CN109840778A - 欺诈用户的识别方法及装置、可读存储介质 - Google Patents

Abstract

一种欺诈用户的识别方法及装置、可读存储介质，所述欺诈用户的识别方法包括：获取目标用户的个人信息和扩展信息；根据所述目标用户的扩展信息，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联；对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量；根据所述用户间关联变量和预设应变量，构建用户关联判断模型；根据所述用户关联判断模型、所述目标用户的个人信息和扩展信息，确定所述目标用户是否为可疑用户。采用上述方案，可以可靠有效地识别欺诈用户。

Description

欺诈用户的识别方法及装置、可读存储介质

技术领域

本发明属于互联网技术领域，特别涉及一种欺诈用户的识别方法及装置、可读存储介质。

背景技术

如今，基于互联网的各类行业中，风险控制对各类行业公司而言十分重要，特别是对欺诈用户的风险控制。大部分欺诈用户具有团伙组织规划的特点，其破坏力巨大，尤其表现在同一时间段爆发。一旦有组织的欺诈用户欺诈成功后，欺诈结果所涉范围广泛、数额巨大，会在极短时间内造成极大的资金损失，很大程度上影响公司运营和资金回转。

由于有组织的欺诈的风险控制难度较大，传统的风险控制模型采用用户个人维度的多种变量，但几乎不评估关联关系对风险的影响，有组织的欺诈用户容易通过信用审核，使得欺诈行为不容易在早期被察觉。因此，使用传统概率模型的建模手段难以描述有组织的欺诈行为，不能可靠有效地对欺诈用户进行识别。

发明内容

本发明实施例解决的是如何可靠有效地识别欺诈用户。

为解决上述技术问题，本发明实施例提供一种欺诈用户的识别方法，欺诈用户的识别方法包括：获取目标用户的个人信息和扩展信息；所述扩展信息包括以下至少一种：账户信息、设备信息；根据所述目标用户的扩展信息，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联；对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量；根据所述用户间关联变量和预设应变量，构建用户关联判断模型；根据所述用户关联判断模型、所述目标用户的个人信息和扩展信息，确定所述目标用户是否为可疑用户。

可选的，所述对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量，包括：对所述关联变量进行数据处理，得到处理后的关联变量。

可选的，所述对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。

可选的，所述用户关联判断模型包括至少一个二分类模型。、

可选的，当确定所述目标用户为可疑用户后，还包括：当所述可疑用户数量占所述目标用户及关联用户数量的比例超过预设比例阈值，判定所述目标用户及关联用户为可疑团伙。

可选的，当确定所述目标用户为可疑用户后，还包括：获取对所述可疑用户的人工调查结果；当所述人工调查结果确定所述可疑用户为欺诈用户后，标记所述目标用户为欺诈用户。

可选的，所述用户个人信息包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。

可选的，所述账户信息包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。

可选的，所述对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，包括以下至少一种变量提取方法：专家变量提取、自动编码器提取、孤独森林异常值检测和概率转换。

为解决上述技术问题，本发明实施例还公开了一种欺诈用户的识别装置，欺诈用户的识别装置包括：获取单元，用于获取目标用户的个人信息和扩展信息；所述扩展信息包括以下至少一种：账户信息、设备信息；判断单元，用于根据所述目标用户的扩展信息，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联；提取单元，用于对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量；确定单元，用于根据所述用户间关联变量和预设应变量，构建用户关联判断模型；根据所述用户关联判断模型、所述目标用户的个人信息和扩展信息，确定所述目标用户是否为可疑用户。

可选的，所述提取单元，用于：对所述关联变量进行数据处理，得到处理后的关联变量。

可选的，所述提取单元，用于：对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。

可选的，所述用户关联判断模型包括至少一个二分类模型。

可选的，所述确定单元，还用于：当所述可疑用户数量占所述目标用户及关联用户数量的比例超过预设比例阈值，判定所述目标用户及关联用户为可疑团伙。

可选的，所述确定单元，还用于：获取对所述可疑用户的人工调查结果；当所述人工调查结果确定所述可疑用户为欺诈用户后，标记所述目标用户为欺诈用户。

可选的，所述用户个人信息包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。

可选的，所述账户信息包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。

可选的，所述提取单元，用于：对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，包括以下至少一种变量提取方法：专家变量提取、自动编码器提取、孤独森林异常值检测和概率转换。

本发明实施例还公开了一种可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述的欺诈用户的识别方法的步骤。

