CN109472694A - 一种可疑交易行为发现系统 - Google Patents
一种可疑交易行为发现系统 Download PDFInfo
- Publication number
- CN109472694A CN109472694A CN201710659714.7A CN201710659714A CN109472694A CN 109472694 A CN109472694 A CN 109472694A CN 201710659714 A CN201710659714 A CN 201710659714A CN 109472694 A CN109472694 A CN 109472694A
- Authority
- CN
- China
- Prior art keywords
- transaction
- suspicious
- unit
- trading activity
- network
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000002123 temporal effect Effects 0.000 claims abstract description 13
- 238000004900 laundering Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims description 3
- 238000000034 method Methods 0.000 description 16
- 230000009471 action Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000011273 social behavior Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种可疑交易行为发现系统(100)，包括：交易数据提供单元(101)，构成为用于提供交易数据；时间设定单元(102)，构成为用于设定要分析处理的所述交易数据的时间特征；分析处理单元(103)，构成为用于从具有所述时间特征的交易数据中提取多个交易特征并且对所述交易特征进行分析以便获取准可疑交易网络；筛查单元(104)，通过筛查知识对所述获取的准可疑交易网络进行筛查，获取可疑交易网络以及相应的可疑交易行为；其中所述分析处理单元(103)分别与所述交易数据提供单元(101)、时间设定单元(102)以及筛查单元(104)数据连接并且可以相互交换数据。
Description
技术领域
本发明涉及一种可疑交易行为发现系统。
背景技术
在Ayasdi公司提出的专利文献US20170169174中公开了结合洗钱黑名单寻找交易网络中与洗钱黑名单用户有关联的用户作为可疑排查对象。BAE公司的NetReveal反洗钱系统与Ayasdi公司系统相似，均以已有可疑人员为起点，结合现有网络社交行为，寻找可疑的洗钱行为。此类方法能够从黑名单关联中找到可疑洗钱交易，但若产生与过去案例毫无关联的洗钱行为则无从排查。
联合服务汽车协会(United Services Automobile Association,USAA)提出的专利文献US7805362B1中公开了一种结合地理位置信息、客户个人信息、产品信息的洗钱检测方法，其中系统分别对用户地理位置信息、个人信息和购买产品信息进行单独评分，最后通过三方面评分加权计算总体洗钱风险得分，筛查可疑洗钱人员。此类方法主要通过规则定义的方法筛查洗钱行为，然而基于规则定义的方法过于死板，并且其中涉及大量经验相关参数调整直接影响系统排查效果，同时此类方法所需的信息大多获取困难，并不实用。
目前在国内，如在中国建行提出的专利文献CN201510857280.2中公开如下，即洗钱人员筛查方法仅为简单的黑名单命中；中国银联提出的专利文献CN201610522577.8中则公开了通过聚类划分及偏离确定，将离群的异常账户作为可疑洗钱账户输出；而中国银联的另一专利文献CN201610647003.3对前述专利进行了改进，对账户特征也进行了权重设置，最后根据预设的洗钱标准确定某一聚类类别为洗钱类别，将洗钱类别内所有账户认定为可疑账户输出。
此外，专利文献CN101246620A中提出一种监视装置，其中通过多次检测使用者的特定举动，在多次检测到特定举动时，判断为存在“可疑举动”，那么终端向使用者提问交易的状况。根据提问的回答结果判断是否存在诈骗等可疑行为的可能性。
发明内容
本发明涉及一种可疑交易行为发现系统，包括：交易数据提供单元，包括数据输入装置和数据存储装置并且构成为用于提供交易数据；时间设定单元，构成为用于设定要分析处理的所述交易数据的时间特征；分析处理单元，构成为用于从具有所述时间特征的交易数据中提取多个交易特征并且对所述交易特征进行分析以便获取准可疑交易网络；筛查单元，通过筛查知识对所述获取的准可疑交易网络进行筛查，获取可疑交易网络以及相应的可疑交易行为，其中所述分析处理单元分别与所述交易数据提供单元、时间设定单元以及筛查单元数据连接并且可以相互交换数据。
