CN109636572A - 银行卡的风险检测方法、装置、设备及可读存储介质 - Google Patents
银行卡的风险检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN109636572A CN109636572A CN201811251433.9A CN201811251433A CN109636572A CN 109636572 A CN109636572 A CN 109636572A CN 201811251433 A CN201811251433 A CN 201811251433A CN 109636572 A CN109636572 A CN 109636572A
- Authority
- CN
- China
- Prior art keywords
- bank
- card
- bank card
- credit
- risk
- 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 54
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000012552 review Methods 0.000 claims description 10
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 9
- 229910052709 silver Inorganic materials 0.000 claims description 9
- 239000004332 silver Substances 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 13
- 238000012502 risk assessment Methods 0.000 abstract description 7
- 238000012098 association analyses Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 56
- 230000008569 process Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 230000000155 isotopic effect Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000009467 reduction Effects 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
- G06Q40/03—Credit; Loans; Processing thereof
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)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种银行卡的风险检测方法、装置、设备及可读存储介质，从银行卡号出发、以“关系”的方式将贷款申请者的银行卡与其它信息(包括贷款申请者的信息和历史信贷信息)进行整合和关联，有利于确定银行卡与其它信息之间的联系；并结合染黑(或染灰)的处理逻辑对银行卡的风险性进行分析和检测，基于大数据关联分析处理方式对潜在信贷欺诈风险进行了有效预测，提高了信贷分析和风险评估的准确性，能够更有效地对潜在风险进行预警，可尽早地发现并规避风险和降低贷款坏账率，有利于提高业务安全。
Description
技术领域
本发明涉及大数据领域，尤其涉及一种银行卡的风险检测方法、装置、设备及可读存储介质。
背景技术
随着社会和金融行业的快速发展，信贷业务活跃于市场。信贷机构在进行放款前，需要对贷款申请者进行风控分析，以确定其欺诈风险性；在分析过程中，往往会涉及到对贷款申请者的银行卡信息的分析。传统的信贷分析方法，只是通过确认银行卡持有者的方式对银行卡信息的真实性进行验证，这种方法忽略了银行卡与其它信贷信息之间的关联性，从而降低了信贷风险分析的准确性。
发明内容
本发明的主要目的在于提供一种银行卡的风险检测方法、装置、设备及可读存储介质，旨在提高信贷风险检测的准确性。
为实现上述目的，本发明提供一种银行卡的风险检测方法，所述银行卡的风险检测方法包括：
在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的银行卡的银行卡号、及所述信贷申请者的基本地址；
对所述银行卡号进行归属地分析，获取对应的银行卡归属地，并根据预设关联规则和所述银行卡归属地在所述银行卡与所述基本地址之间建立关联；
根据所述银行卡号在预设信贷记录库中查询与所述银行卡号匹配的历史信贷件，并在所述银行卡与所述历史信贷件之间建立关联；
根据预设关系度公式计算所述银行卡与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；
当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；
若所述关系度大于预设关系阈值，则确定所述银行卡为风险卡。
此外，为实现上述目的，本发明还提供一种银行卡的风险检测装置，所述银行卡的风险检测装置包括：
请求接收模块，用于在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的银行卡的银行卡号、及所述信贷申请者的基本地址；
第一关联模块，用于对所述银行卡号进行归属地分析，获取对应的银行卡归属地，并根据预设关联规则和所述银行卡归属地在所述银行卡与所述基本地址之间建立关联；
第二关联模块，用于根据所述银行卡号在预设信贷记录库中查询与所述银行卡号匹配的历史信贷件，并在所述银行卡与所述历史信贷件之间建立关联；
关系度计算模块，用于根据预设关系度公式计算所述银行卡与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；
关系度判断模块，用于当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；
银行卡确定模块，用于若所述关系度大于预设关系阈值，则确定所述银行卡为风险卡。
