (zh) * | 2019-08-07 | 2019-11-08 | 上海观安信息技术股份有限公司 | 一种利用有向无环图识别黑产团伙的方法 |
| CN110580260A (zh) * | 2019-08-07 | 2019-12-17 | 北京明略软件系统有限公司 | 针对特定群体的数据挖掘方法及装置 |
| CN110580260B (zh) * | 2019-08-07 | 2023-05-26 | 北京明智和术科技有限公司 | 针对特定群体的数据挖掘方法及装置 |
| CN110688536A (zh) * | 2019-09-25 | 2020-01-14 | 中国建设银行股份有限公司 | 一种标签预测方法、装置、设备和存储介质 |
| CN111143665A (zh) * | 2019-10-15 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种欺诈的定性方法、装置及设备 |
| CN111143665B (zh) * | 2019-10-15 | 2023-07-14 | 支付宝(杭州)信息技术有限公司 | 一种欺诈的定性方法、装置及设备 |
| CN110766091A (zh) * | 2019-10-31 | 2020-02-07 | 上海观安信息技术股份有限公司 | 一种套路贷团伙的识别方法及系统 |
| CN110766091B (zh) * | 2019-10-31 | 2024-02-27 | 上海观安信息技术股份有限公司 | 一种套路贷团伙的识别方法及系统 |
| CN111178615B (zh) * | 2019-12-24 | 2023-10-27 | 成都数联铭品科技有限公司 | 一种企业风险识别模型的构建方法及系统 |
| CN111178615A (zh) * | 2019-12-24 | 2020-05-19 | 成都数联铭品科技有限公司 | 一种企业风险识别模型的构建方法及系统 |
| WO2021169631A1 (zh) * | 2020-02-29 | 2021-09-02 | 深圳壹账通智能科技有限公司 | 欺诈人员识别方法、装置、设备和存储介质 |
| CN111612041A (zh) * | 2020-04-24 | 2020-09-01 | 平安直通咨询有限公司上海分公司 | 异常用户识别方法及装置、存储介质、电子设备 |
| CN111612041B (zh) * | 2020-04-24 | 2023-10-13 | 平安直通咨询有限公司上海分公司 | 异常用户识别方法及装置、存储介质、电子设备 |
| CN111616721B (zh) * | 2020-05-31 | 2022-05-27 | 天津大学 | 基于深度学习和脑机接口的情绪识别系统及应用 |
| CN111616721A (zh) * | 2020-05-31 | 2020-09-04 | 天津大学 | 基于深度学习和脑机接口的情绪识别系统及应用 |
| CN112465638A (zh) * | 2020-11-16 | 2021-03-09 | 中科金审(北京)科技有限公司 | 一种资金交易拆分组合的链路追踪的方法 |
| CN112686337B (zh) * | 2021-02-08 | 2021-06-08 | 南京审计大学 | 一种基于深度优先算法的跨平台信用信息融合方法 |
| CN112686337A (zh) * | 2021-02-08 | 2021-04-20 | 南京审计大学 | 一种基于深度优先算法的跨平台信用信息融合方法 |
| CN112989374A (zh) * | 2021-03-09 | 2021-06-18 | 闪捷信息科技有限公司 | 基于复杂网络分析的数据安全风险识别方法及装置 |
| CN112926991A (zh) * | 2021-03-30 | 2021-06-08 | 顶象科技有限公司 | 一种套现团伙严重等级划分方法及系统 |
| CN112926991B (zh) * | 2021-03-30 | 2024-04-30 | 中国银联股份有限公司 | 一种套现团伙严重等级划分方法及系统 |
| CN113763167A (zh) * | 2021-08-11 | 2021-12-07 | 杭州盈火网络科技有限公司 | 一种基于复杂网络的黑名单挖掘方法 |
| CN113763167B (zh) * | 2021-08-11 | 2023-11-17 | 杭州盈火网络科技有限公司 | 一种基于复杂网络的黑名单挖掘方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109299811B (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109299811A (zh) | 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 | |
| CN110413707A (zh) | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 | |
| CN108681936B (zh) | 一种基于模块度和平衡标签传播的欺诈团伙识别方法 | |
| CN108492173A (zh) | 一种基于双模网络图挖掘算法的信用卡反欺诈预测方法 | |
| CN109918452A (zh) | 一种数据处理的方法、装置、计算机存储介质及终端 | |
| CN107784598A (zh) | 一种网络社区发现方法 | |
| CN106682986A (zh) | 一种基于大数据的复杂金融交易网络活动图的构造方法 | |
| CN106326637A (zh) | 一种基于局部有效路径度的链路预测方法 | |
| CN112417176B (zh) | 基于图特征的企业间隐性关联关系挖掘方法、设备及介质 | |
| CN108647800A (zh) | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 | |
| CN105825430A (zh) | 一种基于异构社会网络的检测方法 | |
| CN110705045A (zh) | 一种利用网络拓扑特性构建加权网络的链路预测方法 | |
| CN110704694A (zh) | 一种基于网络表示学习的组织层级划分方法及其应用 | |
| Hsiao | Evaluating the mobilization effect of online political network structures: A comparison between the Black Lives Matter network and ideal type network configurations | |
| CN107729939A (zh) | 一种面向新增电网资源的cim模型扩展方法及装置 | |
| CN104731887B (zh) | 一种协同过滤中的用户相似度度量方法 | |
| CN108536825A (zh) | 一种识别房源数据是否重复的方法 | |
| CN106649380A (zh) | 一种基于标签的热点推荐方法及系统 | |
| CN104715034A (zh) | 基于中心人物的有权图重叠社区发现方法 | |
| CN109410035B (zh) | 一种协助反欺诈分析群组结构的方法及工具 | |
| CN102750288B (zh) | 一种互联网内容推荐方法及装置 | |
| CN110502880B (zh) | 一种基于属性聚合的异构身份关联方法 | |
| CN109919459B (zh) | 一种面向社交网络对象间影响力度量的方法 | |
| CN109885797B (zh) | 一种基于多身份空间映射的关系网络构建方法 | |
| CN109255433B (zh) | 一种基于相似性的社区检测的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |