CN109658222A - 风险分析方法、装置、设备及计算机可读存储介质 - Google Patents

Abstract

本发明提供一种基于关系网络的风险分析方法，包括：在接收到用户触发的风险分析指令时，从大数据平台获取与所述风险分析指令对应的分析对象的关系网络信息；基于所述关系网络信息从所述大数据平台获取关系网络中各个节点的历史贷款申请信息；将各个节点的历史贷款申请信息进行对比，确定各节点的历史贷款申请信息的相关程度；基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈的欺诈概率。本发明还提供一种风险分析装置、设备及计算机可读存储介质。本发明可实现对团伙欺诈的有效分析，获得可靠的团伙欺诈分析结果。

Description

风险分析方法、装置、设备及计算机可读存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种风险分析方法、装置、设 备及计算机可读存储介质。

背景技术

目前，关于贷款客户的风险分析方案中，一般通过设计风控规则，对客 户进行层层校验，最终根据客户对于风控规则的匹配程度得出不同的风控策 略。这种方式主要针对借贷个体的评估进行反欺诈，缺乏对团伙欺诈类风险 进行有效风险分析的方法。

发明内容

本发明的主要目的在于提供一种风险分析方法、装置、设备及计算机可 读存储介质，旨在实现对团伙欺诈类风险进行有效可靠风险分析。

为实现上述目的，本发明提供一种风险分析方法，所述风险分析方法包 括以下步骤：

在接收到用户触发的风险分析指令时，从大数据平台获取与所述风险分 析指令对应的分析对象的关系网络信息；

基于所述关系网络信息从所述大数据平台获取关系网络中各个节点的历 史贷款申请信息；

将各个节点的历史贷款申请信息进行对比，确定各节点的历史贷款申请 信息的相关程度；

基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈的欺 诈概率。

可选地，所述将各个节点的历史贷款申请信息进行对比，确定各节点的 历史贷款申请信息的相关程度的步骤包括：

判断不同节点的历史贷款申请信息中是否存在共享配对类型关系信息；

若存在，则根据共享节点数量大于预设阈值的异常共享配对类型关系信 息的数量以及各个异常共享配对类型关系信息的共享节点之和所在的数值区 间，以及数值区间与相关程度的关联关系，确定配对类型关系的相关程度；

