CN109670934A - 基于用户行为的身份识别方法、设备、存储介质及装置 - Google Patents
基于用户行为的身份识别方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN109670934A CN109670934A CN201811127993.3A CN201811127993A CN109670934A CN 109670934 A CN109670934 A CN 109670934A CN 201811127993 A CN201811127993 A CN 201811127993A CN 109670934 A CN109670934 A CN 109670934A
- Authority
- CN
- China
- Prior art keywords
- behavior
- user
- type
- default
- score value
- 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
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
Abstract
本发明公开了基于用户行为的身份识别方法、设备、存储介质及装置。本发明中获取目标用户的用户操作行为;将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;在预设分值评定模型下根据所述匹配结果生成对应的欺诈分值;在所述欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。明显地,本发明能够更快地识别出用户身份,而且,由于本发明结合了预设行为模型与预设分值评定模型,也可以更加全面地评估目标用户的风险性,所以,可认为解决了现有的身份识别方式存在着的不能有效地识别出欺诈分子的技术问题。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及基于用户行为的身份识别方法、设备、存储介质及装置。
背景技术
针对互联网金融机构的贷款业务而言,由于欺诈贷款并不及时归还贷款的欺诈分子不断增多,这对于金融机构的正常运营而言带来了诸多麻烦。
可是,欺诈分子的隐蔽性较高,因为对于金融机构而言,一个办理了贷款业务的客户究竟是否为欺诈分子的唯一评判标准就是,该客户在获取贷款后是否会如期归还贷款。但是,待到还款日后再对客户的身份进行判定,虽然保证了判定结果的正确性,但是这对于金融机构而言存在的风险性较大。所以,需尽早对客户的身份进行准确的识别。
故而,可认为,现有的身份识别方式存在不能有效地识别出欺诈分子的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供基于用户行为的身份识别方法、设备、存储介质及装置,旨在解决现有的身份识别方式存在着的不能有效地识别出欺诈分子的技术问题。
为实现上述目的,本发明提供一种基于用户行为的身份识别方法,所述基于用户行为的身份识别方法包括以下步骤:
获取目标用户的用户操作行为;
将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
在预设分值评定模型下根据所述匹配结果生成对应的欺诈分值;
在所述欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
优选地,所述将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果之前,所述基于用户行为的身份识别方法还包括以下步骤:
识别所述用户操作行为的行为类型;
根据所述行为类型在预设行为模型中查询对应的预设操作行为;
所述将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果,包括:
确定与所述行为类型对应的行为特征类型;
从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征;
将所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
优选地,所述行为类型包括查询行为类型,所述行为特征类型中包括与所述查询行为类型对应的查询事项类型,所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为查询行为类型,根据所述查询行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为查询事项类型时,从所述用户操作行为中提取与所述查询事项类型对应的当前行为特征,从所述预设操作行为中提取与所述查询事项类型对应的目标行为特征。
优选地,所述行为类型还包括输入行为类型,所述行为特征类型中包括与所述输入行为类型对应的输入时长类型、输入内容类型与输入次序类型中的至少一项,所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为输入行为类型,根据所述输入行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为输入时长类型时,从所述用户操作行为中提取与所述输入时长类型对应的当前行为特征,从所述预设操作行为中提取与所述输入时长类型对应的目标行为特征。
优选地,所述将所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果,包括:
在所述预设行为模型中根据所述行为特征类型查询对应的匹配规则;
基于所述匹配规则对所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
优选地,所述基于所述匹配规则对所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果,包括:
在所述行为特征类型为输入时长类型时,基于所述匹配规则以将所述当前行为特征表征的输入时长与所述目标行为特征表征的输入时长进行比较,以获得比较结果,并将所述比较结果认定为与所述匹配规则对应的匹配结果。
优选地,所述在预设分值评定模型下根据所述匹配结果生成对应的欺诈分值,包括:
在预设分值评定模型下查询与所述行为特征类型对应的权重系数,并根据所述匹配结果生成对应的特征评定值;
通过所述权重系数与所述特征评定值进行加权运算,以获得欺诈分值。
此外,为实现上述目的,本发明还提出一种用户设备,所述用户设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于用户行为的身份识别程序,所述基于用户行为的身份识别程序配置为实现如上文所述的基于用户行为的身份识别方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于用户行为的身份识别程序,所述基于用户行为的身份识别程序被处理器执行时实现如上文所述的基于用户行为的身份识别方法的步骤。
此外,为实现上述目的,本发明还提出一种基于用户行为的身份识别装置,所述基于用户行为的身份识别装置包括:行为获取模块、行为匹配模块、分值生成模块以及身份识别模块;
所述行为获取模块,用于获取目标用户的用户操作行为;
所述行为匹配模块,用于将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
所述分值生成模块,用于在预设分值评定模型下根据所述匹配结果生成对应的欺诈分值;
所述身份识别模块,用于在所述欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
在本发明中预先建立预设行为模型,并根据预设行为模型中的预设操作行为进行与用户操作行为的匹配,根据匹配结果来生成欺诈分值,并最终根据欺诈分值来确定目标用户的用户身份,明显地,比之现有的身份识别方式,本发明能够更快地识别出用户身份,而且,由于本发明结合了预设行为模型与预设分值评定模型,可以更加全面地评估目标用户的风险性。所以,不仅可以更快地识别出用户身份也能够较为准确地完成识别操作,本发明给出的身份识别方式确实更加有效,可认为解决了现有的身份识别方式存在着的不能有效地识别出欺诈分子的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的用户设备结构示意图;
图2为本发明基于用户行为的身份识别方法第一实施例的流程示意图;
图3为本发明基于用户行为的身份识别方法第二实施例的流程示意图;
图4为本发明基于用户行为的身份识别方法第三实施例的流程示意图;
图5为本发明基于用户行为的身份识别装置第一实施例的结构框图。
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。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的用户设备结构示意图。
如图1所示,该用户设备可以包括:处理器1001,例如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),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,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中示出的结构并不构成对用户设备的限定,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。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于用户行为的身份识别程序。
在图1所示的用户设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接外设;所述用户设备通过处理器1001调用存储器1005中存储的基于用户行为的身份识别程序,并执行本发明实施例提供的基于用户行为的身份识别方法。
基于上述硬件结构,提出本发明基于用户行为的身份识别方法的实施例。
参照图2,图2为本发明基于用户行为的身份识别方法第一实施例的流程示意图。
在第一实施例中,所述基于用户行为的身份识别方法包括以下步骤:
步骤S10:获取目标用户的用户操作行为;
可以理解的是,考虑到现有的身份识别方式并不能尽早地且准确地找出已贷款人员中的贷款欺诈分子,本实施例将基于已贷款人员在办理贷款业务之后的各种用户行为来迅速地判断该人员是否可能为欺诈分子,以有效地识别出各用户中的欺诈分子。
在具体实现中,本实施例的执行主体为用户设备,而用户设备可为个人电脑、手机以及自动取款机(Automatic Teller Machine,ATM)等电子设备。当目标用户用户A在办理贷款业务并获得款项后,将自动采集用户A在获得款项之后的用户操作行为,用户操作行为包括但不限于下列行为,比如,查询转账信息以及还款期限等的查询行为,输入家庭地址、姓名以及身份证号码等的输入行为。
步骤S20:将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
应当理解的是,在采集到目标用户在获得款项之后实际发生的用户操作行为后,可将该用户操作行为与预先确定的正常操作行为进行匹配,以判断目标用户的操作行为是否符合预期,进而判断目标用户的用户角色究竟为正常用户或者潜在欺诈分子。其中,正常用户为推断其将在还款日正常还款的安全用户,而潜在欺诈分子为推断其可能进行贷款欺诈的风险性用户。
在具体实现中,预设行为模型为基于正常用户的行为逻辑建立的行为模型,所以,预设行为模型内将包含有多个被认定为安全用户将执行的操作行为,比如,预设行为模型内的预设操作行为包括有“查询还款期限的查询行为”与“查询还款最低额度的查询行为”。若用户操作行为为“查询转账信息的查询行为”,预设行为模型内的预设操作行为与用户操作行为不同,则可认为二者的匹配结果为匹配失败;若用户操作行为为“查询还款期限的查询行为”,预设行为模型内的预设操作行为与用户操作行为相同,则可认为二者的匹配结果为匹配成功。
可以理解的是,预设行为模型内包含“查询还款期限的查询行为”与“查询还款最低额度的查询行为”,而不包含“查询转账信息的查询行为”的原因在于,由于预设行为模型是正常用户的行为模型,所以,预设行为模型内包含的行为的隐含意图为尽早还款,但是,“查询转账信息的查询行为”的隐含意图为尽快转账,这与欺诈份子的意图较为类似。所以,预设行为模型内将不包含查询转账信息的查询行为。
步骤S30:在预设分值评定模型下根据所述匹配结果生成对应的欺诈分值;
应当理解的是,预设分值评定模型用于根据各种类型的用户操作行为与预设操作行为的匹配结果来计算出欺诈分值,而欺诈分值用于评估目标用户为潜在欺诈分子的可能性。所以,匹配结果为匹配成功的结果个数越多,表示目标用户的用户操作行为越接近预设行为模型内包含的预设操作行为,则目标用户越可能为正常用户,则欺诈分值越低;匹配结果为匹配失败的结果个数越多,表示目标用户的用户操作行为越不接近预设行为模型内包含的预设操作行为,则目标用户越可能为潜在欺诈分子,则欺诈分值越高。其中,欺诈分值越高,表示目标用户为潜在欺诈分子的可能性越高。
在具体实现中,欺诈分值的取值范围可为0≤x≤100,x表示欺诈分值,而用户A的欺诈分值为80。
步骤S40:在所述欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
在具体实现中,若预设欺诈阈值为75,由于欺诈分值大于75,则可将用户A的用户归类为潜在欺诈分子。当然,若欺诈分值小于75,则可将用户A的用户归类为正常用户。明显地,本实施例完成对于用户A的用户角色的识别操作不必等到还款日,根据用户A的用户操作行为即可进行对于用户A用户角色的预判,既准确又快速。
在本实施例中预先建立预设行为模型,并根据预设行为模型中的预设操作行为进行与用户操作行为的匹配,根据匹配结果来生成欺诈分值,并最终根据欺诈分值来确定目标用户的用户身份,明显地,比之现有的身份识别方式,本实施例能够更快地识别出用户身份,而且,由于本实施例结合了预设行为模型与预设分值评定模型,可以更加全面地评估目标用户的风险性。所以,不仅可以更快地识别出用户身份也能够较为准确地完成识别操作,本实施例给出的身份识别方式确实更加有效,可认为解决了现有的身份识别方式存在着的不能有效地识别出欺诈分子的技术问题。
参照图3,图3为本发明基于用户行为的身份识别方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明基于用户行为的身份识别方法的第二实施例。
第二实施例中,所述步骤S20之前,所述基于用户行为的身份识别方法还包括以下步骤:
步骤S101:识别所述用户操作行为的行为类型;
可以理解的是,考虑到用户A的用户操作行为存在多种类型,可先确定用户操作行为的行为类型,比如,行为类型包括两大类,分别为表征信息查询行为的查询行为类型以及表征信息输入行为的输入行为类型。其中,与查询行为类型对应的操作行为有“查询转账信息的查询行为”、“查询还款期限的查询行为”以及“查询还款最低额度的查询行为”等。
步骤S102:根据所述行为类型在预设行为模型中查询对应的预设操作行为;
在具体实现中,若识别出的用户A的行为类型为查询行为类型,为了实现行为之间的匹配,将从预设行为模型中提取出与该查询行为类型对应的预设操作行为,获取到的预设操作行为用于表征正常用户的同类行为。比如,若用户操作行为为“查询转账信息的查询行为”,则获取到的预设操作行为为“查询还款期限的查询行为”与“查询还款最低额度的查询行为”等。
所述步骤S20,可以包括:
步骤S201:确定与所述行为类型对应的行为特征类型;
应当理解的是,在确定行为类型后,还将确定行为特征类型,以最终将行为之间的匹配转换为行为特征之间的匹配。
可以理解的是,若行为类型为查询行为类型,则对应的行为特征类型为查询事项类型;若行为类型为输入行为类型,则对应的行为特征类型为输入时长类型、输入内容类型与输入次序类型等。
步骤S202:从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征;
应当理解的是,由于行为类型为查询行为类型,则对应的行为特征类型为查询事项类型,而“查询转账信息的查询行为”的查询事项类型为转账信息,“查询还款期限的查询行为”的查询事项类型为还款期限,“查询还款最低额度的查询行为”的查询事项类型为还款最低额度。
步骤S203:将所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
可以理解的是,由于当前行为特征为转账信息,目标行为特征为还款期限与还款最低额度,明显地,目标行为特征中不含有转账信息,则匹配结果为匹配失败。