本发明实施例还提供了一种欺诈用户的识别装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述的欺诈用户的识别方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

根据所述目标用户的扩展信息，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联；对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量；根据所述用户间关联变量和预设应变量，构建用户关联判断模型；根据所述用户关联判断模型、所述目标用户的个人信息和扩展信息，确定所述目标用户是否为可疑用户。通过提取多维度关联信息，与用户的个人维度信息相互补充，构建用户关联判断模型，进而在多种关系基础上进行欺诈用户判断，能够可靠有效地识别欺诈用户。

进一步，当所述可疑用户数量占所述目标用户及关联用户数量的比例超过预设比例阈值，判定所述目标用户及关联用户为可疑团伙，可以有效地识别出团伙欺诈用户。

附图说明

图1是本发明实施例一种欺诈用户的识别方法的流程图；

图2是本发明实施例一种欺诈用户的识别装置的结构示意图。

具体实施方式

现有技术中，由于有组织的欺诈的风险控制难度较大，传统的风险控制模型采用用户个人维度的多种变量，但几乎不评估关联关系对风险的影响，有组织的欺诈用户容易通过信用审核，使得欺诈行为不容易在早期被察觉。因此，使用传统概率模型的建模手段难以描述有组织的欺诈行为，不能可靠有效地对欺诈用户进行识别。

本发明实施例中，根据所述目标用户的扩展信息，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联；对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量；根据所述用户间关联变量和预设应变量，构建用户关联判断模型；根据所述用户关联判断模型、所述目标用户的个人信息和扩展信息，确定所述目标用户是否为可疑用户。通过提取多维度关联信息，与用户的个人维度信息相互补充，构建用户关联判断模型，进而在多种关系基础上进行欺诈用户判断，能够可靠有效地识别欺诈用户。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

本发明实施例提供了一种欺诈用户的识别方法，参照图1，以下通过具体步骤进行详细说明。

步骤S101，获取目标用户的个人信息和扩展信息。

在具体实施中，所述扩展信息包括以下至少一种：账户信息、设备信息。

在具体实施中，所述用户个人信息可以包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。

在具体实施中，所述账户信息可以包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息可以包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。

可以理解的是，所述目标用户的个人信息和扩展信息为欺诈用户识别系统所能获得的目标用户的所有个人信息和扩展信息。根据不同用户的不同需求、不同获取途径，可以采用现有的所有的目标用户的个人信息和扩展信息，本发明在此不做赘述。

步骤S102，根据所述目标用户的扩展信息，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联。

在本发明一实施例中，采用所述目标用户的扩展信息，即根据目标用户与其他用户的账户信息、设备信息的关联关系，以及目标用户的账户、设备与其他用户的关联关系，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联。相对于现有技术中，采用目标用户的个人信息，即人到人的关系，来判断用户关联关系，本方法根据更丰富的关联信息，不仅将多维度海量大数据具化为关联关系网络，更深度地挖掘了用户关系，同时，通过判断归属到人的设备信息和账号信息的人到物，物到人的关系，有效节省了计算量。

在本发明又一实施例中，采用所述目标用户的个人信息和扩展信息，以判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联。从人到物在多元关系上建立关系网，对网络做具体的梳理和结构化，更深度地挖掘了用户关系。

可以理解的是，不同用户根据自身不同的需求，可以采用不同数量、不同类型的用户信息以判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联，即可以只采用目标用户的个人信息，也可以至采用目标用户的扩展信息，更可以采用个人信息和扩展信息相结合的方法来判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联，本发明在此不作赘述。

步骤S103，对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量。

在具体实施中，对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，可以包括以下至少一种变量提取方法：专家变量提取、自动编码器提取、孤独森林异常值检测和概率转换。

在本发明实施例中，采用自动编码器和孤独森林相结合的方法来进行变量提取，可以对连续性、异常性的变量进行有效识别，但用户也可以根据自身需求，选择专家系统进行专家变量提取等不同的变量提取方法，本发明在此不作赘述。

例如，在对目标用户的公司号码进行变量提取时，进行多个维度的信息提取，比如长度、前缀、后缀等等，提取目标用户及关联用户的最大相同号段、相同号段人数等，采用孤独森林的算法计算公司电话信息的异常值，采用自动编码器算法计算公司电话信息的连续性，同时作为后续用户关联判断模型的变量。