本发明的构思在于，采用智能网络聚类与发现算法提出一种可疑交易行为发现系统，其中结合银行客户交易情况，亦即由银行客户提供的交易数据准确地提取客户交易的特征，更准确地筛查出可疑的客户交易，以便确定其可能涉及的非法条例。
有利地，按照本发明提出的可疑交易行为发现系统还可以包括分类单元，所述分类单元与所述筛查单元数据连接并且构成为通过分类知识将所述获取的可疑交易网络进行分类。由此可以在确定可疑交易之后，进一步准确地对其进行分类，以便区别地采取进一步措施。
有利地，所述时间特征包括所述交易信息的核查时间段和核查模型周期。
有利地，所述交易特征包括交易金额特征、频次特征、IP特征和交易时间特征。
有利地，所述交易数据提供单元包括数据输入装置和数据存储装置。
有利地，通过所述分析处理单元对所述交易特征进行的分析处理包括：
根据所述提取的多个交易特征分别生成相应的特征网络；
根据所述生成的特征网络实施网络社区发现以便获取准可疑交易网络。
有利地，可以通过Louvain算法和/或改进的CNM算法实施网络社区发现。
Louvain算法是一种基于多层次优化Modularity的图算法模型(Modularity函数最初被用于衡量社区发现算法结果的质量，它能够刻画发现的社区的紧密程度)，与普通的基于模块度和模块度增益不同的是，该算法速度很快，而且对一些点多边少的图，进行聚类效果特别明显。
Modularity的定义如下：
其中，m表示网络中边的数量，A为邻接矩阵，如果ci、cj相同则δ(ci，cj)＝1，否则为0。
Louvain算法包括两个阶段，在阶段一，不断地遍历网络中的结点，尝试将单个结点加入能够使modularity提升最大的社区中，直到所有结点都不再变化；在阶段二，处理第一阶段的结果，将一个个小的社区归并为一个超结点来重新构造网络，这时边的权重为两个结点内所有原始结点的边权重之和。迭代这两个步骤直至算法稳定。
CNM算法为Clauset等人在FN算法基础上提出的一种新的凝聚算法。CNM算法首先构造了一个Modularity增量矩阵ΔQij，然后通过对它的元素进行更新来得到最大Modularity，最终确定网络的社区结构。该算法根据Modularity的Q函数公式，只存储有边相连的社区i和j相应的元素ΔQij。
算法流程如下：
初始化网络(n个节点，m个边)中每一个节点为一个独立社区。针对矩阵E＝(eij)，eij和ai满足：
ai＝ki/2m
其中ki为节点i的度。
Modularity增量矩阵定义如下：
从最大堆H中选择最大的ΔQij，合并社区i和j，同时更新合并后的社区的标号为j；更新ΔQij、H和ai；
更新最大堆H。更新ΔQij后，需更新H中相应的行和列的元素；
更新辅助向量ai
a′j＝aj+ai
ai＝0
同时记录合并以后的Modularity值Q＝Q+ΔQij，重复步骤2，直到所有节点都划分到一个社区。
有利地，可以使用金额特征和频次特征实施网络社区发现。
有利地，筛查知识可以包括由所述发现的网络社区提取的中心节点和网络特征。其中，可以采用中心节点算法实现中心节点提取，该算法主要使用的核心概念为度，度为图论中的概念，代表与某一节点相连的边的数量，度分为出度与入度，出度只某一节点指向其他节点边的数量，入度只其他节点指向某一节点边的数量。中心节点算法即为寻找图中度最大的N个节点，入度中心节点算法为寻找入度最大的N个节点，出度中心节点算法为寻找出度最大的N个节点。算法步骤为：
·计算所有节点的度(入度、出度)
·对节点排序
·选择其中排名前N个为中心节点。
在按照本发明提出的系统中，可疑交易可以包括洗钱、诈骗、地下钱庄、赌博、涉黄、涉恐、贩毒、非法集资、飞单理财等。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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描述本发明的一部分实施例。这些附图对于本发明来说并不是限制性的，而是起示例性的作用。其中：
图1示出按照本发明提出的可疑行为发现系统的方框图；
图2示出利用按照本发明的系统的一个实施例执行可疑行为发现过程中的交易人员的交易金额网络；
图3示出利用按照本发明的系统的一个实施例执行可疑行为发现过程中的交易人员的交易频次网络；
图4a、4b示出利用按照本发明的系统的一个实施例执行可疑行为发现过程中使用Louvain算法获取的两个金额网络社区；
图5a、5b示出利用按照本发明的系统的一个实施例执行可疑行为发现过程中使用Louvain算法获取的两个频次网络社区。
具体实施方式
图1示出按照本发明提出的可疑行为发现系统100的方框图。
按照本发明提出的可疑交易行为发现系统主要可以包括：构成为用于提供交易数据的交易数据提供单元101；时间设定单元102，构成为用于设定要分析处理的所述交易数据的时间特征；分析处理单元103，构成为用于从具有所述时间特征的交易数据中提取多个交易特征并且对所述交易特征进行分析以便获取准可疑交易网络；筛查单元104，通过筛查知识对所述获取的准可疑交易网络进行筛查，获取可疑交易网络，其中所述分析处理单元分别与所述交易数据提供单元、时间设定单元以及筛查单元数据连接并且可以相互交换数据。