进一步地,所述行为类型包括查询行为类型,所述行为特征类型中包括与所述查询行为类型对应的查询事项类型,所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为查询行为类型,根据所述查询行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为查询事项类型时,从所述用户操作行为中提取与所述查询事项类型对应的当前行为特征,从所述预设操作行为中提取与所述查询事项类型对应的目标行为特征。
在具体实现中,若将查询行为类型简记为行为类型A,且与行为类型A对应的行为特征类型为查询事项类型,所以,将先从预设行为模型中获取出行为类型A的预设操作行为。在进行用户操作行为与预设操作行为的匹配时,将从用户操作行为中提取出查询事项类型下的当前行为特征,从所述预设操作行为中提取出查询事项类型下的目标行为特征,其中,当前行为特征可为转账信息,目标行为特征可为还款期限。
进一步地,所述行为类型还包括输入行为类型,所述行为特征类型中包括与所述输入行为类型对应的输入时长类型、输入内容类型与输入次序类型中的至少一项,所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为输入行为类型,根据所述输入行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为输入时长类型时,从所述用户操作行为中提取与所述输入时长类型对应的当前行为特征,从所述预设操作行为中提取与所述输入时长类型对应的目标行为特征。
在具体实现中,若操作行为的行为类型为输入行为类型,则该操作行为是指用户A在操作用户设备时输入信息的行为,比如,输入家庭地址、姓名以及身份证号码等信息的输入行为。
可以理解的是,若用户A的用户操作行为为输入身份证号码的输入行为,则输入时长类型是指输入身份证号码的统计时长,输入内容类型是指输入的身份证号码,输入次序类型是指当存在多个待输入的子信息时输入各子信息的输入顺序;而对应地,预设行为模型中将存储有认定为正常用户行为的输入身份证号码的输入行为,比如,正常的输入时间特征为20秒,正常的输入内容类型为12345,正常的输入次序类型为从左至右从上至下依次输入子信息。
应当理解的是,若用户A输入身份证号码的实际统计时长为40秒,则可将实际统计时长40秒与正常的输入时间特征20秒进行匹配,以获得匹配结果。当然,此处的匹配操作可为,若当前行为特征表示的时长大于或等于目标行为特征,则认定为匹配失败;若当前行为特征表示的时长小于目标行为特征,则认定为匹配成功。
在本实施例中通过预先确定用户操作行为的行为类型,进而提取出与行为特征类型对应的行为特征,将行为之间的匹配转换为特征之间的匹配,能够更加精准地完成用户操作行为与正常用户的操作行为之间比较,进而完成了对于用户身份的判定。
参照图4,图4为本发明基于用户行为的身份识别方法第三实施例的流程示意图,基于上述图3所示的第二实施例,提出本发明基于用户行为的身份识别方法的第三实施例。
第三实施例中,所述步骤S203,可以包括:
步骤S2031:在所述预设行为模型中根据所述行为特征类型查询对应的匹配规则;
可以理解的是,由于不同的行为特征类型对应的行为特征不同,行为特征间的数据差异导致行为特征之间的匹配方式也存在着差异,所以,可有针对性地分别设置不同的匹配规则。
步骤S2032:基于所述匹配规则对所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
应当理解的是,若行为特征类型为输入内容类型,则对应的匹配规则为“计算相似度并根据相似度进行匹配”,具体而言,在所述行为特征类型为输入内容类型时,基于所述匹配规则以计算所述当前行为特征与所述目标行为特征之间的相似度,将所述相似度与预设相似度阈值进行比较,以获得比较结果,并将所述比较结果认定为与所述匹配规则对应的匹配结果。
在具体实现中,比如,若当前行为特征表征的输入内容为身份证号12346,而目标行为特征表征的输入内容为身份证号12345,并计算二者的相似度,相似度越高则表明二者的内容较为相近。若计算出的相似度为0.8,预设相似度阈值为0.7,由于相似度0.8大于预设相似度阈值0.7,则比较结果为“相似度大于或等于预设相似度阈值”,对应的匹配结果为匹配成功。当然,若相似度小于预设相似度阈值,则比较结果为“相似度小于预设相似度阈值”,对应的匹配结果为匹配失败。
进一步地,所述基于所述匹配规则对所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果,包括:
在所述行为特征类型为输入时长类型时,基于所述匹配规则以将所述当前行为特征表征的输入时长与所述目标行为特征表征的输入时长进行比较,以获得比较结果,并将所述比较结果认定为与所述匹配规则对应的匹配结果。
在具体实现中,若行为特征类型为输入时长类型,则对应的匹配规则为“统计输入时长并根据输入时长进行匹配”,具体而言,若当前行为特征表征的输入身份证号的输入时长为20秒,而目标行为特征表征的输入时长为40秒,若将二者进行比较,比较结果为“当前行为特征表征的输入时长小于所述目标行为特征表征的输入时长”,并将该比较结果认定为匹配成功;比较结果为“当前行为特征表征的输入时长大于或等于所述目标行为特征表征的输入时长”,并将该比较结果认定为匹配失败。
进一步地,所述在预设分值评定模型下根据所述匹配结果生成对应的欺诈分值,包括:
在预设分值评定模型下查询与所述行为特征类型对应的权重系数,并根据所述匹配结果生成对应的特征评定值;
通过所述权重系数与所述特征评定值进行加权运算,以获得欺诈分值。
