CN109767076A - 黑名单的生成及筛查方法、装置、计算机设备和存储介质 - Google Patents
黑名单的生成及筛查方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109767076A CN109767076A CN201811545308.9A CN201811545308A CN109767076A CN 109767076 A CN109767076 A CN 109767076A CN 201811545308 A CN201811545308 A CN 201811545308A CN 109767076 A CN109767076 A CN 109767076A
- Authority
- CN
- China
- Prior art keywords
- blacklist
- node
- biological information
- risk
- account
- 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 55
- 238000012216 screening Methods 0.000 title claims abstract description 42
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 5
- 238000000151 deposition Methods 0.000 claims 1
- 239000003814 drug Substances 0.000 description 9
- 229940079593 drug Drugs 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000001755 vocal effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004900 laundering Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种黑名单的生成及筛查方法、装置、计算机设备和存储介质。涉及安全防护中的业务安全领域。所述方法包括:获取资金往来记录;根据所述资金往来记录对资金账户进行聚类;获取每个所述聚类的交易特征;根据所述交易特征确定相应所述聚类的风险类别;获取所述风险类别对应的风险评分模型;通过所述风险评分模型对相应聚类中的所述资金账户进行评分,得到风险评分;将所述风险评分大于第一阈值的所述资金账户添加至所述黑名单的第一级节点;从所述聚类中获取所述第一级节点的资金账户的关联账户,将所述关联账户添加至所述黑名单的第二级节点。采用本方法能够提高黑名单筛查的准确性。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及一种黑名单的生成方法、装置、计算机设备和存储介质与黑名单的筛查方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的发展,互联网技术逐渐拓展至金融领域,形成了新的业务模式-互联网金融。互联网金融在带来便利的同时,也带来了一系列的问题。有些用户通过互联网金融实施一些违法犯罪的活动,比如贩毒、洗钱、非法集资等等。
由此产生了一种黑名单惩罚方式,利用黑名单去筛查在互联网金融中的违法犯罪活动。在传统方式中,黑名单匹配多为模糊匹配,比如姓名、身份证号等基础身份信息的模糊匹配。这样的筛查方式,极易出现“假阳性”或“假阴性”误判,从而导致不能准确筛选出命中黑名单的目标,黑名单筛选准确度低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高黑名单筛查准确度的黑名单的生成方法、装置、计算机设备和存储介质与黑名单的筛查方法、装置、计算机设备和存储介质。
一种黑名单的生成方法,所述方法包括:
获取资金往来记录;
根据所述资金往来记录对资金账户进行聚类;
获取每个所述聚类的交易特征;
根据所述交易特征确定相应所述聚类的风险类别;
获取所述风险类别对应的风险评分模型;
通过所述风险评分模型对相应聚类中的所述资金账户进行评分,得到风险评分;
将所述风险评分大于第一阈值的所述资金账户添加至所述黑名单的第一级节点;
从所述聚类中获取所述第一级节点的资金账户的关联账户,将所述关联账户添加至所述黑名单的第二级节点。
在其中一个实施例中,所述方法还包括:
获取所述第二级节点的资金账户的风险评分;
将所述风险评分与第二阈值进行比较,确定所述风险评分大于第二阈值的目标第二级节点;
从所述聚类中获取所述目标第二级节点对应的资金账户的关联账户,将所述关联账户添加至所述黑名单的第三级节点,所述第三级节点为所述目标第二级节点对应的第三级节点。
在其中一个实施例中,所述方法还包括:
收集所述黑名单中所有资金账户的账户主体的生物特征信息;
将所述生物特征信息添加到黑名单相应的节点中。
一种黑名单的筛查方法,所述方法包括:
接收业务办理请求;
从所述业务办理请求中提取待办业务信息和请求人的生物特征信息;
将所述生物特征信息与黑名单中第一级节点对应的生物特征信息进行特征匹配,若存在相匹配的所述第一级节点,则获取所述第一级节点对应的风险类别;
计算所述待办业务信息与所述风险类别的交易特征的匹配度,若所述匹配度大于设定值,则确定所述业务办理请求命中黑名单;
根据所述业务办理请求生成预警任务。
在其中一个实施例中,在所述将所述生物特征信息与黑名单中第一级节点对应的生物特征信息进行特征匹配的步骤之后,还包括:
若不存在相匹配的所述第一级节点,则将所述生物特征信息与所述黑名单中第二级节点对应的生物特征信息进行特征匹配;
若存在相匹配的所述第二级节点,则获取与相匹配的所述第二级节点对应的所述第一级节点的生物特征信息;
从所述业务办理请求中提取交易对象的生物特征信息;
将所述交易对象的生物特征信息与所述第一级节点的生物特征信息进行特征匹配;
若存在相匹配的所述第一级节点,则确定所述业务办理请求命中黑名单。