所述基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈 的欺诈概率的步骤包括：

将配对类型关系的相关程度对应的预设欺诈风险概率作为关系网络中存 在团伙欺诈的欺诈概率。

可选地，所述将各个节点的历史贷款申请信息进行对比，确定各节点的 历史贷款申请信息的相关程度的步骤包括：

判断不同节点的历史贷款申请信息中是否存在相同的申请设备指纹信 息；

若存在，则将存在相同申请设备指纹信息的节点数量与关系节点总数量 的比值作为所述历史贷款申请信息的申请设备相关程度；

所述基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈 的欺诈概率的步骤包括：

基于所述历史贷款申请信息的申请设备相关程度所在的比值区间，以及 比值区间对应的预设欺诈风险概率确定关系网络存在团伙欺诈的欺诈概率。

可选地，所述申请设备指纹信息至少包括申请设备硬件ID或申请设备序 列号。

可选地，所述将各个节点的历史贷款申请信息进行对比，确定各节点的 历史贷款申请信息的相关程度的步骤包括：

判断不同节点的历史贷款申请信息中是否存在相同的归属信息，其中， 所述归属信息至少包括归属公司的名称信息或归属公司的地址信息；

若存在，则将存在相同归属信息的节点数量与关系节点总数量的比值作 为所述历史贷款申请信息的归属信息相关程度；

所述基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈 的欺诈概率的步骤包括：

基于所述历史贷款申请信息的归属信息相关程度所在的比值区间，以及 比值区间对应的预设欺诈风险概率确定关系网络存在团伙欺诈的欺诈概率。

可选地，所述基于所述历史贷款申请信息的相关程度确定关系网络存在 团伙欺诈的欺诈概率的步骤之后包括：

基于所述关系网络信息生成关系网络图，并基于所述欺诈概率在所述关 系网络的预设位置图添加文字风险标识或者颜色风险标识；

将已标注的关系网络图显示在当前界面或存储在预设位置，以供用户查 看。

可选地，所述基于所述历史贷款申请信息的相关程度确定关系网络存在 团伙欺诈的欺诈概率的步骤之后包括：

根据所述欺诈概率所在的概率区间确定所述分析对象当前的贷款申请信 息的审批策略；

基于所述审批策略对分析对象当前的贷款申请信息进行审批。

此外，为实现上述目的，本发明还提供一种风险分析装置，所述风险分 析装置包括：

第一获取模块，用于在接收到用户触发的风险分析指令时，从大数据平 台获取与所述风险分析指令对应的分析对象的关系网络信息；

第二获取模块，基于所述关系网络信息从所述大数据平台获取关系网络 中各个节点的历史贷款申请信息；

对比模块，将各个节点的历史贷款申请信息进行对比，确定各节点的历 史贷款申请信息的相关程度；

第一确定模块，基于所述历史贷款申请信息的相关程度确定关系网络存 在团伙欺诈的欺诈概率。

此外，为实现上述目的，本发明还提供一种风险分析设备，所述风险分 析设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执 行的风险分析程序，其中所述风险分析程序被所述处理器执行时，实现如上 述的风险分析方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述 计算机可读存储介质上存储有风险分析程序，其中所述风险分析程序被处理 器执行时，实现如上述的风险分析方法的步骤。

本发明提供一种风险分析方法、装置、设备以及计算机可读存储介质， 所述风险分析方法包括：在接收到用户触发的风险分析指令时，从大数据平 台获取与所述风险分析指令对应的分析对象的关系网络信息；基于所述关系 网络信息从所述大数据平台获取关系网络中各个节点的历史贷款申请信息； 将各个节点的历史贷款申请信息进行对比，确定各节点的历史贷款申请信息 的相关程度；基于所述历史贷款申请信息的相关程度确定关系网络存在团伙 欺诈的欺诈概率。通过上述方式，根据欺诈团伙的申请信息具有较高相关程 度的特征，通过关系网络中各个关系节点的历史贷款申请信息对比得到的相 关程度来确定关系网络的团伙欺诈的概率，实现对团伙欺诈类风险的分析评 估。

附图说明

图1为本发明实施例方案中涉及的风险分析设备的硬件结构示意图；

图2为本发明风险分析方法第一实施例的流程示意图；

图3为本发明风险分析方法第二实施例的流程示意图；

图4为本发明风险分析方法第三实施例的流程示意图；

图5为本发明风险分析方法第四实施例的流程示意图；

图6为本发明风险分析方法第五实施例的流程示意图；

图7为本发明风险分析方法第六实施例的流程示意图；

图8为本发明风险分析装置的功能模块示意图。

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风险分析方法主要应用于风险分析设备，该风险分 析设备可以是个人计算机(personal computer，PC)、便携计算机、移动终端 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风险分析设备的硬件结构示 意图。本发明实施例中，风险分析设备可以包括处理器1001(例如中央处理 器Central ProcessingUnit，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分析程序。在图1中，网络通信模块 可用于连接分析系统，与分析系统进行数据通信；而处理器1001可以调用存 储器1005中存储的风险分析程序，并执行本发明实施例提供的风险分析方法。

本发明实施例提供了一种风险分析方法。

参照图2，图2为本发明风险分析方法第一实施例的流程示意图。

本实施例中，所述风险分析方法包括以下步骤：

步骤S10，在接收到用户触发的风险分析指令时，从大数据平台获取与所 述风险分析指令对应的分析对象的关系网络信息；

本实施例可以应用于金融分析技术领域。本实施例的用户可以是金融机 构中需要对贷款申请人进行风险评估的工作人员，例如金融机构的业务员。 目前，关于贷款客户的风险分析方案中，一般通过设计风控规则，对客户进 行层层校验，最终根据客户对于风控规则的匹配程度得出不同的风控策略。 这种方式主要针对借贷个体的评估进行反欺诈，缺乏对团伙欺诈类风险进行 有效风险分析的方法。本实施例提供一种基于大数据平台中各个申请人的关 系网络信息对用户进行风险分析的方法，基于在关系网络中各个关系节点的 历史贷款申请信息的相关程度来识别存在欺诈风险的欺诈团体以及欺诈团体 的欺诈概率。在本实施例中，用户可以定时地基于最近时间短段内特定贷款 信息中的申请人信息通过预设风险分析功能按钮来触发风险分析指令，也可 以在接收到一个贷款请求时，基于当前获得的贷款申请信息的申请人信息进 行风险分析。本实施例的分析对象指的是用户选定的申请人信息对应的申请 人或者上述贷款请求中的申请人，用户触发的风险分析指令时，先获取分析 对象信息，然后基于分析对象信息从大数据平台中获取分析对象的关联网络 信息。本实施例的大数据平台中可以存储着金融机构的历史贷款申请信息， 本实施例的历史贷款申请信息指的是每个时刻之前的时间段内基于用户的贷 款申请请求产生的贷款申请信息，贷款申请信息可以包括用户的关联人信息 以及发送贷款申请请求至金融机构系统的用户终端设备信息，可以包括设备 IP地址信息，硬件信息或者产品序列号信息等。历史贷款申请信息中的关联 人可以包括用户在发起申请时录入的联系人或者担保人。在本实施例中，接 收到用户触发的风险分析指令时，提取分析指令中的分析对象信息，利用分 析对象在大数据平台对所有的历史贷款申请信息进行对比匹配，获得与分析 对象信息在同一个历史贷款申请信息中出现的一级关联人信息，一级关联人 信息指的是在同个历史贷款申请信息以关联关系出现的关联人信息，可以包 括配偶信息、子女信息等亲属信息或朋友关系信息。在获得一级关联人信息 后，还可以再与大数据平台的历史贷款申请信息进行对比，获得与一级关联 人信息在同个历史贷款申请信息中出现的二级关联人信息，重复上述操作， 获得预设数量的多级关联人信息，根据获得的关联人信息以及关联关系获得 分析对象的关系网络信息。在本实施例中，还可以预先在大数据平台中基于 历史贷款申请信息的将存在关联关系的关联人建立关系网络，在接收到风险 分析指令时，直接从大数据平台预先建立的关系网络中获取分析对象的关系 网络信息。