可以理解的是,不同的匹配结果将对应不同的特征评定值。比如,匹配成功的特征评定值可能为0,而匹配失败的特征评定值为100。
在具体实现中,若本实施例涉及的行为特征类型为输入时长类型与输入内容类型,而输入时长类型的特征评定值为100,输入内容类型的特征评定值为0。此外,为了更加有适应性地计算出欺诈分值,将尽量有区分性地参考各项行为特征类型的特征评定值,所以,将引入权重系数。
应当理解的是,可基于预设欺诈分值计算公式来计算出欺诈分值,其中,预设欺诈分值计算公式为,
其中,N表示欺诈分值,ak表示与行为特征类型对应的权重系数,Mk表示与所述行为特征类型对应的特征评定值,而n与k为正整数。若涉及的行为特征类型为输入时长类型与输入内容类型,而输入时长类型的特征评定值为100,权重系数为0.3;输入内容类型的特征评定值为0,权重系数为0.7,,故而,得到的欺诈分值100*0.3+0*0.7=30。若预设欺诈阈值为75,由于欺诈分值小于预设欺诈阈值,则可将用户的用户角色认定为正常用户。
在本实施例中考虑到各类行为特征之间的数据差异可能导致各行为特征之间的匹配方式也存在着差异,所以,可有针对性地分别设置不同的匹配规则,以准确地实现特征间的匹配。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于用户行为的身份识别程序,所述基于用户行为的身份识别程序被处理器执行时实现如上文所述的基于用户行为的身份识别方法的步骤。
此外,参照图5,本发明实施例还提出一种基于用户行为的身份识别装置,所述基于用户行为的身份识别装置包括:行为获取模块10、行为匹配模块20、分值生成模块30以及身份识别模块40;
所述行为获取模块10,用于获取目标用户的用户操作行为;
可以理解的是,考虑到现有的身份识别方式并不能尽早地且准确地找出已贷款人员中的贷款欺诈分子,本实施例将基于已贷款人员在办理贷款业务之后的各种用户行为来迅速地判断该人员是否可能为欺诈分子,以有效地识别出各用户中的欺诈分子。
在具体实现中,当用户A在办理贷款业务并获得款项后,将自动采集用户A在获得款项之后的用户操作行为,用户操作行为包括但不限于下列行为,比如,查询转账信息以及还款期限等的查询行为,输入家庭地址、姓名以及身份证号码等的输入行为。
所述行为匹配模块20,用于将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
应当理解的是,在采集到目标用户在获得款项之后实际发生的用户操作行为后,可将该户操作行为与预先确定的正常操作行为进行匹配,以判断目标用户的操作行为是否符合预期,进而判断目标用户的用户角色究竟为正常用户或者潜在欺诈分子。其中,正常用户为推断其将在还款日正常还款的安全用户,而潜在欺诈分子为推断其可能进行贷款欺诈的风险性用户。
在具体实现中,预设行为模型为基于正常用户的行为逻辑建立的行为模型,所以,预设行为模型内将包含有多个被认定为安全用户将执行的操作行为,比如,预设行为模型内的预设操作行为包括有“查询还款期限的查询行为”与“查询还款最低额度的查询行为”。若用户操作行为为“查询转账信息的查询行为”,预设行为模型内的预设操作行为与用户操作行为不同,则可认为二者的匹配结果为匹配失败;若用户操作行为为“查询还款期限的查询行为”,预设行为模型内的预设操作行为与用户操作行为相同,则可认为二者的匹配结果为匹配成功。
可以理解的是,预设行为模型内包含“查询还款期限的查询行为”与“查询还款最低额度的查询行为”,而不包含“查询转账信息的查询行为”的原因在于,由于预设行为模型是正常用户的行为模型,所以,预设行为模型内包含的行为的隐含意图为尽早还款,但是,“查询转账信息的查询行为”的隐含意图为尽快转账,这与欺诈份子的意图较为类似。所以,预设行为模型内将不包含查询转账信息的查询行为。
所述分值生成模块30,用于在预设分值评定模型下根据所述匹配结果生成对应的欺诈分值;
应当理解的是,预设分值评定模型用于根据各种类型的用户操作行为与预设操作行为的匹配结果来计算出欺诈分值,而欺诈分值用于评估目标用户为潜在欺诈分子的可能性。所以,匹配结果为匹配成功的结果个数越多,表示目标用户的用户操作行为越接近预设行为模型内包含的预设操作行为,则目标用户越可能为正常用户,则欺诈分值越低;匹配结果为匹配失败的结果个数越多,表示目标用户的用户操作行为越不接近预设行为模型内包含的预设操作行为,则目标用户越可能为潜在欺诈分子,则欺诈分值越高。其中,欺诈分值越高,表示目标用户为潜在欺诈分子的可能性越高。
在具体实现中,欺诈分值的取值范围可为0≤x≤100,x表示欺诈分值,而用户A的欺诈分值为80。
所述身份识别模块40,用于在所述欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
在具体实现中,若预设欺诈阈值为75,由于欺诈分值大于75,则可将用户A的用户归类为潜在欺诈分子。当然,若欺诈分值小于75,则可将用户A的用户归类为正常用户。明显地,本实施例完成对于用户A的用户角色的识别操作不必等到还款日,根据用户A的用户操作行为即可进行对于用户A用户角色的预判,既准确又快速。
进一步地,所述基于用户行为的身份识别装置还包括行为类型识别模块;
所述行为类型识别模块,用于识别所述用户操作行为的行为类型;根据所述行为类型在预设行为模型中查询对应的预设操作行为;
所述行为匹配模块20,还用于确定与所述行为类型对应的行为特征类型;从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征;将所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