在其中一个实施例中,在所述将所述生物特征信息与所述黑名单中第二级节点对应的生物特征信息进行特征匹配的步骤之后,所述方法还包括:
获取与相匹配的所述第二级节点对应的所述第三级节点的生物特征信息;
将所述交易对象的生物特征信息与所述第三级节点对应的生物特征信息进行特征匹配,若存在相匹配的所述第三级节点,则获取所述第三级节点对应的风险类别;
计算所述待办业务信息与所述风险类别的交易特征的匹配度,若所述匹配度大于设定值,则确定所述业务办理请求命中黑名单。
一种黑名单的生成装置,所述装置包括:
获取模块,用于获取资金往来记录;
聚类模块,用于根据所述资金往来记录对资金账户进行聚类;
所述获取模块还用于获取每个所述聚类的交易特征;根据所述交易特征确定相应所述聚类的风险类别;获取所述风险类别对应的风险评分模型;
评分模块,用于通过所述风险评分模型对相应聚类中的所述资金账户进行评分,得到风险评分;
黑名单生成模块,用于将所述风险评分大于第一阈值的所述资金账户添加至所述黑名单的第一级节点;从所述聚类中获取所述第一级节点的资金账户的关联账户,将所述关联账户添加至所述黑名单的第二级节点。
一种黑名单的筛查装置,所述装置包括:
请求接收模块,用于接收业务办理请求;
信息提取模块,用于从所述业务办理请求中提取待办业务信息和请求人的生物特征信息;
特征匹配模块,用于将所述生物特征信息与黑名单中第一级节点对应的生物特征信息进行特征匹配,若存在相匹配的所述第一级节点,则获取所述第一级节点对应的风险类别;
确定模块,用于计算所述待办业务信息与所述风险类别的交易特征的匹配度,若所述匹配度大于设定值,则确定所述业务办理请求命中黑名单;
任务生成模块,用于根据所述业务办理请求生成预警任务。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法中的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法中的步骤。
上述黑名单的生成方法、装置、计算机设备和存储介质,通过资金往来记录对资金账户进行聚类,确定相应聚类的风险类别,再获取风险类别对应的风险评分模型,通过风险评分模型对资金账户进行评分,将风险评分大于第一阈值的资金账户添加至黑名单的第一级节点,将第一级节点的资金账户的关联账户添加至黑名单的第二级节点,最终得到按照资金账户的风险大小分为多级的黑名单。与传统方式相比,黑名单中不仅只包含风险评分较高的第一级节点,而且还将关联账户加入第二级节点,充分考虑了风险账户之间的关联关系,从而降低了误判和漏判的可能,有效的提高了黑名单筛查的准确度。
上述黑名单的筛查方法、装置、计算机设备和存储介质,从业务办理请求中提取待办业务信息和请求人的生物特征信息,将生物特征信息与黑名单中第一级节点对应的生物特征信息进行匹配。存在相匹配的第一级节点时,还要计算待办业务信息与该第一级节点对应的风险类别的交易特征的匹配度,匹配度大于设定值才确定该业务办理请求命中黑名单,根据业务办理请求生成预警任务。在生物特征信息与黑名单中第一级节点对应的生物特征信息匹配后,还需要对待办业务信息与对应的交易特征进行匹配,从而保证在黑名单的筛查过程中不会出现误判和漏判的情况,有效的提高了黑名单筛查的准确度。
附图说明
图1为一个实施例中黑名单的生成方法的流程示意图;
图2为一个实施例中资金往来关系的示意图;
图3为一个实施例中黑名单界面的示意图;
图4为一个实施例中黑名单的筛查方法的应用环境图;
图5为一个实施例中黑名单的筛查方法的流程示意图;
图6为一个实施例中黑名单的生成装置的结构框图;
图7为一个实施例中黑名单的筛查装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种黑名单的生成方法,包括以下步骤:
步骤102,获取资金往来记录。
资金往来记录是指客户利用互联网金融进行具体业务的过程记录,其中,互联网金融是指传统金融机构与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式。资金往来记录中包括资金的流入账户、资金的流出账户、已经流动或者正在流动的资金量等。资金往来记录可以是预定时间段内部分或所有账户对某项或者某些项具体业务的资金往来记录,具体业务可以包括转账、充值、提现等,比如在两个月内所有账户进行转账的资金往来记录。服务器可从数据库中获取一个或多个账户的资金往来记录,该数据库中存储有各个账户的资金往来信息。数据库内的资金往来记录可以实时更新,每当出现一次资金往来时,就将往来记录记入数据库中;也可以按照一定频率定时更新,每过一段时间间隔就将这段时间内发生的资金往来记入数据库中。比如每过十分钟更新一次。
步骤104,根据资金往来记录对资金账户进行聚类。
服务器可利用聚类算法将资金账户汇聚为若干个聚类,其中,聚类算法是研究分类问题的一种统计分析方法,包括划分法、层次法、密度算法、图论聚类法、网格算法、模型算法等。在一个聚类中的资金账户之间比不在一个聚类中的资金账户之间具有更多的相似性。每个聚类中包括若干个资金账户,不同聚类之间可能存在交叉,即同一个资金账户可能存在一个或多个聚类中。
在其中一个实施例中,还可以根据资金账户交往的密切度对资金账户进行聚类、将密切交往的多个资金账户划分到同一聚类中。
在其中一个实施例中,服务器可根据资金往来记录建立资金账户之间的资金往来关系图。资金往来关系图中资金账户为点,资金往来关系作为连接各个点的边。若出现资金账户存在多个资金往来记录中,则将相同的资金账户合并为同一个点。服务器以资金往来关系图中的资金往来关系为依据,利用聚类算法对资金账户进行聚类。如图2所示,ABCDEFGHIJK均表示资金账户,各圆之间的线表示资金往来关系,服务器利用聚类算法将资金账户进行聚类,汇聚成了三个聚类,分别为聚类1、聚类2和聚类3,即ABCDE属于聚类1,AHIL属于聚类2,FGJK属于聚类3。
步骤106,获取每个聚类的交易特征。