此外，为实现上述目的，本发明还提供一种银行卡的风险检测设备，所述银行卡的风险检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的风险检测程序，其中所述风险检测程程序被所述处理器执行时，实现如上述的银行卡的风险检测方法的步骤。
此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有风险检测程序，其中所述风险检测程序被处理器执行时，实现如上述的银行卡的风险检测方法的步骤。
本发明以“关系”的方式将贷款申请者的银行卡与其它信息(包括贷款申请者的信息和历史信贷信息)进行整合和关联，有利于确定银行卡与其它信息之间的联系；并结合染黑(或染灰)的处理逻辑对银行卡的风险性进行分析和检测，基于大数据关联分析处理方式对潜在信贷欺诈风险进行了有效预测，提高了信贷分析的准确性，能够更有效地对潜在风险进行预警，可尽早地发现并规避风险和降低贷款坏账率。
附图说明
图1为本发明实施例方案中涉及的银行卡的风险检测设备的硬件结构示意图；
图2为本发明银行卡的风险检测方法第一实施例的流程示意图；
图3为图2所示实施例涉及的信息关联示意图；
图4为本发明银行卡的风险检测装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例涉及的银行卡的风险检测方法主要应用于银行卡的风险检测设备，该银行卡的风险检测设备可以是个人计算机(personal computer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。
参照图1，图1为本发明实施例方案中涉及的银行卡的风险检测设备的硬件结构示意图。本发明实施例中，银行卡的风险检测设备可以包括处理器1001(例如中央处理器Central Processing Unit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(random access memory，RAM)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及风险检测程序。在图1中，网络通信模块可用于连接贷款终端，与贷款终端进行数据通信；而处理器1001可以调用存储器1005中存储的风险检测程序，并执行本发明实施例提供的银行卡的风险检测方法。
本发明实施例提供了一种银行卡的风险检测方法。
参照图2，图2为本发明银行卡的风险检测方法第一实施例的流程示意图。
本实施例中，所述银行卡的风险检测方法包括以下步骤：
步骤S10，在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的银行卡的银行卡号、及所述信贷申请者的基本地址；
随着社会和金融行业的快速发展，信贷业务活跃于市场。信贷机构在进行放款前，需要对贷款申请者进行风控分析，以确定其欺诈风险性；在分析过程中，往往会涉及到对贷款申请者的银行卡的分析。传统的信贷分析方法，只是通过确认银行卡持有者的方式对银行卡信息的真实性进行验证，这种分析方法忽略了银行卡与其它信贷信息之间的关联性，从而降低了信贷风险分析的准确性。对此，本实施例中提出一种银行卡的风险检测方法，在进行信贷风险分析时，在贷款申请者的银行卡与其它信息之间建立关联关系，从而对贷款申请者的银行卡进行关联分析，基于大数据关联分析处理方式对潜在信贷欺诈风险进行了有效预测，提高了信贷风险检测的准确性。
本实施例中的银行卡的风险检测方法是由银行卡的风险检测设备实现的，该银行卡的风险检测设备以服务器为例进行说明。本实施例中，贷款申请者在需要进行信贷申请时，可在贷款终端(如个人电脑PC、笔记本电脑、手机、平板电脑等)上进行信贷操作，贷款终端则根据贷款申请者的操作向服务器发送对应的信贷请求。服务器在接收到贷款终端发送的信贷请求时，将要获取贷款申请者所持有的银行卡的银行卡号；当然除了银行卡号，服务器还可以获取银行卡的其它信息，如开卡时间、有效期等。
对于该银行卡号(或银行卡的其它信息)的获取，可以是服务器在接收到该信贷请求时向贷款终端发送银行卡号询问信息，以使贷款申请者根据该银行卡卡号询问信息在贷款终端中手动录入对应的银行卡号并发送至服务器；当然也可以是贷款申请者在通过贷款终端进行信贷操作时直接手动录入银行卡号，由贷款终端将该银行卡号添加至信贷请求中一起发送至服务器。
进一步的，为了减少贷款申请者的操作量，方便贷款申请者提供银行卡信息，贷款申请者还可以是提供相应的银行卡图像，由服务器通过OCR(Optical CharacterRecognition，光学字符识别)技术对该银行卡图像进行识别得到对应的银行卡号。具体的，服务器在接收到贷款终端发送的信贷请求时，将根据该信贷请求向贷款终端发送对应的银行卡图像上传提示；贷款申请者在通过贷款终端看到该银行卡图像上传提示时，需要通过贷款终端上传对应的银行卡图像，该银行卡图像可以是贷款申请者通过贷款终端实时拍摄银行卡得到，也可以是预先存储在贷款终端或网盘等。在得到银行卡图像时，服务器将通过OCR技术对该银行卡图像进行识别，获取对应的银行卡号。
当然，为了保证后续图像识别的准确性，对于银行卡图像的分辨率、图像尺寸、图像文件格式等图像属性也可以进行要求；服务器中预先设置有银行卡图像的图像标准，该标准的属性包括图像文件格式、图像文件大小、图像尺寸、图像像素等；服务器在接收到贷款终端上传的银行卡图像时，将会获取该银行卡图像的图像属性信息，并判断该图像属性信息是否满足预设的图像标准；若不符合，则服务器会向贷款终端返回二次上传提示，以通知贷款申请者重新按要求上传银行卡图像；若符合，则会进行下一步的银行卡图像识别操作。
在进行银行卡图像识别时，考虑到银行卡信息的内容分布是具有一定规律的，银行卡号一般位于银行卡正面的中部(当然不同类型、不同发卡行的银行卡，银行卡号的分布形式仍具有差别，例如银行卡号可能横向分布，也可能纵向分布；又例如银行卡号可能是平面印刷，也可能是凸面表示)；对此，在对银行卡图像进行识别时，可先根据银行卡信息分布规律，对银行卡图像进行区域划分，划分出包括银行卡号的有效区域，该有效区域的图像可称为有效图像，然后再针对该有效图像进行后续的字符特征提取和识别，从而减少了数据计算和处理量，提高识别效率。值得说明的是，当所需要获取的银行卡信息还包括其它内容时，如有效期限(一般位于银行卡号的下方)、银行卡制造信息(一般位于银行卡背面的左上角或右上角)，则在进行区域划分时还可根据要获取信息类型划分得到多个有效区域(图像)。在得到有效图像后，还可以对有效图像进行其它的预处理，以方便后续的OCR识别，例如图像二值化、降噪等操作。其中，二值化是指将有效图像(或银行卡图像)转化为只含两种黑白颜色的二值图像，这是由于彩色图像所含信息量巨大，对其进行后续处理时计算量也会随之增大，花费的时间也会边长，因此为提高处理和识别的效率，可先对彩色图进行二值化处理；去噪则是通过滤波器或是其它方式解决数字图像由于噪声干扰而导致图像质量下降的问题。在获得有效图像时，即可对有效图像中进行字符特征提取。字符特征可说是识别的主要依据，简易的区分可分为两类：一为统计的特征，如字符区域内的黑/白点数比，当字符区域分成好几个区域时，这一个个区域黑/白点数比之联合，就成了空间的一个数值向量，在比对时，基本的数学理论就足以应付了；而另一类特征为结构的特征，如字符影像细线化后，取得字符的笔划端点、交叉点之数量及位置作为特征。在获取到有效图像的字符特征，即可配合对应的比对方法，将该字符特征与字符库中的备选特征进行匹配，从而找到最接近的备选特征，并根据该最接近备选特征的字符含义确定该银行卡图像对应的银行卡号。