步骤S20，基于所述关系网络信息从所述大数据平台获取关系网络中各个 节点的历史贷款申请信息；

在获取分析对象的关系网络信息后，在大数据平台获取以关系网络信息 中的每个关联人信息对应关联人为申请人的历史贷款申请信息。本实施例的 关系网络指的是基于从大数据平台获取的关系网络信息构建的关系网络结 构。在本实施例中，可以将分析对象以及关系网络信息对应的各个关联人作 为节点，将在同个历史贷款申请信息中出现过的关联人节点，即存在直接关 联关系的关联节点建立连接关系，构成分析对象的关系网络。基于上述描述， 本实施例的节点，即关系节点，指的是在关系网络中分析对象中指代各个关 联人以及分析对象本身的节点，在本实施例中，可以将关联人的身份信息作 为节点信息，再从大数据平台中获取各个关系节点的历史贷款申请信息。历 史贷款申请信息指的是贷款申请人在发起贷款请求时录入的申请信息，包括 贷款申请人的身份信息、关联人信息以及发送贷款请求的申请设备信息等。

步骤S30，将各个节点的历史贷款申请信息进行对比，确定各节点的历史 贷款申请信息的相关程度；

在从大数据平台中获取了各节点的历史贷款申请信息后，历史贷款申请 信息中提取了关联人信息或申请设备指纹信息等信息时，将不同关系节点的 历史贷款申请信息中的关联人信息或申请设备指纹信息进行对比，确定不同 关系节点之间的历史贷款申请信息的相关程度，或者将同个关系节点的不同 历史贷款申请信息进行对比，确定同个节点不同历史贷款申请信息的相异程 度，基于相同关系节点的不同历史贷款申请信息的相异程度。在实际应用场 景中，用户在发起贷款申请请求时提交的贷款申请信息中可能存在配偶信息， 如配偶信息等存在一一对应关系的配对类型的关系信息一般具有唯一性，一 般来说相同申请人性别的不同关系节点的对应的不同的配对类型的关系信 息，若配对类型存在相同的关系信息，则可能为团伙欺诈，考虑到重婚的情 况，可以设置一大于2的阈值，当存在相同配对类型的关联关系的节点数量 大于该阈值时才判定为团伙欺诈，对于基于配对类型等关联关系的相关程度 的确定，可以基于节点数量大于阈值的配对类型的关系信息数量以及各个节 点数量大于阈值的配对类型关联关系对应的节点数量之和sum值来确定配对 关系的相关程度。具体地，预先基于sum值的可能取值基于数值大小划分若 干区间，每个区间分别对应的一级相关程度、二级相关程度……等相关程度 等级，每个相关程度等级分别对应着一个预先设置的欺诈风险概率，在确定 相关程度等级后，将相关程度等级对应的欺诈风险概率作为本概率分析结果。 例如，在一个关系网络中，阈值为3，若有4个节点的历史贷款申请信息中的 配偶信息为A，5个节点的历史贷款申请信息中的配偶信息为B，则节点数量 大于阈值的配对类型的关系信息包括A与B，数量为2，两个关系信息对应的 数量为4和5，则对应的sum值为2+4+5＝11，然后确定11所在的区间，从而 根据所在区间确定配对类型关联关系的相关程度。需要特别说明的是，本实 施例中历史贷款申请信息的相关程度并不局限于基于配对关系类型的关系信 息来确定，还可以基于贷款申请信息中设备指纹等信息来确定，当然，还可 以基于历史贷款申请信息中若干不同信息的组合来进行分析确定。