服务器获取每一个聚类的交易特征,每一个聚类都具有交易特征。服务器可以从聚类的资金账户之间的资金往来关系中获取交易特征,也可以从资金账户特征中获取交易特征。具体的,资金往来关系中的交易特征包括交易频率特征、交易金额特征、交易次数特征、资金进出特征等。比如,交易特征可以是按照每月或每季度固定频率发生资金往来;交易特征也可以是每次的交易金额大且固定,如五十万元人民币;交易特征还可以是资金由多个资金账户分散进入一个资金账户,再由该资金账户集中转移出资金等。从资金账户特征中的交易特征包括资金账户所在地集中度、资金账户所处年龄阶段等。服务器可以从资金往来关系或资金账户特征中获取每个聚类的交易特征,该交易特征即为聚类中资金账户或者资金往来关系具有的共同的相似性。
步骤108,根据交易特征确定相应聚类的风险类别。
其中,风险类别为相应聚类可能存在的违法犯罪行为的类别,风险类别包括洗钱类别、伪慈类别、贩毒类别、非法集资类别等。预先定义每个风险类别对应的交易特征集合,根据交易特征与风险类别之间存在对应关系,服务器可根据获取得到的交易特征确定相应聚类的风险类别。比如,贩毒类别对应的交易特征包括多个资金账户与同一个资金账户发生有规律的资金交易,即按照一定频率进行资金交易,资金金额稳定且较大甚至巨大。当服务器获取到聚类的交易特征是存在固定频率、资金金额稳定、金额较大时,则将该聚类确定为贩毒类别,如图2中的聚类1.当服务器获取到聚类的交易特征为资金在固定资金账户之间多次交易、最终集中到一个资金账户上时,则将该聚类确定为洗钱类别,如图2中的聚类2。
步骤110,获取风险类别对应的风险评分模型。
每一种风险类别都存在对应的风险评分模型,比如贩毒类别存在对应的贩毒风险评分模型,非法集资类别存在对应的非法集资风险评分模型。服务器可根据确定的风险类别获取对应的风险评分模型。
步骤112,通过风险评分模型对相应聚类中的资金账户进行评分,得到风险评分。
服务器通过风险评分模型,对相应的聚类中所有的资金账户逐一进行评分,得到风险评分。具体的,服务器获取风险评分模型中预设的相应风险类别的标准交易特征,将标准交易特征与资金账户的交易特征逐一进行比较,根据相似度进行评分。交易特征与标准交易特征越相似的资金账户,风险评分越高,表示越有可能属于风险类别;交易特征与标准交易特征差异越大的资金账户,风险评分越低,表示越不可能属于风险类别。
步骤114,将风险评分大于第一阈值的资金账户添加至黑名单的第一级节点。
服务器将风险评分大于第一阈值的资金账户添加至黑名单的第一级节点中。黑名单中包括第一级节点、第二级节点、第三级节点等。第一阈值为预设的第一风险评分。当资金账户的风险评分大于第一阈值时,服务器则将该资金账户添加至黑名单的第一级节点中。具体的,服务器将该资金账户对应的账户主体的基础信息添加至黑名单的第一级节点。当资金账户对应的账户主体是自然人时,基础信息包括该自然人的基础身份信息,比如姓名、性别、年龄、民族、身份证号码、户籍所在地、家庭住址等;当资金账户对应的账户主体是法人时,基础信息包括该法人的基础信息和法定代表人的基础身份信息,比如法人的名称、注册地、工商号码和法定代表人的姓名、性别、年龄、民族、身份证号码、户籍所在地、家庭住址等。
步骤116,从聚类中获取第一级节点的资金账户的关联账户,将关联账户添加至黑名单的第二级节点。
服务器从第一级节点的资金账户对应的聚类中获取存在资金往来关系的账户作为关联账户,将关联账户添加至黑名单的第二级节点中。具体的,服务器也将关联账户对应的账户主体的基础信息添加至黑名单的第二级节点。
如图2、图3所示,若A、I资金账户的风险评分大于第一阈值,则将A、I添加至黑名单的第一级节点。服务器再从A、I所属的聚类1和聚类2中获取与第一级节点的资金账户,即A、I的关联账户,A的关联账户包括BCDEI,I的关联账户包括AHL。服务器将ABCDEHIL对应的账户主体的基础信息添加至黑名单的第二级节点。
上述黑名单的生成方法,通过资金往来记录对资金账户进行聚类,确定相应聚类的风险类别,再获取风险类别对应的风险评分模型,通过风险评分模型对资金账户进行评分,将风险评分大于第一阈值的资金账户添加至黑名单的第一级节点,将第一级节点的资金账户的关联账户添加至黑名单的第二级节点,最终得到按照资金账户的风险大小分为多级的黑名单。与传统方式相比,黑名单中不仅只包含风险评分较高的第一级节点,而且还将关联账户加入第二级节点,充分考虑了风险账户之间的关联关系,从而降低了误判和漏判的可能,有效的提高了黑名单筛查的准确度。
在一个实施例中,上述黑名单的生成方法还包括以下步骤:
获取第二级节点的资金账户的风险评分;将风险评分与第二阈值进行比较,确定风险评分大于第二阈值的目标第二级节点;从聚类中获取目标第二级节点对应的资金账户的关联账户,将关联账户添加至黑名单的第三级节点,第三级节点为目标第二级节点对应的第三级节点。
服务器获取黑名单第二级节点中每一个资金账户的风险评分,将风险评分逐一与第二阈值进行比较。其中,第二阈值为预先设置的第二风险评分,第二阈值小于第一阈值。服务器从黑名单第二级节点中筛选出风险评分大于第二阈值的资金账户集合为目标第二级节点,目标第二级节点中的资金账户对应有所属聚类,服务器从聚类中获取与目标第二级节点对应的资金账户存在关联的资金账户作为关联账户,将关联账户添加至黑名单的第三级节点。可以理解的是,第三级节点中的关联账户对应的风险评分大于第二阈值且小于第一阈值。若第二级节点中的资金账户对应的风险评分大于第二阈值的同时大于第一阈值,该资金账户属于第一级节点,故不再从聚类中获取该资金账户的关联账户添加至黑名单的第三级节点。具体的,服务器将关联账户添加至第三级节点是将关联账户对应的账户主体的基础信息添加至黑名单的第三级节点。
在本实施例中,将黑名单第二级节点的资金账户的风险评分与第二阈值进行比较,确定目标第二级节点,再将目标第二级节点对应的资金账户的关联账户添加至黑名单的第三级节点。将整个黑名单按照风险评分和关联关系分为了第一级节点、第二级节点、第三级节点的多级结构。黑名单的第一级节点中的资金账户存在风险的可能性更高,第三级节点中的资金账户存在风险的可能性相对较小。生成黑名单的方法除了以风险评分为标准外,还兼顾到与风险评分高的资金账户存在关联的关联账户。以此生成的黑名单,资金账户的风险层级明确,辐射范围广,能够有效的降低误判和漏判的可能,从而提高黑名单筛查的准确度。