进一步的，对于该字符特征提取和特征识别匹配的过程，可以通过神经网络识别模型完成；即将有效图像输入到训练好的神经网络识别模型，由模型根据训练过程总结的逻辑经验进行字符特征提取和特征识别匹配，从而获取银行卡号。具体的，首先需要建立用于识别训练模型的数据训练集；考虑到银行卡号一般为包括印刷体的阿拉伯数字0至9，且相对于手写体更规范，因此可通过Python生成字符图片字库，即得到了数据训练集(即为备选特征)。然后即可构建初始网络模型，本实施例中可用caffe框架构建和训练网络模型，其中Caffe是目前深度学习领域主流的一个开源库，采用C++和CUDA实现，支持MATLAB和Python接口，速度快、开放性好、易于模块化拓展；由于在Caffe中直接使用的是lmdb或者leveldb文件，因此在训练前需要将图片文件转化成db文件，让Caffe可识别(该转化过程可直接使用Caffe的convert_imageset.cpp工具类文件实现)。值得说明的是，当所要识别的银行卡号包括英文字符、又或是其它种类、笔画、结构较为复杂的字符时，构建的初始网络模型可以是深层次的网络模型，如多层的卷积神经网络。在构建初始网络模型后，即可将数据训练集输入到初始网络模型中并对其进行迭代训练，当训练一定程度时(该程度的可是迭代次数衡量，也可以是用其它精度参数来表征)，即可认为得到神经网络识别模型。本实施例中，得到有效图像后，服务器开始调用该神经网络识别模型进行识别，首先初始化经过训练得到的神经网络识别模型和训练的备选特征，然后将该有效图像输入至神经网络识别模型中进行特征提取，得到字符特征；然后该将字符特征与备选特征进行一一比对，从而找到最接近的备选特征，并根据该最接近备选特征的确定字符的形体含义；在得到有效图像中所有字符的形体含义时，再将将各信息进行拼接，存入数组中，并以一定格式(如json)返回输出，即得到了该银行卡图像对应的银行卡号。
本实施例中，服务器在根据信贷请求获取信贷申请者的银行卡的银行卡号的同时，还将获取贷款申请者的其它基本信息，包括有贷款申请者在进行贷款申请时主动提供的个人信息，还包括有服务器检测到的环境信息。对于个人信息，包括有家庭地址、工作地址、单位地址、手机号、常用联系人等，这些个人信息也可以是贷款申请者在通过贷款终端在网络上提出贷款申请时，自行录入至贷款终端，并由贷款终端发送至服务器中。对于环境信息，则包括有贷款终端的GPS地址、贷款终端的IP地址(Internet Protocol Address，互联网协议地址)等；当然这些环境信息可能是需要得到贷款申请者的授权后服务器才可进行获取。在得到贷款申请者的基本信息时，服务器将会根据这些基本信息获取到对应的基本地址，例如家庭地址、工作地址、IP地址所属地等。
步骤S20，对所述银行卡号进行归属地分析，获取对应的银行卡归属地，并根据预设关联规则在所述银行卡与所述基本地址之间建立关联；
对于银行卡号，一般与银行卡归属地(或是银行卡开户行所在地)具有具有一定的对应关系，对此服务器在获取到贷款申请者的银行卡的银行卡号时，将对该银行卡号进行分析，确定该银行卡对应的银行卡归属地(或是银行卡开户行所在地)。
其中，银行卡号通常是具有固定位数的(如国内银行一般是16位或19位、外资银行的银行卡可能会少于14位)，而银行卡号的不同位数具有其各自的含义，例如银行卡号包括发行者代码(Bank Identification Number，BIN)、个人账号标识和校验位，其中通过发行者代码可确定发卡组织或机构，如62开头的是中国银联，进一步的，在银联体系中，621661开头的是中国银行，622848开头是中国农业银行，627100是中国建设银行等，而4开头的是VISA卡；而通过个人账号标识位可确定银行卡归属地(开户行所在地)，如6到7位是01代表北京，02代表上海；值得说明的是，对于不同银行的银行卡，其个人账号标识位的编码规律可以也不同。对此，服务器中可预先设置有银联编码规则、该银联编码规则包括发行者代码表和不同发卡组织的发卡行账户标识表，其中发行者代码表包括有各发卡组织的发行者代码，而发卡行账户标识表中则包括有该发卡行的个人账户标识位与地址之间的对应关系；服务器在获取到银行卡号时，即根据该银联编码规则对银行卡号进行分析，首先对银行卡号进行分段，获取到其中的发行者标识和个人账户标识；然后根据发行者标识和发行者代码表确定对应的发卡组织，并获取该发卡组织对应的发卡行账户标识表，再根据个人账户标识位和发卡行账户标识表确定该银行卡的银行卡归属地。当然，在实际中，服务器也可以是与银行系统进行连接，在获得银行卡号信息时，直接向银行系统发送地址查询请求，以查询该银行卡号信息对应的银行卡地址。进一步的，服务器在根据银行卡号确定银行卡地址的同时，还可以根据银行卡号确定该银行卡的类型，例如普卡、金卡、白金卡等；其中，该银行卡类型的确定方法与上述归属地的确定方法类似，此处不再赘述。
本实施例中，服务器在确定银行卡归属地时，将会基于预设关联规则在银行卡和步骤S10所获得的基本地址之间建立关联，从而将贷款申请者的银行卡与贷款申请者的其它地址信息联系起来，形成地址关联网络；在该地址关联网络中，贷款申请者的银行卡也可以是看作一个地址(银行卡归属地址)，此时该地址关联网络中至少包括两个地址(一个银行卡归属地址和至少一个基本地址)。而对于银行卡与基本地址的关联，则可以是根据多种方式建立的。