以下描述借助于根据本发明提出的可疑交易行为发现系统的一个具体实施例进行可疑交易行为发现的实现过程。
典型地，按照本实施例的可疑交易行为发现系统包括：交易数据提供单元101、时间设定单元102、分析处理单元103和筛查单元104。此外，根据该实施例的系统还包括分类单元105(附图中未示出)，分类单元105与筛查单元104数据连接并且构成为通过分类知识将所述获取的可疑交易网络进行分类。比如，可疑交易可能的类别可以包括洗钱、诈骗、地下钱庄、赌博、涉黄、涉恐、贩毒、非法集资、飞单理财等。
在该实施例中，交易数据提供单元101包括数据输入装置和数据存储装置。通过数据输入装置可以将保存在数据存储装置中的交易数据提供给分析处理单元103。分析处理单元103可以构成为例如计算机的中央处理器或者智能装置的中央运算处理器用于对交易数据进行进一步处理。
一般而言，在将保存在数据存储装置中的交易数据提供给分析处理单元103之前，通常要通过时间设定单元102设定要分析处理的所述交易数据的时间特征。在该实施例中，时间特征可以包括交易信息的核查时间段和核查模型周期。按照本实施例的系统在具体执行可疑交易发现时，可以首先通过例如核查时间选择模块选择进行可疑交易筛选的时间段，例如选择时间段为2016年1月1日到2016年12月30日，这表示系统接下来将会仅从这个时间段内的交易数据中进行诸如筛查可疑交易的一系列进一步处理；然后可以通过模型核查周期选择模块选择周期，周期指具体的特征进行统计的时间周期，比如若用户选择时间段为2016年全年，周期选择为2月，则系统根据选择会将1、2月交易数据进行统计特征提取，3、4月交易数据进行统计特征提取，以此类推。
通常，交易数据中包含有包括交易金额特征、频次特征、IP特征和交易时间特征等的交易特征。
金额特征Mi为一段周期内，某一客户向另一客户转账金额总数，其中mi，j为客户i与客户j交易总额：
频次特征Fi为一段周期内某一客户向另一客户转账频次数，其中fi，j为客户i与客户j交易次数：
IP特征为某一IP对应常使用的客户数量IPN；
时间特征为某一客户转账时间段统计，表示为周期内每个时间段内转账次数统计，t为时间段，时间段的长短选择范围可以从1小时-12小时：
下面结合一个具体的例子来描述该系统的运行方式。
假设通过交易数据提供单元和时间设定单元获得以下2个月(1月1日到2月28日)的交易数据如下表1所示，其中每一列内容为客户向对手转账X金额、使用IP以及转账时间(日期时分)：
| 客户ID | 对手ID | 金额 | IP | 时间 |
| 1 | 2 | 3 | 100.100.100.100 | 01011230 |
| 2 | 3 | 4 | 1.1.1.1 | 01011240 |
| 4 | 2 | 10 | 100.100.100.100 | 01011235 |
| 5 | 2 | 11 | 100.100.100.100 | 01011238 |
| 1 | 2 | 3 | 100.100.100.100 | 01031532 |
| 2 | 3 | 4 | 1.1.1.1 | 01031835 |
| 4 | 2 | 10 | 100.100.100.100 | 01031540 |
| 5 | 2 | 11 | 100.100.100.100 | 01031720 |
| 1 | 2 | 3 | 100.100.100.100 | 01040930 |
| 2 | 3 | 4 | 1.1.1.1 | 01051430 |
| 4 | 2 | 10 | 100.100.100.100 | 01041000 |
| 5 | 2 | 11 | 2.2.2.2 | 01052343 |
| 1 | 2 | 3 | 100.100.100.100 | 01051202 |
| 2 | 3 | 4 | 1.1.1.1 | 01060205 |
| 4 | 2 | 10 | 3.3.3.3 | 01081503 |
| 5 | 2 | 11 | 2.2.2.2 | 02061356 |
| 6 | 7 | 1 | 4.4.4.4 | 02071827 |
| 7 | 8 | 2 | 5.5.5.5 | 02170352 |
| 6 | 9 | 18 | 4.4.4.4 | 02191730 |
| 6 | 3 | 1 | 4.4.4.4 | 02281853 |
表1
然后这些数据将输入分析处理单元103进行进一步分析处理。
首先，例如设定交易数据的发生时间段分为四段：9点-12点(类型1)，12点-18点(类型2)，18点-24点(类型3)，0点-9点(类型4)；常用时间段数量TN为1。
由这些交易数据得到的金额特征如表2所示：
| 客户ID | 对手ID | 金额特征 |
| 1 | 2 | 12 |
| 2 | 3 | 16 |
| 4 | 2 | 40 |
| 5 | 2 | 44 |
| 6 | 7 | 1 |
| 7 | 8 | 2 |
| 6 | 9 | 18 |
| 6 | 3 | 1 |
表2
频次特征如表3所示：
| 客户ID | 对手ID | 频次特征 |