在一个实施例中,上述黑名单的生成方法还包括以下步骤:
收集黑名单中所有资金账户的账户主体的生物特征信息;将生物特征信息添加到黑名单相应的节点中。
服务器收集黑名单中所有资金账户的账户主体的生物特征信息,资金账户的账户主体包括自然人和法人。当资金账户的账户主体是自然人时,服务器收集自然人的生物特征信息。自然人的生物特征信息包括人脸特征信息、声纹信息、指纹信息、脉搏信息、虹膜信息等。当资金账户的账户主体是法人时,服务器收集法人的法定代表人的生物特征信息。法定代表人的生物特征信息包括人脸特征信息、声纹信息、指纹信息、脉搏信息、虹膜信息等。服务器将收集得到的账户主体的生物特征信息对应添加到黑名单的节点中,使生物特征信息与黑名单节点中的资金账户对应。
在本实施例中,黑名单中不仅仅包括资金账户的账户主体的基础信息,还包括账户主体的生物特征信息。与传统黑名单中只包括基础信息的方式相比较,本实施例中生成的黑名单中的资金账户的信息更加丰富,生物特征信息是每个账户主体唯一对应的,黑名单中的资金账户与生物特征信息对应,有效的防止仅通过基础信息匹配结果不准确的情况,从而减小出现“假阳性”、“假阴性”误判的可能,提高了黑名单筛查的准确度。
本申请提供的黑名单的筛查方法,可以应用于如图4所示的应用环境中。其中,终端402通过网络与服务器404通过网络进行通信。终端402可向服务器404发送业务办理请求,服务器404从业务办理请求中提取待办业务信息和请求人的生物特征信息,通过请求人的生物特征信息与黑名单中的生物特征信息的匹配结果、待办业务信息与风险类别的交易特征的匹配度判断业务办理请求是否命中黑名单。其中,终端402可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器404可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图5所示,提供了一种黑名单的筛查方法,以该方法应用于图4中的服务器为例进行说明,包括以下步骤:
步骤502,接收业务办理请求。
步骤504,从业务办理请求中提取待办业务信息和请求人的生物特征信息。
服务器接收终端上传的业务办理请求,业务办理请求是用户通过终端上传的办理互联网金融业务的请求。比如转账请求、提现请求、充值请求等。业务办理请求中包括待办业务信息和请求人的生物特征信息。其中,待办业务信息可以包括待办业务类型、待办业务金额、交易对象信息等;请求人的生物特征信息可以包括请求人上传的人脸图像、指纹信息、虹膜信息等的一种或多种,当请求人是法人时,则上传法定代表人的生物特征信息。服务器从业务办理请求中提取待办业务信息和请求人的生物特征信息。
步骤506,将生物特征信息与黑名单中第一级节点对应的生物特征信息进行特征匹配,若存在相匹配的第一级节点,则获取第一级节点对应的风险类别。
服务器将业务办理请求中提取到的生物特征信息与黑名单中第一级节点对应的生物特征信息逐一进行特征匹配。服务器将生物特征信息中的各类信息与黑名单中第一级节点对应的生物特征信息逐一进行特征匹配。当生物特征信息中的至少一项特征信息匹配成功,则确定黑名单中第一级节点中存在与请求人的生物特征信息相匹配的资金账户。服务器获取相匹配的第一级节点的资金账户对应的风险类别,该风险类别为资金账户所属聚类的风险类别。
在其中一个实施例中,服务器将生物特征信息逐项进行匹配,将各相匹配结果加权后得到最终匹配结果。例如,业务办理请求中携带的请求人的生物特征信息包括人脸图像、指纹和声纹,服务器分别将人脸图像、指纹和声纹与黑名单中第一级节点中的人脸图像、指纹和声纹进行匹配,得到人脸图像匹配结果、指纹匹配结果和声纹匹配结果。服务器按照每项生物特征类别预设的权值对人脸图像匹配结果、指纹匹配结果和声纹匹配结果进行加权计算,得到最终匹配结果。根据最终匹配结果判断是否存在与请求人相匹配的资金账户。在传统方式中,黑名单的筛查仅筛选请求人名称、身份证号码等基础身份信息,违法者很容易通过制造假身份避免黑名单的筛查。而在本实施例中,通过多个维度的生物特征信息进行匹配,有效的避免了通过身份造假导致“假阴性”误判,有效的提高了黑名单筛查的准确性。
步骤508,计算待办业务信息与风险类别的交易特征的匹配度,若匹配度大于设定值,则确定业务办理请求命中黑名单。
服务器获取风险类别对应的交易特征,将业务办理请求中的待办业务信息与交易特征进行匹配,计算它们之间的匹配度。若匹配度大于设定值,则确定业务办理请求命中黑名单。若相匹配的第一级节点的资金账户属于多个聚类,则分别获取每个聚类的风险类别对应的交易特征,将待办业务信息与交易特征逐一进行匹配,若任意一个匹配度大于设定值,则确定业务办理请求命中黑名单。如图2所示,若A为与请求人生物特征信息相匹配的第一级节点的资金账户,A属于聚类1和聚类2,服务器则分别获取聚类1和聚类2的风险类别。若聚类1的风险类别为贩毒类别,聚类2的风险类别为非法集资类别,服务器则分别获取贩毒类别和非法集资类别的交易特征,将业务办理啊请求中的待办业务信息分别与获取贩毒类别的交易特征和非法集资类别的交易特征进行匹配。若贩毒类别或非法集资类别的任一项匹配度大于设定值,则确定该业务办理请求命中黑名单。
步骤510,根据业务办理请求生成预警任务。
服务器根据命中黑名单的业务办理请求生成预警任务,预警任务中包括业务办理请求可能存在的风险类别、命中的黑名单的第一级节点等。服务器可将生成的预警任务发送给业务处理终端进行处理,以提醒处理人员该业务办理请求已命中黑名单。
上述黑名单的筛查方法,从业务办理请求中提取待办业务信息和请求人的生物特征信息,将生物特征信息与黑名单中第一级节点对应的生物特征信息进行匹配。存在相匹配的第一级节点时,还要计算待办业务信息与该第一级节点对应的风险类别的交易特征的匹配度,匹配度大于设定值才确定该业务办理请求命中黑名单,根据业务办理请求生成预警任务。在生物特征信息与黑名单中第一级节点对应的生物特征信息匹配后,还需要对待办业务信息与对应的交易特征进行匹配,从而保证在黑名单的筛查过程中不会出现误判和漏判的情况,有效的提高了黑名单筛查的准确度。