可选地，对于银行卡与基本地址的关联，可以是通过距离匹配的方式建立的距离匹配关联。具体的，服务器首先将确定各基本地址所对应的真实位置，然后确定银行卡归属地与基本地址的真实距离；当该真实距离小于预设距离阈值时，即可在银行卡与该基本地址之间建立距离匹配关联。例如，对于银行卡归属地X省Y市a区和工作单位地址X省Y市c区，两者的真实地址距离为1000米，小于预设距离阈值5000米，则可在两者之间建立距离匹配关联。进一步的，当两个地址建立距离匹配关联后，还可以根据真实地址距离的大小定义其关联强度值，真实地址距离越小，关联强度值越大。通过距离匹配的关联方式，可从实际距离的维度将银行卡与距离相近的基本地址进行关联，以进行后续的欺诈分析。
可选地，对于银行卡与基本地址的关联，还可以是通过模糊匹配的方式建立的模糊匹配关联，即计算银行卡归属地与基本地址之间的地址文本匹配度，若该地址文本匹配度大于预设文本阈值，即可在银行卡与该基本地址之间建立模糊匹配关联。具体的，服务器首先根据一定的规则分别将银行卡归属地和基本地址量化为对应的第一地址字符组S1和第二地址字符组S2，地址字符组的形式可以为(省，市，区)，当然该规则和地址字符组的形式也可以根据实际情况进行设置；在量化完成时，服务器对第一地址字符组S1和第二地址字符组S2进行并集运算得到全字符组S(该全字符组中不含有重复的元素)；随后，服务器将分别根据全字符组S的各字符在第一地址字符组S1和第二地址字符组S2中出现频率、确定对应的第一频率组SS1和第二频率组SS2；在得到第一频率组SS1和第二频率组SS2时，即可将第一频率组SS1和第二频率组SS2代入至预设文本匹配公式中计算银行卡归属地与基本地址之间的地址文本匹配度，该预设文本匹配公式为：
其中，sim(SS1,SS2)为银行卡归属地与基本地址之间的地址文本匹配度，p为第一频率组SS1或第二频率组SS2的元素数量；SS1i为所述第一频率组SS1第i个元素，SS2i所述第二频率组SS2第i个元素，0＜i≤n，且i为整数。若该地址文本匹配度大于预设文本阈值，即可在银行卡与该基本地址之间建立模糊匹配关联。进一步的，当银行卡与基本地址建立模糊匹配关联后，还可以根据地址文本匹配度的大小定义其关联强度值，地址文本匹配度越大，关联强度值越大。通过模糊匹配的关联方式，可从地址文本的维度将银行卡与地址文本相似的基本地址进行关联，以进行后续分析。
值得说明的是，若银行卡无法与任何一个基本地址建立关联，说明该银行卡具有较大的信息孤立性，此时可直接认为银行卡是可疑的，并将该银行卡确定为风险卡。
步骤S30，根据所述银行卡号在预设信贷记录库中查询与所述银行卡号匹配的历史信贷件，并在所述银行卡与所述历史信贷件之间建立关联；
本实施例中，在将银行卡与基本地址建立关联的同时，服务器还可根据该银行卡号查询预设的信贷记录库，以确定是否曾有人以该银行卡号进行过信贷申请；若有，则服务器将会获取与该银行卡号对应的历史信贷件，该历史信贷件中还包括有电话号码、地址(包括多种地址)、证件号(包括多种证件号)等历史信贷信息。例如，服务器根据贷款申请人本次(18年3月)申请所提供的银行卡号，查询到17年3月的历史信贷记录中也使用了相同的银行卡号进行信贷申请，而在17年3月的历史信贷记录中，则还包括提出当时所提供的电话号码、地址、护照等历史信贷信息。在获取到与该银行卡号对应的历史信贷件时，则可以在该银行卡与历史信贷件之间建立关联。
进一步的，在将银行卡与历史信贷件建立关联时，还可以将本次提出信贷请求时该银行卡所对应的持有者信息与历史信贷件的银行卡持有者信息进行交叉比对，以进行资信校验。例如，贷款申请人本次(18年3月)申请所提供的银行卡的绑定身份证号为ID1，关联的历史信贷件(17年3月)的银行卡的绑定身份证号为ID2，而对于银行卡而言，其绑定的身份证号一般是不会变动的，此时若ID1与ID2不相同，则可认为该银行卡绑定了两个身份证号，此时可直接认为银行卡是可疑的，并将该银行卡确定为风险卡。
值得说明的是，对于本实施例中与银行卡进行直接关联的基本地址和历史信贷件，可称为一次关联信息；而对于一次关联信息，还可能会与其它的信息具有关联，例如基本地址中的工作地址与该地址的单位实体(如单位类型、单位股东等)关联，基本地址中家庭地址与该地址的小区信息(如小区房价、小区物业信息等)关联，又例如历史信贷件与该历史信贷件的偿还情况、贷款人等关联；对于这些与一次关联信息关联的其它信息，为描述方便，可称为二次关联信息，这些二次关联信息可看作与银行卡间接关联；一次关联信息与二次关联信息统称为关联信息，银行卡与关联信息均具有关联关系(直接关联或间接关联)。依此类推，银行卡还可以与三次关联信息、四次关联信息等进行关联，从而以银行卡为起点，建立信息关联图谱(信息关联网络)，以进行后续的风险分析。
步骤S40，根据预设关系度公式计算所述银行卡与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；
本实施例中，在银行卡与基本地址、历史信贷件建立关联后，服务器将根据预设关系度公式计算银行卡与各关联信息之间的关系度，其中这些关联信息包括基本地址和历史信贷件。而对于银行卡与关联信息之间的关系度，则可看作是银行卡与关联信息之间联系紧密的表征；关系度越大，两者的联系越紧密。其中预设关系度公式为：
其中f为银行卡与关联信息之间的关系度；
m为银行卡与关联信息之间的最短关联路径上的路径信息数量(或称为关系链上的信息数量，关系链的两个端点分别为银行卡和关联信息)，可根据银行卡与关联信息之间的关联关系确定，且路径信息包括银行卡和关联信息，m≥2；值得说明的是，当银行卡所关联的关联信息包括一次关联信息、二次关联信息、三次关联信息等时，若计算的是一次关联信息与银行卡的关系度，则m＝2，若计算的是二次关联信息与银行卡的关系度，则m＝3，依此类推；
k0为与关联信息的信息类型对应的预设距离系数，0＜k0；对于各类关联信息的k0，可以是服务器中预先设置，如服务器中预先存储有信息系数表，信息系数表中记录有类各关联信息所对应的k0值，服务器可根据要计算的关联信息的信息类型查询该信息系数表从而确定出k0值，例如工作地址(基本地址)的k0值为12，历史信贷件的k0为15等；
x0为与关联信息的信息类型对应的预设强度系数，0＜x0；对于上述的信息系数表，还记录有类各关联信息所对应的x0值，服务器可根据要计算的关联信息的信息类型查询该信息系数表从而确定出x0值；
ki为最短关联路径上各路径信息各自对应的关联距离系数，0＜ki；ki可根据路径信息与关联信息之间的最短关联路径的关联距离di(即最短关系链中的关系数)与预设关联距离公式确定，且在预设关联距离公式中ki与di呈负相关的关系，di越大，ki越小；当然预设关联距离公式可以是根据实际情况进行设置，例如ki＝di -1；