| 1 | 2 | 4 |
| 2 | 3 | 4 |
| 4 | 2 | 4 |
| 5 | 2 | 4 |
| 6 | 7 | 1 |
| 7 | 8 | 1 |
| 6 | 9 | 1 |
| 6 | 3 | 1 |
表3
IP特征如表4所示：
| 常用IP | IPN | 使用客户 |
| 100.100.100.100 | 3 | 1,4,5 |
| 1.1.1.1 | 1 | 2 |
| 2.2.2.2 | 1 | 5 |
| 3.3.3.3 | 1 | 4 |
| 4.4.4.4 | 1 | 6 |
| 5.5.5.5 | 1 | 7 |
表4
时间段特征如表5所示：
| 客户ID | 时间段 | 使用客户 |
| 1 | 2 | 3 |
| 2 | 2 | 2 |
| 4 | 2 | 3 |
| 5 | 2 | 3 |
| 6 | 3 | 2 |
| 7 | 4 | 1 |
表5
接着，将金额特征与频次特征转换为金额网络与频次网络。其中，将分别以交易人员为节点，相应特征如金额特征或频次特征为权重构建对应于该特征的特征网络，即金额特征网络与频次特征网络。
图2示出利用按照本发明的系统的一个实施例执行可疑行为发现过程中的交易人员的交易金额特征网络，其中节点编号为交易人员编号与对应交易人员编号，权重为金额特征；图3示出利用按照本发明的系统的一个实施例执行可疑行为发现过程中的交易人员的交易频次特征网络，其中节点编号为交易人员编号与对应交易人员编号，权重为频次特征。
接着，在分析处理单元103中，分别对金额与频次网络使用Louvain算法获取相应网络社区，金额网络提取出的两个社区由图4a、4b所示；频次网络提取出的两个社区由图5a、5b所示。亦即，实现社区发现。同样可选择地，在社区发现的实现中采用Louvain算法结合诸如或改进的CNM算法实施网络社区发现也是可以考虑的。同样可以考虑的是采用其他可以实现社区发现的相似和/或功能相似的算法。由此，这四个社区网络就是获取的准可疑交易网络。
然后，在筛查单元104中，分别对发现的构成为准可疑交易网络的网络社区实施中心节点提取和网络特征提取。具体而言，首先分别计算所有网络的网络特征包括节点数、最大金额、最大频次，并定义节点数阈值N为4，金额总量阈值M_sum为50，频次总量阈值F_sum为8，则分别筛选出如图4a所示的金额社区1和如图5a所示的频次社区1作为可疑交易网络社区。
其中，通过中心节点提取算法提取每一个社区中排名第一的中心节点，其中金额社区1获得中心节点为2号客户(度为112)，频次社区1获得中心节点为2号客户(度为16)。那么2号客户就是相应的可疑交易人员。
备选或附加地，在筛查单元104中，还可以例如根据《金额机构大额交易和可疑交易报告管理办法》来确定符合大额交易和可疑交易标准的这样的筛查知识。通过这样的筛查知识可以对已筛选的可疑金额网络、频次网络亦即包括节点(交易人员)进行再次过滤，最终得到比较准确的可疑网络结果，在该实施例中最终得到的可疑交易网络为金额社区1及频次社区1，而2号客户作为网络中的可疑人员。
最后，通过在分类单元105中设定的重复使用IP客户数量阈值IP_threshold＝2，亦即，超过该阈值的为疑似飞单网络；中心节点转入频次F_threshold＝80，超过阈值的疑似为非法集资网络。最后则发现，金额社区1以及频次社区1中IP100.100.100.100的重复使用客户数量为3，超过阈值重复使用IP客户数量阈值IP_threshold，可疑判断金额社区1以及频次社区1均为疑似飞单网络。
最后可疑结果展示中展示如表6：
| 可疑网络 | 可疑类型 | 可疑人员 |
| 金额社区1 | 疑似飞单 | 2号客户 |
| 频次社区1 | 疑似飞单 | 2号客户 |
表6
对所提出的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。应当理解，以上实施例中所公开的特征，除了有特别说明的情形外，都可以单独地或者相结合地使用。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本文所公开的本发明并不局限于所公开的具体实施例，而是意在涵盖如所附权利要求书所限定的本发明的精神和范围之内的修改。
Claims (10)
1.一种可疑交易行为发现系统(100)，包括：
交易数据提供单元(101)，构成为用于提供交易数据；
时间设定单元(102)，构成为用于设定要分析处理的所述交易数据的时间特征；
分析处理单元(103)，构成为用于从具有所述时间特征的交易数据中提取多个交易特征并且对所述交易特征进行分析以便获取准可疑交易网络；
筛查单元(104)，构成为通过筛查知识对所述获取的准可疑交易网络进行筛查，获取可疑交易网络以及相应的可疑交易行为；
其中所述分析处理单元(103)分别与所述交易数据提供单元(101)、时间设定单元(102)以及筛查单元(104)数据连接并且构成为可相互交换数据。
2.根据权利要求1所述的可疑交易行为发现系统(100)，还包括分类单元(105)，所述分类单元(105)与所述筛查单元(104)数据连接并且构成为通过分类知识将所述获取的可疑交易网络进行分类。