在一个实施例中,在步骤506即将生物特征信息与黑名单中第一级节点对应的生物特征信息进行特征匹配的步骤之后,上述方法还包括:
若不存在相匹配的第一级节点,则将生物特征信息与黑名单中第二级节点对应的生物特征信息进行特征匹配;若存在相匹配的第二级节点,则获取与相匹配的第二级节点对应的第一级节点的生物特征信息;从业务办理请求中提取交易对象的生物特征信息;将交易对象的生物特征信息与第一级节点的生物特征信息进行特征匹配;若存在相匹配的第一级节点,则确定业务办理请求命中黑名单。
服务器若未找到与请求人的生物特征信息相匹配的第一级节点,则将生物特征信息与黑名单中第二级节点对应的生物特征信息进行特征匹配。具体特征匹配方式与上述特征匹配类似,故此处不再赘述。若存在与请求人的生物特征信息相匹配的第二级节点的资金账户,则获取与该第二级节点资金账户对应的第一级节点的生物特征信息。第二级节点是由第一级节点资金账户的关联账户组成的,故第二级节点的每个资金账户存在对应的第一级节点。服务器从业务办理请求中提取交易对象的生物特征信息,业务办理请求中携带有交易对象的至少一项生物特征信息。服务器将交易对象的生物特征信息与第一级节点的生物特征信息进行特征匹配,若存在相匹配的第一级节点,则确定业务办理请求命中黑名单。
在本实施例中,第二级节点为低风险节点,即第一级节点关联的节点,第二级节点相对第一级节点来说属于低风险节点。传统的黑名单筛查方式中,当请求人不属于黑名单中时,则不命中黑名单。传统的黑名单低风险人员又没有被列入黑名单。因此容易出现漏掉低风险人员的“假阴性”误判。而在本实施例中,将与高风险的第一级节点关联的资金账户也添加至黑名单中,请求人不属于高风险用户,但请求人是高风险用户的关联用户,传统黑名单并不命中这一类业务请求,而本实施例中,若请求人的交易对象是与请求人进行过风险交易的高风险用户,则业务请求命中,实现了对低风险人员与高风险人员之间发生的资金往来,多级的黑名单增加了风险请求命中的广度,有效的提高了黑名单筛查的准确度。
在一个实施例中,服务器将请求人的生物特征信息与黑名单中第二级节点对应的生物特征信息进行特征匹配,若存在相匹配的第二级节点的资金账户,服务器还可以获取该第二级节点资金账户所属聚类的风险类别,计算待办业务信息与该风险类别的交易特征的匹配度,若匹配度大于设定值,则确定业务办理请求命中黑名单。
在本实施例中,当服务器找到相匹配的第二级节点的资金账户后,判断待办业务信息是否可能属于第二级节点的资金账户对应的风险类别。即服务器匹配到低风险节点时,因为该节点风险较低,故继续判断待办业务信息是否为对应的违法犯罪行为。若是,则确定业务办理请求命中黑名单;若否,则确定业务办理请求不命中黑名单。在本实施例中,低风险节点即第二级节点的犯罪可能性较小,请求人的生物特征信息命中第二级节点后还需要确定待办业务是否属于违法犯罪行为,有效的避免了出现“假阳性”的误判,提高了黑名单筛查的准确性。
在一个实施例中,若服务器在黑名单第一级节点中未找到与请求人的生物特征信息相匹配的第一级节点资金账户,服务器则将请求人的生物特征信息与黑名单中第二级节点对应的生物特征信息进行特征匹配,获取与相匹配的第二级节点对应的第三级节点的生物特征信息;将交易对象的生物特征信息与第三级节点对应的生物特征信息进行特征匹配,若存在相匹配的第三级节点,则获取第三级节点对应的风险类别;计算待办业务信息与风险类别的交易特征的匹配度,若匹配度大于设定值,则确定业务办理请求命中黑名单。
服务器获取第三级节点的生物特征信息,第三级节点为与请求人生物特征信息相匹配的第二级节点对应的第三级节点。服务器将交易对象的生物特征信息与第三级节点对应的生物特征信息进行特征匹配,第三级节点的资金账户为第二级节点资金账户的关联账户,将交易对象的生物特征信息与第三级节点进行特征匹配,以判断资金交易是否为第二级节点与第三级节点之间的交易往来。若是,则获取相匹配的第三级节点对应的风险类别,计算待办业务信息与风险类别的交易特征的匹配度。若匹配度大于设定值,则确定业务办理请求命中黑名单。
在本实施例中,因为第二级节点与第三级节点的犯罪风险相对较小,故当请求人和交易对象分别与第二级节点与第三级节点匹配后,还要计算待办业务信息是否与第三级节点对应的风险类别的交易特征的匹配度,若匹配度大于设定值,才确定业务办理请求命中黑名单。在本实施例中,不仅判断请求人和交易对象是否与第二级节点、第三级节点匹配,还要确定待办的业务是否属于风险类别。只有都满足时,才确定业务办理请求命中黑名单。同时,与传统方式相比,本实施例对犯罪风险很小的第二级节点、第三级节点均进行筛查。大大降低了“假阴性”、“假阳性”误判和漏判,提高了黑名单筛查的准确性。
应该理解的是,虽然图1、图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种黑名单的生成装置,包括:获取模块602、聚类模块604、评分模块606和黑名单生成模块608,其中:
获取模块602,用于获取资金往来记录。
聚类模块604,用于根据资金往来记录对资金账户进行聚类。
上述获取模块602还用于获取每个聚类的交易特征;根据交易特征确定相应聚类的风险类别;获取风险类别对应的风险评分模型。
评分模块606,用于通过风险评分模型对相应聚类中的资金账户进行评分,得到风险评分。
黑名单生成模块608,用于将风险评分大于第一阈值的资金账户添加至黑名单的第一级节点;从聚类中获取第一级节点的资金账户的关联账户,将关联账户添加至黑名单的第二级节点。
在一个实施例中,上述获取模块602还用于获取第二级节点的资金账户的风险评分;将风险评分与第二阈值进行比较,确定风险评分大于第二阈值的目标第二级节点。
黑名单生成模块608还用于从聚类中获取目标第二级节点对应的资金账户的关联账户,将关联账户添加至黑名单的第三级节点,第三级节点为目标第二级节点对应的第三级节点。
在一个实施例中,上述黑名单的生成装置还包括生物特征添加模块。其中,生物特征添加模块用于收集黑名单中所有资金账户的账户主体的生物特征信息;将生物特征信息添加到黑名单相应的节点中。