xi为最短关联路径上各路径信息各自对应的关联强度系数，0＜xi；xi与路径信息的信息类型有关，例如家庭地址的关联强度系数大于单位地址的关联强度系数；对于上述的信息系数表，还记录有类各路径信息所对应的xi值，服务器可根据要计算的路径信息的信息类型查询该信息系数表从而确定出xi值；当然该关联强度系数还可以与建立关联时的关联强度值有关(路径因子与基本地理位置因子方向的相邻因子的关联强度值越大，衰减因子系数越大)。
ui为最短关联路径上各路径信息各自对应的衰减因子系数，0＜ui≤1；，ui与路径信息的信息类型有关，例如家庭地址的衰减因子系数小于单位地址的衰减因子系数；对于上述的信息系数表，还记录有类各路径信息所对应的xi值，服务器可根据要计算的路径信息的信息类型查询该信息系数表从而确定出xi值。
具体的，在计算银行卡与某一关联信息的关联度时，首先根据要计算的关联信息的信息类型查询信息系数表，获取该关联信息的预设距离系数k0和预设强度系数x0；然后根据银行卡与该关联信息的关联关系确定两者的计算关系路径，其中若银行卡与该关联信息之间有多条关系路径，则选择关系数最少的一条作为计算关系路径(即最短关系路径)；在确定计算关系路径时，将要确定该计算关系路径上的所有路径信息(包括银行卡与该关联信息)，并根据计算关系路径的所有路径信息分别与关联信息的关联距离、各路径信息的信息类型、关联强度等确定各路径信息对应的关联距离系数ki、衰减因子系数ui和关联强度系数xi，再将各参数代入至上述公式中，即可计算出银行卡与该关联信息的关系度。服务器在计算得银行卡与该关联信息之间的关系度时，还可生成对应的信息关联图并标注关系度，如图3所示，图3中关联信息包括家庭地址(关系度73)、单位地址(关系度80)、历史信贷件20173xx(关系度58)。
步骤S40，当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；
本实施例中，服务器在得到银行卡与该关联信息之间的关系度时，即可通过染黑逻辑(或染灰逻辑)对银行卡进行欺诈风险分析。具体的，当某一关联信息属于黑名单信息(或者该关联信息确认为虚假)时，服务器将判断银行卡与该关联信息之间的关系度是否大于预设阈值，即通过两者之间的关系紧密程度关联分析银行卡的风险性。
步骤S50，若所述关系度大于预设关系阈值，则确定所述银行卡为风险卡。
本实施例中，若银行卡与该黑名单关联信息之间的关系度大于预设阈值，则可认为银行卡也是可疑的，并将该银行卡确定为风险卡。
进一步的，在确定该银行卡为风险卡时，服务器还可以根据关系度给出相关的处理建议。例如服务器中设置有预设复核阈值，其中预设复核阈值大于预设关系阈值；当确定银行卡为风险卡时(银行卡与该黑名单关联信息之间的关系度大于预设阈值)，还将判断银行卡与该黑名单关联信息之间的关系度是否大于预设复核阈值；若该关系度大于预设复核阈值，则服务器将输出拒绝放款的建议；若该关系度小于或等于预设复核阈值，则服务器将输出人工复核的建议。通过这样的方式，可在提高信贷风险分析的准确性的同时，降低误判率。
再进一步的，服务器在对银行卡的风险性进行分析之后，还可以生成对应的分析报告，分析报告的内容可以包括银行卡与基本地址、历史信贷件建立关联的建立过程(包括计算过程)、信息关联图、关系度计算和判断过程等，以供分析人员查看。
本实施例在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的银行卡的银行卡号、及所述信贷申请者的基本地址；对所述银行卡号进行归属地分析，获取对应的银行卡归属地，并根据预设关联规则和所述银行卡归属地在所述银行卡与所述基本地址之间建立关联；根据所述银行卡号在预设信贷记录库中查询与所述银行卡号匹配的历史信贷件，并在所述银行卡与所述历史信贷件之间建立关联；根据预设关系度公式计算所述银行卡与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；若所述关系度大于预设关系阈值，则确定所述银行卡为风险卡。通过以上方式，本实施例以“关系”的方式将贷款申请者的银行卡与其它信息(包括贷款申请者的信息和历史信贷信息)进行整合和关联，有利于确定银行卡与其它信息之间的联系；并结合染黑(或染灰)的处理逻辑对银行卡的风险性进行分析和检测，基于大数据关联分析处理方式对潜在信贷欺诈风险进行了有效预测，提高了信贷分析的准确性，能够更有效地对潜在风险进行预警，可尽早地发现并规避风险和降低贷款坏账率。
进一步的，基于上述图2所示实施例，提出本发明银行卡的风险检测方法的第二实施例。
在本实施例中，所述步骤S20之前，还包括：
基于预设卡号校验规则对所述银行卡号进行形式校验，判断所述银行卡号的形式是否有效。
本实施例中，服务器在得到银行卡号后，还可以首先对银行卡号进行简单的形式校验，判断该银行卡号的形式是否有效，从而确定是否存在银行卡号误输入或是编造的情况。具体的，对于银行卡号而言，可通过检验数字算法(Luhn Check Digit Algorithm、或称模数10公式)进行校验；在进行校验时，对于银行卡号各位数字(包括最右边的校验位)，从右边最后一位数字开始、将奇数位(如第1位、第3位、第5位等)相加，得到奇数位和；然后，从右边最后一位数字开始、分别将偶数位(如第2位、第4位、第6位等)乘以2，然后将乘积为大于10的偶数位数值减去9，再将所有偶数位的数值相加，得到偶数位和；在得到奇数位和和偶数位和时，可将两者进行相加，得到数位总和；此时服务器将判断该数位总和是否可被10整除，若可以，则该银行卡号的形式有效，否则该银行卡号的形式无效。
例如，银行卡号为4514617608810943，奇数位分别为3、9、1、8、6、1、4、5，奇数位和为37；偶数位分别为4、0、8、0、7、6、1、4，偶数位和为33(4*2+0*2+(8*2-9)+0*2+(7*2-9)+(6*2-9)+1*2+4*2＝33)；奇数位和偶数位相加所得的数位总和为70，该数位总和可被10整除，此时该银行卡号的形式有效。
本实施例中，服务器在判断银行卡号的形式有效时，将会执行步骤对所述银行卡号进行归属地分析，获取对应的银行卡归属地；而若服务器判断该银行卡号的形式无效，则服务器可重新获取银行卡号(例如向贷款终端返回二次输入提示，以提示贷款申请者重新输入银行卡号，或是重新上传银行卡图像)。
通过上述先对银行卡号进行形式校验的方式，可提前检测出银行卡号误输入或是编造的情况，以方便及时提示贷款申请者重新输入或是及时发现卡号编造的情况，也有利于减少分析工作量。
此外，本发明实施例还提供一种银行卡的风险检测装置。
参照图4，图4为本发明银行卡的风险检测装置第一实施例的功能模块示意图。