3.根据权利要求1或2所述的可疑交易行为发现系统(100)，其特征在于，所述时间特征包括所述交易信息的核查时间段和核查模型周期。
4.根据权利要求1或2所述的可疑交易行为发现系统(100)，其特征在于，所述交易特征包括交易金额特征、频次特征、IP特征和交易时间特征。
5.根据权利要求1或2所述的可疑交易行为发现系统(100)，其特征在于，所述交易数据提供单元(101)包括数据输入装置和数据存储装置。
6.根据权利要求1或2所述的可疑交易行为发现系统(100)，其特征在于，通过所述分析处理单元(103)对所述交易特征进行的分析处理包括：
根据所述提取的多个交易特征分别生成相应的特征网络；
根据所述生成的特征网络实施网络社区发现以便获取准可疑交易网络。
7.根据权利要求6所述的可疑交易行为发现系统(100)，其特征在于，通过Louvain算法和/或改进的CNM算法实施网络社区发现。
8.根据权利要求6所述的可疑交易行为发现系统(100)，其特征在于，使用金额特征和频次特征实施网络社区发现。
9.根据权利要求6所述的可疑交易行为发现系统(100)，其特征在于，所述筛查知识包括由所述发现的网络社区提取的中心节点和网络特征。
10.根据权利要求1至9之一所述的可疑交易行为发现系统(100)，其特征在于，所述可疑交易包括洗钱、诈骗、地下钱庄、赌博、涉黄、涉恐、贩毒、非法集资、飞单理财。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710659714.7A CN109472694A (zh) | 2017-09-08 | 2017-09-08 | 一种可疑交易行为发现系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710659714.7A CN109472694A (zh) | 2017-09-08 | 2017-09-08 | 一种可疑交易行为发现系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109472694A true CN109472694A (zh) | 2019-03-15 |
Family
ID=65657887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710659714.7A Pending CN109472694A (zh) | 2017-09-08 | 2017-09-08 | 一种可疑交易行为发现系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109472694A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362609A (zh) * | 2019-07-01 | 2019-10-22 | 西安交通大学 | 一种基于二部图的股票协同交易疑点群体检测方法 |
| CN111242763A (zh) * | 2020-01-07 | 2020-06-05 | 北京明略软件系统有限公司 | 一种目标用户群的确定方法及装置 |
| CN112750047A (zh) * | 2020-03-07 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 行为关系信息提取方法及装置、存储介质、电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104199832A (zh) * | 2014-08-01 | 2014-12-10 | 西安理工大学 | 基于信息熵的金融网络异常交易社区发现方法 |
| CN104660594A (zh) * | 2015-02-09 | 2015-05-27 | 中国科学院信息工程研究所 | 一种面向社交网络的虚拟恶意节点及其网络识别方法 |
| CN105931046A (zh) * | 2015-12-16 | 2016-09-07 | 中国银联股份有限公司 | 一种可疑交易节点集合侦测方法及装置 |
-
2017
- 2017-09-08 CN CN201710659714.7A patent/CN109472694A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104199832A (zh) * | 2014-08-01 | 2014-12-10 | 西安理工大学 | 基于信息熵的金融网络异常交易社区发现方法 |
| CN104660594A (zh) * | 2015-02-09 | 2015-05-27 | 中国科学院信息工程研究所 | 一种面向社交网络的虚拟恶意节点及其网络识别方法 |
| CN105931046A (zh) * | 2015-12-16 | 2016-09-07 | 中国银联股份有限公司 | 一种可疑交易节点集合侦测方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362609A (zh) * | 2019-07-01 | 2019-10-22 | 西安交通大学 | 一种基于二部图的股票协同交易疑点群体检测方法 |