在一个实施例中,如图7所示,提供了一种黑名单的筛查装置,包括:请求接收模块702、信息提取模块704、特征匹配模块706、确定模块708和任务生成模块710,其中:
请求接收模块702,用于接收业务办理请求。
信息提取模块704,用于从业务办理请求中提取待办业务信息和请求人的生物特征信息。
特征匹配模块706,用于将生物特征信息与黑名单中第一级节点对应的生物特征信息进行特征匹配,若存在相匹配的第一级节点,则获取第一级节点对应的风险类别。
确定模块708,用于计算待办业务信息与风险类别的交易特征的匹配度,若匹配度大于设定值,则确定业务办理请求命中黑名单。
任务生成模块710,用于根据业务办理请求生成预警任务。
在一个实施例中,上述特征匹配模块706还用于若不存在相匹配的第一级节点,则将生物特征信息与黑名单中第二级节点对应的生物特征信息进行特征匹配;若存在相匹配的第二级节点,则获取与相匹配的第二级节点对应的第一级节点的生物特征信息;从业务办理请求中提取交易对象的生物特征信息;将交易对象的生物特征信息与第一级节点的生物特征信息进行特征匹配。
上述确定模块708还用于若存在相匹配的第一级节点,则确定业务办理请求命中黑名单。
在一个实施例中,上述信息提取模块704还用于获取与相匹配的第二级节点对应的第三级节点的生物特征信息;
上述特征匹配模块706还用于将交易对象的生物特征信息与第三级节点对应的生物特征信息进行特征匹配,若存在相匹配的第三级节点,则获取第三级节点对应的风险类别。
上述确定模块708还用于计算待办业务信息与风险类别的交易特征的匹配度,若匹配度大于设定值,则确定业务办理请求命中黑名单。
关于黑名单的生成及筛查装置的具体限定可以参见上文中对于黑名单的生成及筛查方法的限定,在此不再赘述。上述黑名单的生成及筛查装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储黑名单的生成及筛查数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种黑名单的生成及筛查方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种黑名单的生成方法,所述方法包括:
获取资金往来记录;
根据所述资金往来记录对资金账户进行聚类;
获取每个所述聚类的交易特征;
根据所述交易特征确定相应所述聚类的风险类别;
获取所述风险类别对应的风险评分模型;
通过所述风险评分模型对相应聚类中的所述资金账户进行评分,得到风险评分;
将所述风险评分大于第一阈值的所述资金账户添加至所述黑名单的第一级节点;
从所述聚类中获取所述第一级节点的资金账户的关联账户,将所述关联账户添加至所述黑名单的第二级节点。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述第二级节点的资金账户的风险评分;
将所述风险评分与第二阈值进行比较,确定所述风险评分大于第二阈值的目标第二级节点;
从所述聚类中获取所述目标第二级节点对应的资金账户的关联账户,将所述关联账户添加至所述黑名单的第三级节点,所述第三级节点为所述目标第二级节点对应的第三级节点。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
收集所述黑名单中所有资金账户的账户主体的生物特征信息;
将所述生物特征信息添加到黑名单相应的节点中。
4.一种黑名单的筛查方法,所述方法包括:
接收业务办理请求;
从所述业务办理请求中提取待办业务信息和请求人的生物特征信息;
将所述生物特征信息与黑名单中第一级节点对应的生物特征信息进行特征匹配,若存在相匹配的所述第一级节点,则获取所述第一级节点对应的风险类别;
计算所述待办业务信息与所述风险类别的交易特征的匹配度,若所述匹配度大于设定值,则确定所述业务办理请求命中黑名单;
根据所述业务办理请求生成预警任务。
5.根据权利要求4所述的方法,其特征在于,在所述将所述生物特征信息与黑名单中第一级节点对应的生物特征信息进行特征匹配的步骤之后,还包括:
若不存在相匹配的所述第一级节点,则将所述生物特征信息与所述黑名单中第二级节点对应的生物特征信息进行特征匹配;
若存在相匹配的所述第二级节点,则获取与相匹配的所述第二级节点对应的所述第一级节点的生物特征信息;
从所述业务办理请求中提取交易对象的生物特征信息;
将所述交易对象的生物特征信息与所述第一级节点的生物特征信息进行特征匹配;
若存在相匹配的所述第一级节点,则确定所述业务办理请求命中黑名单。
6.根据权利要求5所述的方法,其特征在于,在所述将所述生物特征信息与所述黑名单中第二级节点对应的生物特征信息进行特征匹配的步骤之后,所述方法还包括:
获取与相匹配的所述第二级节点对应的所述第三级节点的生物特征信息;
将所述交易对象的生物特征信息与所述第三级节点对应的生物特征信息进行特征匹配,若存在相匹配的所述第三级节点,则获取所述第三级节点对应的风险类别;
计算所述待办业务信息与所述风险类别的交易特征的匹配度,若所述匹配度大于设定值,则确定所述业务办理请求命中黑名单。
7.一种黑名单的生成装置,其特征在于,所述装置包括:
获取模块,用于获取资金往来记录;
聚类模块,用于根据所述资金往来记录对资金账户进行聚类;
所述获取模块还用于获取每个所述聚类的交易特征;根据所述交易特征确定相应所述聚类的风险类别;获取所述风险类别对应的风险评分模型;
评分模块,用于通过所述风险评分模型对相应聚类中的所述资金账户进行评分,得到风险评分;
黑名单生成模块,用于将所述风险评分大于第一阈值的所述资金账户添加至所述黑名单的第一级节点;从所述聚类中获取所述第一级节点的资金账户的关联账户,将所述关联账户添加至所述黑名单的第二级节点。
8.一种黑名单的筛查装置,其特征在于,所述装置包括:
请求接收模块,用于接收业务办理请求;
信息提取模块,用于从所述业务办理请求中提取待办业务信息和请求人的生物特征信息;
特征匹配模块,用于将所述生物特征信息与黑名单中第一级节点对应的生物特征信息进行特征匹配,若存在相匹配的所述第一级节点,则获取所述第一级节点对应的风险类别;