步骤S40，基于所述历史贷款申请信息的相关程度确定关系网络存在团伙 欺诈的欺诈概率。

通过上述方式确定各个关系网络节点的历史贷款申请信息的相关程度 后，基于历史贷款申请信息的相关程度确定存在欺诈风险的欺诈团体以及所 述欺诈团体对应的欺诈概率信息。在本实施例中，确定存在欺诈风向的欺诈 团体即确定哪些关系网络节点组成了欺诈团体，以及该欺诈团体的欺诈风险 概率，本实施例的欺诈团体可以包括整个关系网络的所有节点，也可以包括 关系网络中的部分节点。在本实施例中，可以将上述历史贷款申请信息的相 关程度对应预先设置的欺诈概率作为欺诈团体的欺诈概率。在本实施例中，还可以对基于历史贷款申请信息中的各个不同项目的信息(如配对类型的关 系信息或者设备信息)确定的欺诈概率进行加权计算，将加权计算结果作为 关系网络存在团伙欺诈的欺诈概率。

在本实施例中，在接收到用户触发的风险分析指令时，从大数据平台获 取与所述风险分析指令对应的分析对象的关系网络信息；基于所述关系网络 信息从所述大数据平台获取关系网络中各个节点的历史贷款申请信息；将各 个节点的历史贷款申请信息进行对比，确定各节点的历史贷款申请信息的相 关程度；基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈 的欺诈概率。通过上述方式，根据欺诈团伙的申请信息具有较高相关程度的 特征，通过关系网络中各个关系节点的历史贷款申请信息对比得到的相关程 度来确定关系网络的团伙欺诈的概率，实现对团伙欺诈类风险的分析评估。

参照图3，图3为本发明风险分析方法第二实施例的流程示意图。

基于上述实施例，在本实施例中，步骤S30包括：

步骤S50，判断不同节点的历史贷款申请信息中是否存在共享配对类型关 系信息；

基于上述实施例，在本实施例中，在获得历史贷款申请信息时，先提取 历史贷款申请信息中的配对类型的关系信息。配对类型关系信息指的是存在 一一对应关系的配对类型的关系信息，一般具有唯一性，例如配偶信息。共 享配对类型关系信息指的是不同节点存在相同的配对类型的关系信息。在实 际应用场景中，用户在发起贷款申请请求时提交的贷款申请信息中可能存在 配偶信息，如配偶信息等存在一一对应关系的配对类型的关系信息一般具有 唯一性。

步骤S60，若存在，则根据共享节点数量大于预设阈值的异常共享配对类 型关系信息的数量以及各个异常共享配对类型关系信息的共享节点之和所在 的数值区间，以及数值区间与相关程度的关联关系，确定配对类型关系的相 关程度；

一般来说，相同申请人性别的不同关系节点对应不同的配对类型的关系 信息。若存在共享配对类型关系信息，则可能为团伙欺诈，考虑到重婚的情 况，可以设置一大于2的阈值，将共享节点数量大于预设阈值的共享配对类 型关系信息作为异常共享配对类型关系信息，基于异常共享配对类型关系信 息来确定相关程度和欺诈概率。本实施例的共享节点指的是拥有相同的共享 配对类型关系信息的节点。对于基于配对类型等关联关系的相关程度的确定， 可以基于节点数量大于阈值的配对类型的关系信息数量以及各个节点数量大 于阈值的配对类型关联关系对应的节点数量之和sum值来确定配对关系的相 关程度，即相关程度。具体地，预先基于sum值的可能取值基于数值大小划 分若干区间，每个区间分别对应关联着一级相关程度、二级相关程度……等 相关程度等级，每个相关程度等级分别对应着一个预先设置的欺诈风险概率， 在确定相关程度等级后，将相关程度等级对应的欺诈风险概率作为本概率分 析结果。例如，在一个关系网络中，阈值为3，若有4个节点的历史贷款申请 信息中的配偶信息为A，5个节点的历史贷款申请信息中的配偶信息为B，则节点数量大于阈值的配对类型的关系信息包括A与B，数量为2，两个关系信 息对应的数量为4和5，则对应的sum值为2+4+5＝11，然后确定11所在的区 间，从而根据所在区间确定配对类型关联关系的相关程度。

步骤S40包括：

步骤S70，将配对类型关系的相关程度对应的预设欺诈风险概率作为关系 网络中存在团伙欺诈的欺诈概率。

在确定相关程度等级后，将相关程度等级对应的欺诈风险概率作为概率 分析结果或结合根据历史贷款申请信息中其他信息(如申请设备指纹信息) 的概率分析结果来确定最终的欺诈概率分析结果。在本实施例中，若在步骤 S50中判定不同节点的历史贷款申请信息中不存在相同的配对类型的关系信 息，则确定基于配对类型关系确定无团伙欺诈风险，可以根据历史贷款申请 信息中的其他信息进行团伙欺诈风险分析。