进一步地,所述行为类型包括查询行为类型,所述行为特征类型中包括与所述查询行为类型对应的查询事项类型;
所述行为类型识别模块,还用于在所述行为类型为查询行为类型,根据所述查询行为类型在预设行为模型中查询对应的预设操作行为;
所述行为匹配模块20,还用于在所述行为特征类型为查询事项类型时,从所述用户操作行为中提取与所述查询事项类型对应的当前行为特征,从所述预设操作行为中提取与所述查询事项类型对应的目标行为特征。
进一步地,所述行为类型还包括输入行为类型,所述行为特征类型中包括与所述输入行为类型对应的输入时长类型、输入内容类型与输入次序类型中的至少一项;
所述行为类型识别模块,还用于在所述行为类型为输入行为类型,根据所述输入行为类型在预设行为模型中查询对应的预设操作行为;
所述行为匹配模块20,还用于在所述行为特征类型为输入时长类型时,从所述用户操作行为中提取与所述输入时长类型对应的当前行为特征,从所述预设操作行为中提取与所述输入时长类型对应的目标行为特征。
进一步地,所述行为匹配模块20,还用于在所述预设行为模型中根据所述行为特征类型查询对应的匹配规则;基于所述匹配规则对所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
进一步地,所述行为匹配模块20,还用于在所述行为特征类型为输入时长类型时,基于所述匹配规则以将所述当前行为特征表征的输入时长与所述目标行为特征表征的输入时长进行比较,以获得比较结果,并将所述比较结果认定为与所述匹配规则对应的匹配结果。
进一步地,所述分值生成模块30,还用于在预设分值评定模型下查询与所述行为特征类型对应的权重系数,并根据所述匹配结果生成对应的特征评定值;通过所述权重系数与所述特征评定值进行加权运算,以获得欺诈分值。
在本实施例中预先建立预设行为模型,并根据预设行为模型中的预设操作行为进行与用户操作行为的匹配,根据匹配结果来生成欺诈分值,并最终根据欺诈分值来确定目标用户的用户身份,明显地,比之现有的身份识别方式,本实施例能够更快地识别出用户身份,而且,由于本实施例结合了预设行为模型与预设分值评定模型,可以更加全面地评估目标用户的风险性。所以,不仅可以更快地识别出用户身份也能够较为准确地完成识别操作,本实施例给出的身份识别方式确实更加有效,可认为解决了现有的身份识别方式存在着的不能有效地识别出欺诈分子的技术问题。
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。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
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)
1.一种基于用户行为的身份识别方法,其特征在于,所述基于用户行为的身份识别方法包括以下步骤:
获取目标用户的用户操作行为;
将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
在预设分值评定模型下根据所述匹配结果生成对应的欺诈分值;
在所述欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
2.如权利要求1所述的基于用户行为的身份识别方法,其特征在于,所述将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果之前,所述基于用户行为的身份识别方法还包括以下步骤:
识别所述用户操作行为的行为类型;
根据所述行为类型在预设行为模型中查询对应的预设操作行为;
所述将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果,包括:
确定与所述行为类型对应的行为特征类型;
从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征;
将所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
3.如权利要求2所述的基于用户行为的身份识别方法,其特征在于,所述行为类型包括查询行为类型,所述行为特征类型中包括与所述查询行为类型对应的查询事项类型,所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为查询行为类型,根据所述查询行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为查询事项类型时,从所述用户操作行为中提取与所述查询事项类型对应的当前行为特征,从所述预设操作行为中提取与所述查询事项类型对应的目标行为特征。
4.如权利要求3所述的基于用户行为的身份识别方法,其特征在于,所述行为类型还包括输入行为类型,所述行为特征类型中包括与所述输入行为类型对应的输入时长类型、输入内容类型与输入次序类型中的至少一项,所述根据所述行为类型在预设行为模型中查询对应的预设操作行为,包括:
在所述行为类型为输入行为类型,根据所述输入行为类型在预设行为模型中查询对应的预设操作行为;
所述从所述用户操作行为中提取与所述行为特征类型对应的当前行为特征,从所述预设操作行为中提取与所述行为特征类型对应的目标行为特征,包括:
在所述行为特征类型为输入时长类型时,从所述用户操作行为中提取与所述输入时长类型对应的当前行为特征,从所述预设操作行为中提取与所述输入时长类型对应的目标行为特征。
5.如权利要求2所述的基于用户行为的身份识别方法,其特征在于,所述将所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果,包括:
在所述预设行为模型中根据所述行为特征类型查询对应的匹配规则;
基于所述匹配规则对所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果。
6.如权利要求5所述的基于用户行为的身份识别方法,其特征在于,所述基于所述匹配规则对所述当前行为特征与所述目标行为特征进行匹配,以获得匹配结果,包括:
在所述行为特征类型为输入时长类型时,基于所述匹配规则以将所述当前行为特征表征的输入时长与所述目标行为特征表征的输入时长进行比较,以获得比较结果,并将所述比较结果认定为与所述匹配规则对应的匹配结果。
7.如权利要求2所述的基于用户行为的身份识别方法,其特征在于,所述在预设分值评定模型下根据所述匹配结果生成对应的欺诈分值,包括:
在预设分值评定模型下查询与所述行为特征类型对应的权重系数,并根据所述匹配结果生成对应的特征评定值;
通过所述权重系数与所述特征评定值进行加权运算,以获得欺诈分值。
8.一种用户设备,其特征在于,所述用户设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行基于用户行为的身份识别程序,所述基于用户行为的身份识别程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于用户行为的身份识别方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有基于用户行为的身份识别程序,所述基于用户行为的身份识别程序被处理器执行时实现如权利要求1至7中任一项所述的基于用户行为的身份识别方法的步骤。
10.一种基于用户行为的身份识别装置,其特征在于,所述基于用户行为的身份识别装置包括:行为获取模块、行为匹配模块、分值生成模块以及身份识别模块;
所述行为获取模块,用于获取目标用户的用户操作行为;
所述行为匹配模块,用于将所述用户操作行为与预设行为模型中的预设操作行为进行匹配,以获得匹配结果;
所述分值生成模块,用于在预设分值评定模型下根据所述匹配结果生成对应的欺诈分值;
所述身份识别模块,用于在所述欺诈分值大于或等于预设欺诈阈值时,将所述目标用户的用户角色识别为潜在欺诈分子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811127993.3A CN109670934A (zh) | 2018-09-26 | 2018-09-26 | 基于用户行为的身份识别方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811127993.3A CN109670934A (zh) | 2018-09-26 | 2018-09-26 | 基于用户行为的身份识别方法、设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670934A true CN109670934A (zh) | 2019-04-23 |
Family
ID=66142635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811127993.3A Pending CN109670934A (zh) | 2018-09-26 | 2018-09-26 | 基于用户行为的身份识别方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670934A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111786934A (zh) * | 2019-08-26 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 检测客户端正常用户的方法以及装置 |
CN112488641A (zh) * | 2020-11-19 | 2021-03-12 | 深圳市中博科创信息技术有限公司 | 用户评价数据的处理方法、终端设备及可读存储介质 |
CN112989295A (zh) * | 2019-12-16 | 2021-06-18 | 北京沃东天骏信息技术有限公司 | 用户识别的方法和装置 |
WO2023165051A1 (zh) * | 2022-03-04 | 2023-09-07 | 青岛海尔科技有限公司 | 身份确定方法、存储介质及电子装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070112667A1 (en) * | 2005-10-31 | 2007-05-17 | Dun And Bradstreet | System and method for providing a fraud risk score |
CN106530095A (zh) * | 2016-12-05 | 2017-03-22 | 北京中交兴路信息科技有限公司 | 一种分析用户欺诈行为的方法及装置 |
CN106600413A (zh) * | 2015-10-19 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 欺诈识别方法和系统 |
CN107679046A (zh) * | 2016-08-01 | 2018-02-09 | 上海前隆信息科技有限公司 | 一种欺诈用户的检测方法及装置 |