确定模块,用于计算所述待办业务信息与所述风险类别的交易特征的匹配度,若所述匹配度大于设定值,则确定所述业务办理请求命中黑名单;
任务生成模块,用于根据所述业务办理请求生成预警任务。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3或4至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3或4至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811545308.9A CN109767076A (zh) | 2018-12-17 | 2018-12-17 | 黑名单的生成及筛查方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811545308.9A CN109767076A (zh) | 2018-12-17 | 2018-12-17 | 黑名单的生成及筛查方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109767076A true CN109767076A (zh) | 2019-05-17 |
Family
ID=66450895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811545308.9A Pending CN109767076A (zh) | 2018-12-17 | 2018-12-17 | 黑名单的生成及筛查方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767076A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178914A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 分拆购汇行为的识别方法、装置、设备及存储介质 |
CN111709827A (zh) * | 2020-06-11 | 2020-09-25 | 中国建设银行股份有限公司 | 目标用户信息的推送方法、装置和设备 |
CN112053220A (zh) * | 2020-08-09 | 2020-12-08 | 中信银行股份有限公司 | 一种风险用户确定方法、装置及存储介质 |
CN112561703A (zh) * | 2020-12-23 | 2021-03-26 | 支付宝(杭州)信息技术有限公司 | 基于异步网络刻画和实时特征提取的局部关系网络的刻画方法、系统 |
CN113434681A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 业务操作控制方法、装置、电子设备及介质 |
CN114549193A (zh) * | 2021-12-21 | 2022-05-27 | 上海金仕达软件科技有限公司 | 名单筛查方法、装置、设备、存储介质和程序产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120254243A1 (en) * | 2005-04-21 | 2012-10-04 | Torsten Zeppenfeld | Systems, methods, and media for generating hierarchical fused risk scores |
CN106355405A (zh) * | 2015-07-14 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 风险识别方法、装置及风险防控系统 |
CN106776973A (zh) * | 2016-12-05 | 2017-05-31 | 深圳前海微众银行股份有限公司 | 黑名单数据生成方法和装置 |
CN107563758A (zh) * | 2017-07-18 | 2018-01-09 | 厦门快商通科技股份有限公司 | 一种解决金融信审业务中惯犯诈骗的检测方法与系统 |
CN108055661A (zh) * | 2017-12-06 | 2018-05-18 | 北京奇虎科技有限公司 | 基于通信网络的电话号码黑名单建立方法及装置 |
-
2018
- 2018-12-17 CN CN201811545308.9A patent/CN109767076A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120254243A1 (en) * | 2005-04-21 | 2012-10-04 | Torsten Zeppenfeld | Systems, methods, and media for generating hierarchical fused risk scores |
CN106355405A (zh) * | 2015-07-14 | 2017-01-25 | 阿里巴巴集团控股有限公司 | 风险识别方法、装置及风险防控系统 |
CN106776973A (zh) * | 2016-12-05 | 2017-05-31 | 深圳前海微众银行股份有限公司 | 黑名单数据生成方法和装置 |
CN107563758A (zh) * | 2017-07-18 | 2018-01-09 | 厦门快商通科技股份有限公司 | 一种解决金融信审业务中惯犯诈骗的检测方法与系统 |
CN108055661A (zh) * | 2017-12-06 | 2018-05-18 | 北京奇虎科技有限公司 | 基于通信网络的电话号码黑名单建立方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178914A (zh) * | 2019-12-31 | 2020-05-19 | 中国银行股份有限公司 | 分拆购汇行为的识别方法、装置、设备及存储介质 |