在本实施例中，判断不同节点的历史贷款申请信息中是否存在共享配对 类型关系信息；若存在，则根据共享节点数量大于预设阈值的异常共享配对 类型关系信息的数量以及各个异常共享配对类型关系信息的共享节点之和所 在的数值区间，以及数值区间与相关程度的关联关系，确定配对类型关系的 相关程度；将配对类型关系的相关程度对应的预设欺诈风险概率作为关系网 络中存在团伙欺诈的欺诈概率。通过上述方式，实现基于历史贷款申请信息 中的配对类型的关系信息确定不同节点的历史贷款申请信息的相关程度。

进一步地，图4为本发明风险分析方法第三实施例的流程示意图。

基于上述实施例，在本实施例中，步骤S30包括：

步骤S80，判断不同节点的历史贷款申请信息中是否存在相同的申请设备 指纹信息，其中，所述申请设备指纹信息至少包括申请设备硬件ID或申请设 备序列号；

团伙欺诈作案时一般会选择共享部分贷款信息，例如发起贷款申请请求 的用户终端设备的指纹信息。在本实施例中，申请设备指的是用户用来发起 贷款申请的用户终端设备，金融机构的系统在接收到用户终端设备发送贷款 申请请求时，提取用户终端设备的设备指纹信息和贷款申请信息，将设备指 纹信息添加到对应的贷款申请信息中。本实施例的设备指纹信息指的是用户 终端设备的标识信息，至少包括申请设备的硬件ID或申请设备的序列号。其 中硬件ID指的是硬件身份标识。在本实施例中，设备指纹还可以包括设备的 名称、型号、形状、颜色、功能等信息。

步骤S90，若存在，则将存在相同申请设备指纹信息的节点数量与关系节 点总数量的比值作为所述历史贷款申请信息的申请设备相关程度；

在本实施例中，在获取关系网络节点的各个历史贷款申请信息时，提取 历史贷款申请信息中的申请设备指纹信息后，将不同的关系节点的申请设备 指纹信息进行对比，判断是否存在有预设数量以上相同的申请设备指纹信息， 若存在，则确定存在预设数量以上相同申请设备指纹信息的关系节点的数量， 并根据关系节点的数量确定历史贷款申请信息的申请设备相关程度。在本实 施例中，可以预先将[0,1]这一数值区间划分为若干子数值区间，每个子区间 分别对应关联一个预先设定的欺诈风险概率，在确定申请设备相关程度的过 程中，先计算存在预设数量以上相同申请设备指纹信息的关系节点的数量与 关系节点总数量的比值，将该比值作为然作为历史贷款申请信息的申请设备 指纹信息相关程度。

步骤S40包括：

步骤S100，基于所述历史贷款申请信息的申请设备相关程度所在的比值 区间，以及比值区间对应的预设欺诈风险概率确定关系网络存在团伙欺诈的 欺诈概率。

确定申请设备指纹信息相关程度后，确定相关程度所在的数值子区间， 再确定相关程度所在数值子区间关联的欺诈风险概率，以该欺诈风险概率作 为关系网络中存在团伙欺诈的欺诈概率。在本实施例中，若在步骤S80中判 定不同节点的历史贷款申请信息中不存在相同的申请设备指纹信息，则确定 基于申请设备指纹信息确定无团伙欺诈风险，可以根据历史贷款申请信息中 的其他信息进行团伙欺诈风险分析。

在本实施例中，判断不同节点的历史贷款申请信息中是否存在相同的申 请设备指纹信息；若存在，则将存在相同申请设备指纹信息的节点数量与关 系节点总数量的比值作为所述历史贷款申请信息的申请设备相关程度；基于 所述历史贷款申请信息的申请设备相关程度所在的比值区间，以及比值区间 对应的预设欺诈风险概率确定关系网络存在团伙欺诈的欺诈概率。通过上述 方式，实现基于历史贷款申请信息中的申请设备指纹信息确定不同节点的历 史贷款申请信息的相关程度。