本实施例中，所述银行卡的风险检测装置包括：
请求接收模块10，用于在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的银行卡的银行卡号、及所述信贷申请者的基本地址；
第一关联模块20，用于对所述银行卡号进行归属地分析，获取对应的银行卡归属地，并根据预设关联规则和所述银行卡归属地在所述银行卡与所述基本地址之间建立关联；
第二关联模块30，用于根据所述银行卡号在预设信贷记录库中查询与所述银行卡号匹配的历史信贷件，并在所述银行卡与所述历史信贷件之间建立关联；
关系度计算模块40，用于根据预设关系度公式计算所述银行卡与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；
关系度判断模块50，用于当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；
银行卡确定模块60，用于若所述关系度大于预设关系阈值，则确定所述银行卡为风险卡。
其中，上述银行卡的风险检测装置的各虚拟功能模块存储于图1所示银行卡的风险检测设备的存储器1005中，用于实现风险检测程序的所有功能；各模块被处理器1001执行时，可实现将银行卡与多种信息进行整合和关联，并结合染黑(或染灰)的处理逻辑对银行卡进行风险分析的功能。
进一步的，所述请求接收模块10包括：
图像接收单元，用于在接收到贷款终端发送的信贷请求时，根据所述信贷请求向所述贷款终端发送银行卡图像上传提示，并接收所述贷款终端根据所述银行卡图像上传提示上传的银行卡图像；
属性判断单元，用于获取所述银行卡图像的图像属性信息，并判断所述图像属性信息是否满足预设图像标准；
图像识别单元，用于若所述图像属性信息满足所述预设图像标准，则通过光学字符识别OCR技术对所述银行卡图像进行识别，获取对应的银行卡号。
进一步的，所述银行卡的风险检测装置还包括：
形式校验模块，用于基于预设检验数字算法对所述银行卡号进行形式校验，判断所述银行卡号的形式是否有效；
所述第一关联模块20，还用于若所述银行卡号的形式有效，则对所述银行卡号进行归属地分析，获取对应的银行卡归属地，并根据预设关联规则和所述银行卡归属地在所述银行卡与所述基本地址之间建立关联。
进一步的，所述第一关联模块20包括：
卡号分段单元，用于根据预设银联编码规则对所述银行卡号进行分段，获取发行者标识和个人账户标识；
标识表获取单元，用于根据所述发行者标识确定对应的发卡组织，并获取与所述发卡组织对应的发卡行账户标识表；
归属地获取单元，用于根据所述发卡行账户标识表和所述个人账户标识获取所述银行卡的银行卡归属地。
进一步的，所述第一关联模块20还包括：
距离判断单元，用于确定所述银行卡归属地与所述基本地址之间的真实距离，并判断所述真实距离是否小于预设距离阈值；
距离关联单元，用于若所述真实距离小于预设距离阈值，则在所述银行卡与所述基本地址之间建立关联。
进一步的，所述银行卡的风险检测装置还包括：
建议输出单元单元，用于根据所述关系度与预设复核阈值的大小关系输出对应的处理建议，其中所述预设复核阈值大于所述预设关系阈值。
进一步的，所述预设关系度公式为：
其中，f为所述银行卡与所述关联信息之间的关系度；
m为所述银行卡与所述关联信息之间的最短关联路径上的路径信息数量，所述路径信息包括所述银行卡和所述关联信息，所述m≥2；
k0为与所述关联信息的信息类型对应的预设距离系数，0＜k0；
x0为与所述关联信息的信息类型对应的预设强度系数，0＜x0；
ki为所述路径信息各自对应的关联距离系数，0＜ki；
ui为所述路径信息各自对应的衰减因子系数，0＜ui≤1；
xi为所述路径信息各自对应的关联强度系数，0＜xi。
其中，上述银行卡的风险检测装置中各个模块的功能实现与上述银行卡的风险检测方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
此外，本发明实施例还提供一种可读存储介质。
本发明可读存储介质上存储有风险检测程序，其中所述风险检测程序被处理器执行时，实现如上述的银行卡的风险检测方法的步骤。
其中，银行卡的风险检测程序被执行时所实现的方法可参照本发明银行卡的风险检测方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种银行卡的风险检测方法，其特征在于，所述银行卡的风险检测方法包括：
在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的银行卡的银行卡号、及所述信贷申请者的基本地址；
对所述银行卡号进行归属地分析，获取对应的银行卡归属地，并根据预设关联规则和所述银行卡归属地在所述银行卡与所述基本地址之间建立关联；
根据所述银行卡号在预设信贷记录库中查询与所述银行卡号匹配的历史信贷件，并在所述银行卡与所述历史信贷件之间建立关联；
根据预设关系度公式计算所述银行卡与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；
当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；
若所述关系度大于预设关系阈值，则确定所述银行卡为风险卡。
2.如权利要求1所述的银行卡的风险检测方法，其特征在于，所述在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的银行卡的银行卡号的步骤包括：
在接收到贷款终端发送的信贷请求时，根据所述信贷请求向所述贷款终端发送银行卡图像上传提示，并接收所述贷款终端根据所述银行卡图像上传提示上传的银行卡图像；
获取所述银行卡图像的图像属性信息，并判断所述图像属性信息是否满足预设图像标准；
若所述图像属性信息满足所述预设图像标准，则通过光学字符识别OCR技术对所述银行卡图像进行识别，获取对应的银行卡号。
3.如权利要求要求1所述的银行卡的风险检测方法，其特征在于，所述对所述银行卡号进行归属地分析，获取对应的银行卡归属地的步骤之前，还包括：
基于预设检验数字算法对所述银行卡号进行形式校验，判断所述银行卡号的形式是否有效；
若所述银行卡号的形式有效，则执行步骤对所述银行卡号进行归属地分析，获取对应的银行卡归属地。
4.如权利要求1所述的银行卡的风险检测方法，其特征在于，所述对所述银行卡号进行归属地分析，获取对应的银行卡归属地的步骤包括：
根据预设银联编码规则对所述银行卡号进行分段，获取发行者标识和个人账户标识；
根据所述发行者标识确定对应的发卡组织，并获取与所述发卡组织对应的发卡行账户标识表；