在具体实施中，可以对所述关联变量进行数据处理，以得到处理后的关联变量。

在具体实施中，可以对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。相较于现有技术中使用单一的统计性变量(加和、计数等)，本方法可以更深度地挖掘网络信息。

步骤S104，根据所述用户间关联变量和预设应变量，构建用户关联判断模型。

在具体实施中，所述用户关联判断模型包括至少一个二分类模型。通过使用至少一个有意识、有目的行为数据及机器学习算法来构建用户关联判断模型，可以更可靠有效地识别出欺诈用户。

在本发明实施例中，采用轻量梯度提升机模型作为用户关联判断模型，根据所述用户间关联变量和预设的用户欺诈概率应变量，可以更精确、更快速地识别出欺诈用户。可以理解的是，不同用户根据自身不同的需求，可以选择至少一个逻辑回归模型、随机森林模型、支持向量机模型、神经网络模型、梯度提升模型、生成对抗网络模型等二分类模型作为用户关联判断模型，本发明在此不作赘述。

步骤S105，根据所述用户关联判断模型、所述目标用户的个人信息和扩展信息，确定所述目标用户是否为可疑用户。

在具体实施中，将所述目标用户的个人信息和扩展信息输入所述用户关联判断模型，当所述目标用户的任一概率值超过预设的概率阈值，则确定所述目标用户为可疑用户。

在具体实施中，当确定所述目标用户为可疑用户后，还可以包括：当所述可疑用户数量占所述目标用户及关联用户数量的比例超过预设比例阈值，判定所述目标用户及关联用户为可疑团伙，进而可以有效地识别出团伙欺诈用户。

在具体实施中，当确定所述目标用户为可疑用户后，还可以包括：获取对所述可疑用户的人工调查结果；当所述人工调查结果确定所述可疑用户为欺诈用户后，标记所述目标用户为欺诈用户，通过人工调查结合和机器学习相结合的方式，有效地识别出欺诈用户。

综上所述，根据所述目标用户的扩展信息，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联；对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量；根据所述用户间关联变量和预设应变量，构建用户关联判断模型；根据所述用户关联判断模型、所述目标用户的个人信息和扩展信息，确定所述目标用户是否为可疑用户。通过提取多维度关联信息，与用户的个人维度信息相互补充，构建用户关联判断模型，进而在多种关系基础上进行欺诈用户判断，能够可靠有效地识别欺诈用户。

参照图2，本发明实施例还提供了一种欺诈用户的识别装置，包括：获取单元201、判断单元202、提取单元203和确定单元204；

其中，所述获取单元201，用于获取目标用户的个人信息和扩展信息；

所述判断单元202，用于根据所述目标用户的扩展信息，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联；

所述提取单元203，用于对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量；

所述确定单元204，用于根据所述用户间关联变量和预设应变量，构建用户关联判断模型；根据所述用户关联判断模型、所述目标用户的个人信息和扩展信息，确定所述目标用户是否为可疑用户。

在具体实施中，所述扩展信息可以包括以下至少一种：账户信息、设备信息。

在具体实施中，所述提取单元203，可以用于：对所述关联变量进行数据处理，得到处理后的关联变量。

在具体实施中，所述提取单元203，可以用于：对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。

在具体实施中，所述用户关联判断模型可以包括至少一个二分类模型。

在具体实施中，所述确定单元204，还可以用于：当所述可疑用户数量占所述目标用户及关联用户数量的比例超过预设比例阈值，判定所述目标用户及关联用户为可疑团伙。

在具体实施中，所述确定单元204，还可以用于：获取对所述可疑用户的人工调查结果；当所述人工调查结果确定所述可疑用户为欺诈用户后，标记所述目标用户为欺诈用户。

在具体实施中，所述用户个人信息可以包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。

在具体实施中，所述账户信息可以包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息可以包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。

在具体实施中，所述提取单元203，可以用于：对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，包括以下至少一种变量提取方法：专家变量提取、自动编码器提取、孤独森林异常值检测和概率转换。

本发明实施例还提供了一种可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行本发明上述实施例中提供的任一项所述的欺诈用户的识别方法的步骤。

本发明实施例还提供了一种欺诈用户的识别装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所示计算机指令时，执行本发明上述实施例中提供的所述的任一项所述的欺诈用户的识别方法的步骤。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于任一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (20)