CN111178914B (zh) * | 2019-12-31 | 2023-09-22 | 中国银行股份有限公司 | 分拆购汇行为的识别方法、装置、设备及存储介质 |
CN111709827A (zh) * | 2020-06-11 | 2020-09-25 | 中国建设银行股份有限公司 | 目标用户信息的推送方法、装置和设备 |
CN112053220A (zh) * | 2020-08-09 | 2020-12-08 | 中信银行股份有限公司 | 一种风险用户确定方法、装置及存储介质 |
CN112561703A (zh) * | 2020-12-23 | 2021-03-26 | 支付宝(杭州)信息技术有限公司 | 基于异步网络刻画和实时特征提取的局部关系网络的刻画方法、系统 |
CN113434681A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技(深圳)有限公司 | 业务操作控制方法、装置、电子设备及介质 |
CN114549193A (zh) * | 2021-12-21 | 2022-05-27 | 上海金仕达软件科技有限公司 | 名单筛查方法、装置、设备、存储介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767076A (zh) | 黑名单的生成及筛查方法、装置、计算机设备和存储介质 | |
Trivedi et al. | An efficient credit card fraud detection model based on machine learning methods | |
AU2012230299B2 (en) | An automated fraud detection method and system | |
Hashemi et al. | Fraud detection in banking data by machine learning techniques | |
Darwish | A bio-inspired credit card fraud detection model based on user behavior analysis suitable for business management in electronic banking | |
WO2012119008A2 (en) | System and method for suspect entity detection and mitigation | |
CN109345375A (zh) | 一种可疑洗钱行为识别方法及装置 | |
CN110276679A (zh) | 一种面向深度学习的网络个人信贷欺诈行为检测方法 | |
US20220351284A1 (en) | System and method for the rapid, flexible approval and disbursement of a loan | |
US20220383322A1 (en) | Clustering-based data selection for optimization of risk predictive machine learning models | |
CN110084609B (zh) | 一种基于表征学习的交易欺诈行为深度检测方法 | |
CN112801805A (zh) | 基于深度自监督神经网络的医保小卡欺诈检测方法及系统 | |
CN109801175A (zh) | 一种医保诈骗行为检测方法和装置 | |
Wu et al. | Dual autoencoders generative adversarial network for imbalanced classification problem | |
Shaohui et al. | Customer transaction fraud detection using random forest | |
US20220245426A1 (en) | Automatic profile extraction in data streams using recurrent neural networks | |
CN109522317A (zh) | 一种反欺诈预警方法及系统 | |
Wang et al. | Risk prediction of peer-to-peer lending market by a LSTM model with macroeconomic factor | |
CN114693307B (zh) | 一种证券期货程序化交易策略风险压力测试系统 | |
Lakshmi et al. | Machine learning based credit card fraud detection | |
Fakiha | Forensic Credit Card Fraud Detection Using Deep Neural Network | |
CN113344581A (zh) | 业务数据处理方法及装置 | |
Makatjane et al. | Detecting Financial Fraud in South Africa: A Comparison of Logistic Model Tree and Gradient Boosting Decision Tree | |
Lim et al. | A central point-based analysis for fingerprint liveness detection | |
Xiong | A method of mining key accounts from internet pyramid selling data |
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 |