根据所述发卡行账户标识表和所述个人账户标识获取所述银行卡的银行卡归属地。
5.如权利要求1所述的银行卡的风险检测方法，其特征在于，所述根据预设关联规则和所述银行卡归属地在所述银行卡与所述基本地址之间建立关联的步骤包括：
确定所述银行卡归属地与所述基本地址之间的真实距离，并判断所述真实距离是否小于预设距离阈值；
若所述真实距离小于预设距离阈值，则在所述银行卡与所述基本地址之间建立关联。
6.如权利要求1所述的银行卡的风险检测方法，其特征在于，所述若所述关系度大于预设关系阈值，则确定所述银行卡为风险卡的步骤之后，还包括：
根据所述关系度与预设复核阈值的大小关系输出对应的处理建议，其中所述预设复核阈值大于所述预设关系阈值。
7.如权利要求1至6中任一项所述的银行卡的风险检测方法，其特征在于，所述预设关系度公式为：
其中，f为所述银行卡与所述关联信息之间的关系度；
m为所述银行卡与所述关联信息之间的最短关联路径上的路径信息数量，所述路径信息包括所述银行卡和所述关联信息，所述m≥2；
k0为与所述关联信息的信息类型对应的预设距离系数，0＜k0；
x0为与所述关联信息的信息类型对应的预设强度系数，0＜x0；
ki为所述路径信息各自对应的关联距离系数，0＜ki；
ui为所述路径信息各自对应的衰减因子系数，0＜ui≤1；
xi为所述路径信息各自对应的关联强度系数，0＜xi。
8.一种银行卡的风险检测装置，其特征在于，所述银行卡的风险检测装置包括：
请求接收模块，用于在接收到贷款终端发送的信贷请求时，获取所述信贷请求对应信贷申请者的银行卡的银行卡号、及所述信贷申请者的基本地址；
第一关联模块，用于对所述银行卡号进行归属地分析，获取对应的银行卡归属地，并根据预设关联规则和所述银行卡归属地在所述银行卡与所述基本地址之间建立关联；
第二关联模块，用于根据所述银行卡号在预设信贷记录库中查询与所述银行卡号匹配的历史信贷件，并在所述银行卡与所述历史信贷件之间建立关联；
关系度计算模块，用于根据预设关系度公式计算所述银行卡与各关联信息之间的关系度，其中所述各关联信息包括所述基本地址和所述历史信贷件；
关系度判断模块，用于当所述关联信息属于黑名单信息时，判断所述关系度是否大于预设关系阈值；
银行卡确定模块，用于若所述关系度大于预设关系阈值，则确定所述银行卡为风险卡。
9.一种银行卡的风险检测设备，其特征在于，所述银行卡的风险检测设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的风险检测程序，其中所述风险检测程序被所述处理器执行时，实现如权利要求1至7中任一项所述的银行卡的风险检测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有风险检测程序，其中所风险检测程序被处理器执行时，实现如权利要求1至7中任一项所述的银行卡的风险检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811251433.9A CN109636572A (zh) | 2018-10-25 | 2018-10-25 | 银行卡的风险检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811251433.9A CN109636572A (zh) | 2018-10-25 | 2018-10-25 | 银行卡的风险检测方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636572A true CN109636572A (zh) | 2019-04-16 |
Family
ID=66066484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811251433.9A Pending CN109636572A (zh) | 2018-10-25 | 2018-10-25 | 银行卡的风险检测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636572A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668886A (zh) * | 2020-12-29 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 租赁业务的风险监控方法、装置、设备及可读存储介质 |
| CN113989806A (zh) * | 2021-10-11 | 2022-01-28 | 浙江康旭科技有限公司 | 一种可扩展的crnn银行卡号识别方法 |
| CN114187086A (zh) * | 2021-11-02 | 2022-03-15 | 浙江惠瀜网络科技有限公司 | 适用于信贷资金流向的监控方法、系统及电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002037219A2 (en) * | 2000-11-02 | 2002-05-10 | Cybersource Corporation | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
| US20080172316A1 (en) * | 2007-01-12 | 2008-07-17 | Adams Dean A | Bank Card Fraud Detection And/Or Prevention Methods |
| CN101236638A (zh) * | 2008-02-20 | 2008-08-06 | 中国工商银行股份有限公司 | 一种基于Web的银行卡风险监测方法及系统 |
| CN103154991A (zh) * | 2010-07-23 | 2013-06-12 | 汤森路透环球资源公司 | 信用风险采集 |
| CN107871278A (zh) * | 2017-08-04 | 2018-04-03 | 平安普惠企业管理有限公司 | 服务器、客户关系网络展示的方法及存储介质 |
| CN108364233A (zh) * | 2018-01-12 | 2018-08-03 | 中国平安人寿保险股份有限公司 | 一种保单风险评估方法、装置、终端设备及存储介质 |