进一步地，图5为本发明风险分析方法第四实施例的流程示意图。

基于上述实施例，在本实施例中，步骤S30包括：

步骤S110，判断不同节点的历史贷款申请信息中是否存在相同的归属信 息，其中，所述归属信息至少包括归属公司的名称信息或归属公司的地址信 息；

基于上述实施例，在本实施例中，团伙作案除了会选择用户终端设备的 指纹信息作为共享的贷款信息外，还可能利用归属信息作为共享的贷款信息。 本实施例的归属信息可以包括归属公司的名称信息或归属公司的地址信息。 归属公司的名称信息和归属公司的地址信息分别指的是用户在发起贷款申请 请求时录入的自己当前就职的公司名称和公司地址等信息。在本实施例中， 在获取关系网络节点的各个历史贷款申请信息时，提取历史贷款申请信息中 的申请设备指纹信息后，将不同的关系节点的申请设备指纹信息进行对比， 判断是否存在相同的归属信息。

步骤S120，若存在，则将存在相同归属信息的节点数量与关系节点总数 量的比值作为所述历史贷款申请信息的归属信息相关程度；

若存在，则确定存在相同归属信息的关系节点的数量，并根据关系节点 的数量确定历史贷款申请信息的归属信息相关程度。在本实施例中，可以预 先将[0,1]这一数值区间划分为若干子数值区间，每个子区间分别对应关联一 个预先对应设定的欺诈风险概率，在确定归属信息相关程度的过程中，先计 算存在预设数量以上相同归属信息的关系节点的数量与关系节点总数量的比 值，将该比值作为然作为历史贷款申请信息的归属信息相关程度。

步骤S40包括：

步骤S130，基于所述历史贷款申请信息的归属信息相关程度所在的比值 区间，以及比值区间对应的预设欺诈风险概率确定关系网络存在团伙欺诈的 欺诈概率。

在确归属信息相关程度后，再确定相关程度所在的数值子区间，在确定 相关程度所在数值子区间关联的欺诈风险概率，以该欺诈风险概率作为关系 网络中存在团伙欺诈的欺诈概率。在本实施例中，若在步骤S110中判定不同 节点的历史贷款申请信息中不存在相同的归属形象，则确定基于归属信息确 定无团伙欺诈风险，可以根据历史贷款申请信息中的其他信息进行团伙欺诈 风险分析。

进一步地，图6为本发明风险分析方法第五实施例的流程示意图。

基于上述实施例，在本实施例中，步骤S40之后包括：

步骤S140，基于所述关系网络信息生成关系网络图，并基于所述欺诈概 率在所述关系网络的预设位置图添加文字风险标识或者颜色风险标识；

基于上述实施例，在本实施例中，在获得关系网络的团伙欺诈概率后， 可以基于关系网络信息生成关系网络图。在关系网络图中将分析对象作为中 心点并突出显示，将与分析对象在贷款申请信息中产生过直接的关联关系的 关联人作为一级关联人以圆点形式在分析对象中心点预设距离的圆圈上对称 分布，将与一级关联人在贷款申请信息中产生过直接关联关系的关联人作为 二级关联人以圆点形式分布在预一级关联人所在圆圈相隔预设距离的圆圈上 对称分布，同时根据需要将三级关联人以外的关联人按照上述方式在图中生 成，形成多个等级的关系网络节点。可以在各个关系网络节点标注对应的关 联人的身份信息，例如姓名信息等。将产生过直接关联关系的节点通过直线 连接起来，从而获得分析对象的关系网络图，在关系网络中还可以基于欺诈 概率对关系网络图进行风险标注，风险标注的方式包括：1)在预设位置将风 险概率值通过文字方式标注出来；2)将欺诈风险概率的可能值划分区间，每 个区间设定一个特定的背景颜色或特定位置的标识颜色，例如关系网络的关 系节点的标识颜色。在确定欺诈概率并获得关系网络图时，根据欺诈概率所 在的概率区间对应设定的背景颜色设置关系网络图的背景颜色，或者利用预 先设定的标识颜色进行标识。

步骤S150，将已标注的关系网络图显示在当前界面或存储在预设位置， 以供用户查看。

在标注完成后，将已经进行风险标注的关系网络图存储在预设位置，或 显示在当前的界面以供用户查看。已经进行风险标注的关系网络图像存储在 预设位置后，用户可以通过预设的功能按钮触发查看关系网络图的指令，当 接收到用户触发的查看指令后，从预设位置中获取已标注的关系网络图，并 将已标注的关系网络图显示在当前界面，以供用户查看。

在本实施例中，基于所述关系网络信息生成关系网络图，并基于所述欺 诈概率在所述关系网络的预设位置图添加文字风险标识或者颜色风险标识； 将已标注的关系网络图显示在当前界面或存储在预设位置，以供用户查看。 通过上述方式，实现基于用户的关系网络信息生成关系网络图，并在关系网 络图中标注欺诈概率信息，通过可视化的关系网络图，用户可以快速地了解 团伙欺诈的可能性，提高用户体验。