1.一种欺诈用户的识别方法，其特征在于，包括：

获取目标用户的个人信息和扩展信息；所述扩展信息包括以下至少一种：账户信息、设备信息；

根据所述目标用户的扩展信息，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联；

对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量；

根据所述用户间关联变量和预设应变量，构建用户关联判断模型；

根据所述用户关联判断模型、所述目标用户的个人信息和扩展信息，确定所述目标用户是否为可疑用户。

2.如权利要求1所述的欺诈用户的识别方法，其特征在于，所述对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量，包括：

对所述关联变量进行数据处理，得到处理后的关联变量。

3.如权利要求2所述的欺诈用户的识别方法，其特征在于，所述对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。

4.如权利要求1所述的欺诈用户的识别方法，其特征在于，所述用户关联判断模型包括至少一个二分类模型。

5.如权利要求1所述的欺诈用户的识别方法，其特征在于，当确定所述目标用户为可疑用户后，还包括：

当所述可疑用户数量占所述目标用户及关联用户数量的比例超过预设比例阈值，判定所述目标用户及关联用户为可疑团伙。

6.如权利要求1所述的欺诈用户的识别方法，其特征在于，当确定所述目标用户为可疑用户后，还包括：

获取对所述可疑用户的人工调查结果；

当所述人工调查结果确定所述可疑用户为欺诈用户后，标记所述目标用户为欺诈用户。

7.如权利要求1所述的欺诈用户的识别方法，其特征在于，所述用户个人信息包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。

8.如权利要求1所述的欺诈用户的识别方法，其特征在于，所述账户信息包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。

9.如权利要求1所述的欺诈用户的识别方法，其特征在于，所述对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，包括以下至少一种变量提取方法：专家变量提取、自动编码器提取、孤独森林异常值检测和概率转换。

10.一种欺诈用户的识别装置，其特征在于，包括：

获取单元，用于获取目标用户的个人信息和扩展信息；所述扩展信息包括以下至少一种：账户信息、设备信息；

判断单元，用于根据所述目标用户的扩展信息，判断所述目标用户是否与预设的用户数据库中至少两个其他用户关联；

提取单元，用于对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，得到用户间关联变量；

确定单元，用于根据所述用户间关联变量和预设应变量，构建用户关联判断模型；根据所述用户关联判断模型、所述目标用户的个人信息和扩展信息，确定所述目标用户是否为可疑用户。

11.如权利要求10所述的欺诈用户的识别装置，其特征在于，所述提取单元，用于：对所述关联变量进行数据处理，得到处理后的关联变量。

12.如权利要求11所述的欺诈用户的识别装置，其特征在于，所述提取单元，用于：对所述关联变量进行数据处理，包括以下至少一种数据处理方法：排列组合及衍生、标准化、最大值、最小值、加和、均值、缺失值处理和样本不均衡处理。

13.如权利要求10所述的欺诈用户的识别装置，其特征在于，所述用户关联判断模型包括至少一个二分类模型。

14.如权利要求10所述的欺诈用户的识别装置，其特征在于，所述确定单元，还用于：当所述可疑用户数量占所述目标用户及关联用户数量的比例超过预设比例阈值，判定所述目标用户及关联用户为可疑团伙。

15.如权利要求10所述的欺诈用户的识别装置，其特征在于，所述确定单元，还用于：获取对所述可疑用户的人工调查结果；当所述人工调查结果确定所述可疑用户为欺诈用户后，标记所述目标用户为欺诈用户。

16.如权利要求10所述的欺诈用户的识别装置，其特征在于，所述用户个人信息包括以下至少一种信息：姓名、性别、年龄、身份证和手机号。

17.如权利要求10所述的欺诈用户的识别装置，其特征在于，所述账户信息包括以下至少一种信息：银行卡号、IMEI、IMSI、FLASH、QQ、微信、账号注册渠道，账号密码、设备密码、手机号码归属地、账号填写资料、关联时间附近修改信息情况；所述设备信息包括以下至少一种信息：设备型号，装载软件、通讯录、短信、通话记录。

18.如权利要求10所述的欺诈用户的识别装置，其特征在于，所述提取单元，用于：对所述目标用户及关联用户的所述个人信息和所述扩展信息进行变量提取，包括以下至少一种变量提取方法：专家变量提取、自动编码器提取、孤独森林异常值检测和概率转换。

19.一种可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至9中任一项所述的欺诈用户的识别方法的步骤。

20.一种欺诈用户的识别装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至9任一项所述的欺诈用户的识别方法的步骤。