| WO2021000475A1 (zh) * | 2019-07-01 | 2021-01-07 | 西安交通大学 | 一种基于二部图的股票协同交易疑点群体检测方法 |
| CN110362609B (zh) * | 2019-07-01 | 2021-09-07 | 西安交通大学 | 一种基于二部图的股票协同交易疑点群体检测方法 |
| CN111242763A (zh) * | 2020-01-07 | 2020-06-05 | 北京明略软件系统有限公司 | 一种目标用户群的确定方法及装置 |
| CN112750047A (zh) * | 2020-03-07 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 行为关系信息提取方法及装置、存储介质、电子设备 |
| CN112750047B (zh) * | 2020-03-07 | 2023-09-05 | 腾讯科技（深圳）有限公司 | 行为关系信息提取方法及装置、存储介质、电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aldstadt et al. | Using AMOEBA to create a spatial weights matrix and identify spatial clusters | |
| CN109034194B (zh) | 基于特征分化的交易欺诈行为深度检测方法 | |
| CN110781308B (zh) | 一种基于大数据构建知识图谱的反欺诈系统 | |
| CN109615524B (zh) | 洗钱犯罪团伙的识别方法、装置、计算机设备及存储介质 | |
| CN110188198A (zh) | 一种基于知识图谱的反欺诈方法及装置 | |
| CN107507038B (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
| CN106789844B (zh) | 一种恶意用户识别方法及装置 | |
| CN109377339A (zh) | 一种可疑交易案例的辅助甄别方法及系统 | |
| CN109472694A (zh) | 一种可疑交易行为发现系统 | |
| Changpetch et al. | Selection of multinomial logit models via association rules analysis | |
| CN108764943B (zh) | 基于资金交易网络的可疑用户监测分析方法 | |
| Savage et al. | Detection of money laundering groups: Supervised learning on small networks | |
| Husslage et al. | Ranking terrorists in networks: A sensitivity analysis of Al Qaeda's 9/11 attack | |
| Yamak et al. | Detection of multiple identity manipulation in collaborative projects | |
| CN110349013A (zh) | 风险控制方法及装置 | |
| CN108268886A (zh) | 用于识别外挂操作的方法及系统 | |
| CN109241994A (zh) | 一种用户异常行为检测方法、装置、设备及存储介质 | |
| Conley et al. | Estimating dynamic local interactions models | |
| CN109325814A (zh) | 一种用于发现可疑交易网络的方法 | |
| CN104731937B (zh) | 用户行为数据的处理方法及装置 | |
| El Moudden et al. | Automatic speech analysis in patients with parkinson's disease using feature dimension reduction | |
| CN109426965A (zh) | 一种基于机器学习的可疑交易网络识别方法 | |
| Petyaeva et al. | Improving our understanding of user trial samples using survey data | |
| CN114155096A (zh) | 基于三部图的银行侦测网络赌博资金非法转移行为的方法 | |
| CN114329228A (zh) | 一种数据处理方法、装置、电子设备及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190315 |