进一步地，图7为本发明风险分析方法第六实施例的流程示意图。所述 申请信息包括申请人的身份信息，步骤S40之后包括：

步骤S160，根据所述欺诈概率所在的概率区间确定所述分析对象当前的 贷款申请信息的审批策略；

基于上述实施例，在本实施例中，可以预先在每次风险分析完成后，将 贷款申请信息以及最终的审批结果等数据作为分析案例存储在预设案例存储 位置，用户可以定时根据分析案例来更新审批规则，对在团伙诈欺分析阶段 获得的诈欺概率的可能取值划分为若干不同的区间，并对不同的诈欺概率添 加不同的审批规则，获得各个区间的审批策略，将各个概率区间与对应的审 批策略关联起来。在对分析对象当前发起的贷款申请信息进行团伙诈欺的风 险分析后，获得分析对象所在关系网络的诈欺概率时，确定该诈欺概率所在 的概率区间，根据所在的概率区间获得关联的审批策略。

步骤S170，基于所述审批策略对分析对象当前的贷款申请信息进行审批。

在确定当前贷款申请信息的审批策略后，基于获得的审批策略对当前的 申请对象的贷款申请信息进行审批。在本实施例中，审批策略为在接收到贷 款申请信息时，对贷款申请信息进行审批的策略，包括多个审批规则，审批 规则可以包括是否本金融机构黑名单或是否百度黑名单等。

在本实施例中，根据所述欺诈概率所在的概率区间确定所述分析对象当 前的贷款申请信息的审批策略；基于所述审批策略对分析对象当前的贷款申 请信息进行审批。通过上述方式，实现基于不同的欺诈概率采取不同审批规 则对分析对象的贷款申请信息进行审批，获得更加可靠的审批结果。

此外，本发明实施例还提供一种风险分析装置。

参照图8，图8为本发明风险分析装置第一实施例的功能模块示意图。

本实施例中，所述风险分析装置包括：

第一获取模块10，用于在接收到用户触发的风险分析指令时，从大数据 平台获取与所述风险分析指令对应的分析对象的关系网络信息；

第二获取模块20，基于所述关系网络信息从所述大数据平台获取关系网 络中各个节点的历史贷款申请信息；

对比模块30，将各个节点的历史贷款申请信息进行对比，确定各节点的 历史贷款申请信息的相关程度；

第一确定模块40，基于所述历史贷款申请信息的相关程度确定关系网络 存在团伙欺诈的欺诈概率。

其中，上述风险分析装置的各虚拟功能模块存储于图1所示风险分析设 备的存储器1005中，用于实现风险分析程序的所有功能；各模块被处理器1001 执行时，可通过完善的风险分析方法，获得可靠的风险分析结果。

进一步的，所述对比模块还用于：

判断不同节点的历史贷款申请信息中是否存在共享配对类型关系信息；

若存在，则根据共享节点数量大于预设阈值的异常共享配对类型关系信 息的数量以及各个异常共享配对类型关系信息的共享节点之和所在的数值区 间，以及数值区间与相关程度的关联关系，确定配对类型关系的相关程度；

所述第一确定模块还用于，将配对类型关系的相关程度对应的预设欺诈 风险概率作为关系网络中存在团伙欺诈的欺诈概率。

进一步的，所述对比模块还用于：

判断不同节点的历史贷款申请信息中是否存在相同的申请设备指纹信 息；

若存在，则将存在相同申请设备指纹信息的节点数量与关系节点总数量 的比值作为所述历史贷款申请信息的申请设备相关程度；

所述第一确定模块还用于，基于所述历史贷款申请信息的申请设备相关 程度所在的比值区间，以及比值区间对应的预设欺诈风险概率确定关系网络 存在团伙欺诈的欺诈概率。

进一步的，所述对比模块还用于：判断不同节点的历史贷款申请信息中 是否存在相同的归属信息，其中，所述归属信息至少包括归属公司的名称信 息或归属公司的地址信息；

若存在，则将存在相同归属信息的节点数量与关系节点总数量的比值作 为所述历史贷款申请信息的归属信息相关程度；

所述第一确定模块还用于，基于所述历史贷款申请信息的归属信息相关 程度所在的比值区间，以及比值区间对应的预设欺诈风险概率确定关系网络 存在团伙欺诈的欺诈概率。

进一步的，所述风险分析装置还包括：

生成模块，用于基于所述关系网络信息生成关系网络图，并基于所述欺 诈概率在所述关系网络的预设位置图添加文字风险标识或者颜色风险标识；

显示模块或存储模块，用于将已标注的关系网络图显示在当前界面或存 储在预设位置，以供用户查看。

进一步的，所述风险分析装置还包括：

第二确定模块，用于根据所述欺诈概率所在的概率区间确定所述分析对 象当前的贷款申请信息的审批策略；

审批模块，用于基于所述审批策略对分析对象当前的贷款申请信息进行 审批。

此外，本发明实施例还提供一种计算机可读存储介质。

本发明计算机可读存储介质上存储有风险分析程序，其中所述风险分析 程序被处理器执行时，实现如上述的风险分析方法的步骤。

其中，风险分析程序被执行时所实现的方法可参照本发明风险分析方法 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)