CN107958215A (zh) * | 2017-11-23 | 2018-04-24 | 深圳市分期乐网络科技有限公司 | 一种防欺诈识别方法、装置、服务器及存储介质 |
CN108564467A (zh) * | 2018-05-09 | 2018-09-21 | 平安普惠企业管理有限公司 | 一种用户风险等级的确定方法及设备 |
-
2018
- 2018-09-26 CN CN201811127993.3A patent/CN109670934A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070112667A1 (en) * | 2005-10-31 | 2007-05-17 | Dun And Bradstreet | System and method for providing a fraud risk score |
CN106600413A (zh) * | 2015-10-19 | 2017-04-26 | 阿里巴巴集团控股有限公司 | 欺诈识别方法和系统 |
CN107679046A (zh) * | 2016-08-01 | 2018-02-09 | 上海前隆信息科技有限公司 | 一种欺诈用户的检测方法及装置 |
CN106530095A (zh) * | 2016-12-05 | 2017-03-22 | 北京中交兴路信息科技有限公司 | 一种分析用户欺诈行为的方法及装置 |
CN107958215A (zh) * | 2017-11-23 | 2018-04-24 | 深圳市分期乐网络科技有限公司 | 一种防欺诈识别方法、装置、服务器及存储介质 |
CN108564467A (zh) * | 2018-05-09 | 2018-09-21 | 平安普惠企业管理有限公司 | 一种用户风险等级的确定方法及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111786934A (zh) * | 2019-08-26 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 检测客户端正常用户的方法以及装置 |
CN112989295A (zh) * | 2019-12-16 | 2021-06-18 | 北京沃东天骏信息技术有限公司 | 用户识别的方法和装置 |
CN112488641A (zh) * | 2020-11-19 | 2021-03-12 | 深圳市中博科创信息技术有限公司 | 用户评价数据的处理方法、终端设备及可读存储介质 |
WO2023165051A1 (zh) * | 2022-03-04 | 2023-09-07 | 青岛海尔科技有限公司 | 身份确定方法、存储介质及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340498B (zh) | 线下交易的实现方法和装置 | |
CN109670934A (zh) | 基于用户行为的身份识别方法、设备、存储介质及装置 | |
CN110166438B (zh) | 账户信息的登录方法、装置、计算机设备及计算机存储介质 | |
CN109829776A (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
CN107437223A (zh) | 贷款信息审核方法、装置及设备 | |
CN107016783A (zh) | 自助售卖方法及装置 | |
CN109214914A (zh) | 一种基于通信开放平台的借贷信息审核方法及装置 | |
CN110163618A (zh) | 异常交易的检测方法、装置、设备及计算机可读存储介质 | |
CN109670852A (zh) | 用户分类方法、装置、终端及存储介质 | |
CN106506454A (zh) | 欺诈业务识别方法及装置 | |
CN109670933A (zh) | 识别用户角色的方法、用户设备、存储介质及装置 | |
CN108230151A (zh) | 一种可疑交易监测方法、装置、设备及存储介质 | |
CN110276369A (zh) | 基于机器学习的特征选择方法、装置、设备及存储介质 | |
CN109087163A (zh) | 信用评估的方法及装置 | |
CN108399565A (zh) | 金融产品推荐装置、方法及计算机可读存储介质 | |
CN107392614B (zh) | 线下交易的实现方法和装置 | |
CN109978033A (zh) | 同操作人识别模型的构建与同操作人识别的方法和装置 | |
CN109191635A (zh) | 基于人脸识别技术的判客方法、装置及存储介质 | |
CN109711801A (zh) | 一种网银对账方法及装置 | |
CN109461068A (zh) | 欺诈行为的判断方法、装置、设备及计算机可读存储介质 | |
CN107644098A (zh) | 一种欺诈行为识别方法、装置、设备及存储介质 | |
CN109460889A (zh) | 风险管控方法、系统、服务器及计算机可读存储介质 | |
CN110119980A (zh) | 一种用于信贷的反欺诈方法、装置、系统和记录介质 | |
CN107862425A (zh) | 风控数据采集方法、设备、系统及可读存储介质 | |
CN109461069A (zh) | 基于业务节点的风控方法、装置、设备及可读存储介质 |
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 |