| CN108537990A (zh) * | 2018-04-13 | 2018-09-14 | 深圳壹账通智能科技有限公司 | 一体机欺诈判断方法、装置、设备及计算机可读存储介质 |
-
2018
- 2018-10-25 CN CN201811251433.9A patent/CN109636572A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002037219A2 (en) * | 2000-11-02 | 2002-05-10 | Cybersource Corporation | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
| US20080172316A1 (en) * | 2007-01-12 | 2008-07-17 | Adams Dean A | Bank Card Fraud Detection And/Or Prevention Methods |
| CN101236638A (zh) * | 2008-02-20 | 2008-08-06 | 中国工商银行股份有限公司 | 一种基于Web的银行卡风险监测方法及系统 |
| CN103154991A (zh) * | 2010-07-23 | 2013-06-12 | 汤森路透环球资源公司 | 信用风险采集 |
| CN107871278A (zh) * | 2017-08-04 | 2018-04-03 | 平安普惠企业管理有限公司 | 服务器、客户关系网络展示的方法及存储介质 |
| CN108364233A (zh) * | 2018-01-12 | 2018-08-03 | 中国平安人寿保险股份有限公司 | 一种保单风险评估方法、装置、终端设备及存储介质 |
| CN108537990A (zh) * | 2018-04-13 | 2018-09-14 | 深圳壹账通智能科技有限公司 | 一体机欺诈判断方法、装置、设备及计算机可读存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668886A (zh) * | 2020-12-29 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 租赁业务的风险监控方法、装置、设备及可读存储介质 |
| CN113989806A (zh) * | 2021-10-11 | 2022-01-28 | 浙江康旭科技有限公司 | 一种可扩展的crnn银行卡号识别方法 |
| CN113989806B (zh) * | 2021-10-11 | 2024-05-24 | 康旭科技有限公司 | 一种可扩展的crnn银行卡号识别方法 |
| CN114187086A (zh) * | 2021-11-02 | 2022-03-15 | 浙江惠瀜网络科技有限公司 | 适用于信贷资金流向的监控方法、系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113011973B (zh) | 基于智能合约数据湖的金融交易监管模型的方法及设备 | |
| CN110163741A (zh) | 基于信贷风控模型的信贷决策方法、装置、设备及介质 | |
| CN108416669A (zh) | 用户行为数据处理方法、装置、电子设备及计算机可读介质 | |
| CN110458687A (zh) | 决策自动审批方法、装置及计算机可读存储介质 | |
| CN111681091A (zh) | 基于时间域信息的金融风险预测方法、装置及存储介质 | |
| WO2010037030A1 (en) | Evaluating loan access using online business transaction data | |
| CN112541698A (zh) | 基于企业外部特征识别企业风险的方法和系统 | |
| CN109636572A (zh) | 银行卡的风险检测方法、装置、设备及可读存储介质 | |
| CN109636570A (zh) | 手机号的风险分析方法、装置、设备及可读存储介质 | |
| CN108492001A (zh) | 一种用于担保贷款网络风险管理的方法 | |
| WO2020261074A1 (es) | Sistema y método para la aprobación y desembolso de un crédito | |
| CN109409349A (zh) | 信贷证件鉴别方法、装置、终端及计算机可读存储介质 | |
| CN110209729B (zh) | 数据转移对象识别的方法及装置 | |
| Kemboi | Effect of financial technology on the financial performance of commercial banks in Kenya | |
| CN111708883A (zh) | 一种基于机器学习和设备指纹的授信额度确定方法及装置 | |
| CN109977832A (zh) | 一种图像处理方法、装置及存储介质 | |
| CN114971017A (zh) | 银行交易数据的处理方法及装置 | |
| CN106779723A (zh) | 一种移动终端风险评估方法及装置 | |
| CN113327161A (zh) | 一种用于信贷业务的智能风控决策系统 | |
| CN109584041A (zh) | 信贷欺诈分析方法、装置、设备及计算机可读存储介质 | |
| CN109636577A (zh) | Ip地址分析方法、装置、设备及计算机可读存储介质 | |
| CN117350854A (zh) | 资金追踪方法、装置、电子设备和存储介质 | |
| CN109636573A (zh) | 信贷分析方法、装置、设备及可读存储介质 | |
| CN110458684A (zh) | 一种基于双向长短期记忆神经网络的金融反欺诈检测方法 | |
| CN109636568A (zh) | 电话号码的风险检测方法、装置、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 |
Application publication date: 20190416 |
|
| WD01 | Invention patent application deemed withdrawn after publication |