1.一种风险分析方法，其特征在于，所述风险分析方法包括：

在接收到用户触发的风险分析指令时，从大数据平台获取与所述风险分析指令对应的分析对象的关系网络信息；

基于所述关系网络信息从所述大数据平台获取关系网络中各个节点的历史贷款申请信息；

将各个节点的历史贷款申请信息进行对比，确定各节点的历史贷款申请信息的相关程度；

基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈的欺诈概率。

2.如权利要求1所述的风险分析方法，其特征在于，所述将各个节点的历史贷款申请信息进行对比，确定各节点的历史贷款申请信息的相关程度的步骤包括：

判断不同节点的历史贷款申请信息中是否存在共享配对类型关系信息；

若存在，则根据共享节点数量大于预设阈值的异常共享配对类型关系信息的数量以及各个异常共享配对类型关系信息的共享节点之和所在的数值区间，以及数值区间与相关程度的关联关系，确定配对类型关系的相关程度；

所述基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈的欺诈概率的步骤包括：

将配对类型关系的相关程度对应的预设欺诈风险概率作为关系网络中存在团伙欺诈的欺诈概率。

3.如权利要求1所述的风险分析方法，其特征在于，所述将各个节点的历史贷款申请信息进行对比，确定各节点的历史贷款申请信息的相关程度的步骤包括：

判断不同节点的历史贷款申请信息中是否存在相同的申请设备指纹信息；

若存在，则将存在相同申请设备指纹信息的节点数量与关系节点总数量的比值作为所述历史贷款申请信息的申请设备相关程度；

所述基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈的欺诈概率的步骤包括：

基于所述历史贷款申请信息的申请设备相关程度所在的比值区间，以及比值区间对应的预设欺诈风险概率确定关系网络存在团伙欺诈的欺诈概率。

4.如权利要求3所述的风险分析方法，其特征在于，所述申请设备指纹信息至少包括申请设备硬件ID或申请设备序列号。

5.如权利要求1所述的风险分析方法，其特征在于，所述将各个节点的历史贷款申请信息进行对比，确定各节点的历史贷款申请信息的相关程度的步骤包括：

判断不同节点的历史贷款申请信息中是否存在相同的归属信息，其中，所述归属信息至少包括归属公司的名称信息或归属公司的地址信息；

若存在，则将存在相同归属信息的节点数量与关系节点总数量的比值作为所述历史贷款申请信息的归属信息相关程度；

所述基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈的欺诈概率的步骤包括：

基于所述历史贷款申请信息的归属信息相关程度所在的比值区间，以及比值区间对应的预设欺诈风险概率确定关系网络存在团伙欺诈的欺诈概率。

6.如权利要求1所述的风险分析方法，其特征在于，所述基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈的欺诈概率的步骤之后包括：

基于所述关系网络信息生成关系网络图，并基于所述欺诈概率在所述关系网络的预设位置图添加文字风险标识或者颜色风险标识；

将已标注的关系网络图显示在当前界面或存储在预设位置，以供用户查看。

7.如权利要求1所述的风险分析方法，其特征在于，所述基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈的欺诈概率的步骤之后包括：

根据所述欺诈概率所在的概率区间确定所述分析对象当前的贷款申请信息的审批策略；

基于所述审批策略对分析对象当前的贷款申请信息进行审批。

8.一种风险分析装置，其特征在于，所述风险分析装置包括：

第一获取模块，用于在接收到用户触发的风险分析指令时，从大数据平台获取与所述风险分析指令对应的分析对象的关系网络信息；

第二获取模块，基于所述关系网络信息从所述大数据平台获取关系网络中各个节点的历史贷款申请信息；

对比模块，将各个节点的历史贷款申请信息进行对比，确定各节点的历史贷款申请信息的相关程度；

第一确定模块，基于所述历史贷款申请信息的相关程度确定关系网络存在团伙欺诈的欺诈概率。

9.一种风险分析设备，其特征在于，所述风险分析设备包括处理器、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分析程序，其中所述风险分析程序被所述处理器执行时，实现如权利要求1至7中任一项所述的风险分析方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有风险分析程序，其中所述风险分析程序被处理器执行时，实现如权利要求1至7中任一项所述的风险分析方法的步骤。