CN109919626B - 一种高风险银行卡的识别方法及装置 - Google Patents

Abstract

本发明实施例涉及数据处理技术领域，尤其涉及一种高风险银行卡的识别方法及装置，用以及时发现潜在的高风险银行卡，降低金融风险。本发明实施例包括：根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，其中N>2；将所述待识别银行卡的N个卡属性按照高风险银行卡的卡属性的聚类方式进行划分，并根据所述任两个卡属性之间的关联性，利用图团体检测法计算所述待识别银行卡的模块性分数值；其中，所述高风险银行卡的卡属性的聚类方式为利用所述图团体检测法进行划分的；至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级。

Description

一种高风险银行卡的识别方法及装置

技术领域

本发明涉及数据处理技术领域，尤其涉及一种高风险银行卡的识别方法及装置。

背景技术

近年来，随着经济的不断发展，我国银行卡业务快速发展，各发卡银行发卡量大幅度上升，市场竞争日益激烈。随之而来的是，发卡银行面临的业务风险也日益显现，特别是近年来犯罪分子利用银行卡进行作案活动猖獗，给银行和个人造成了直接或间接损失。

现有的高风险银行卡主要被犯罪分子利用为诈骗或洗钱的工具，主要表现为境内银行卡，在境外进行消费、转账、取现等交易，主要特点为涉及地区分布广，货币的转换、当地的时差、交易的类型、交易的渠道、银行卡的性质、银行卡的信息等关键要素不完整。因此，出现高风险银行卡交易情况，往往都只能追溯，无法及时预测和监控。

发明内容

本申请提供一种高风险银行卡的识别方法及装置，用以及时发现潜在的高风险银行卡，降低金融风险。

本发明实施例提供的一种高风险银行卡的识别方法，包括：

根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，其中N>2；

将所述待识别银行卡的N个卡属性按照高风险银行卡的卡属性的聚类方式进行划分，并根据所述任两个卡属性之间的关联性，利用图团体检测法计算所述待识别银行卡的模块性分数值；其中，所述高风险银行卡的卡属性的聚类方式为利用所述图团体检测法进行划分的；

至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级。

一种可选的实施例中，所述根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，包括：

获取所述待识别银行卡的交易数据；

将所述待识别银行卡的交易数据输入关联模型，根据所述待识别银行卡的交易数据之间的相关性，确定所述待识别银行卡的卡属性之间的关联性。

一种可选的实施例中，所述高风险银行卡的卡属性的聚类方式根据以下方式确定：

获取所述高风险银行卡的交易数据；

将所述高风险银行卡的交易数据输入关联模型中，根据所述高风险银行卡的交易数据之间的相关性，确定所述高风险银行卡的卡属性之间的关联性；

根据所述高风险银行卡的卡属性之间的关联性，利用所述图团体检测法确定所述高风险银行卡的聚类方式。

一种可选的实施例中，所述根据所述高风险银行卡的卡属性之间的关联性，利用所述图团体检测法确定高风险银行卡的聚类方式，包括：

将所述高风险银行卡的任一卡属性作为一个第一集，利用所述图团体检测法计算所述高风险银行卡的卡属性的第一模块性分数值；

将任意两个第一集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第二模块性分数值，将所述第二模块性分数值最高的聚类方式得出的集作为第二集；

将任意两个第二集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第三模块性分数值，将所述第三模块性分数值最高的聚类方式得出的集作为第三集；

以此类推，直至所有卡属性聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的所有卡属性聚类为一个集的第N模块性分数值；

将所述第一模块性分数值至所述第N模块性分数值之间数值最高的模块性分数值对应的聚类方式作为所述高风险银行卡的聚类方式。

一种可选的实施例中，所述至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级，包括：

获取所述高风险银行卡的模块性分数值；

若所述待识别银行卡的模块性分数值与所述高风险银行卡的模块性分数值越接近，所述待识别银行卡的风险等级越高。

一种可选的实施例中，利用以下公式计算所述待识别银行卡的卡属性的模块性分数值：

其中，M为所述待识别银行卡的卡属性的模块性分数值；L为边的数量，即所述待识别银行卡的卡属性之间连线的数量；N为顶点的数量，即所述待识别银行卡的卡属性的数量；A_ij为邻接矩阵中的值，即第i卡属性与第j卡属性之间的值；k_i为第i顶点的度，即与第i卡属性的关系紧密的卡属性的数量；c_i为顶点i的聚类，即第i卡属性的聚类；δ是克罗内克函数，c_i与c_j相等则返回1，不等则返回0。

本发明实施例还提供一种高风险银行卡的识别装置，包括：

关联模块，用于根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，其中N>2；

计算模块，用于将所述待识别银行卡的N个卡属性按照高风险银行卡的卡属性的聚类方式进行划分，并根据所述任两个卡属性之间的关联性，利用图团体检测法计算所述待识别银行卡的模块性分数值；其中，所述高风险银行卡的卡属性的聚类方式为利用所述图团体检测法进行划分的；

划分模块，用于至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级。

一种可选的实施例中，所述关联模块，具体用于：

获取所述待识别银行卡的交易数据；

将所述待识别银行卡的交易数据输入关联模型，根据所述待识别银行卡的交易数据之间的相关性，确定所述待识别银行卡的卡属性之间的关联性。

一种可选的实施例中，还包括训练模块，用于根据以下方式确定所述高风险银行卡的卡属性的聚类方式：

获取所述高风险银行卡的交易数据；

将所述高风险银行卡的交易数据输入关联模型中，根据所述高风险银行卡的交易数据之间的相关性，确定所述高风险银行卡的卡属性之间的关联性；

根据所述高风险银行卡的卡属性之间的关联性，利用所述图团体检测法确定所述高风险银行卡的聚类方式。

一种可选的实施例中，所述训练模块，还用于：

将所述高风险银行卡的任一卡属性作为一个第一集，利用所述图团体检测法计算所述高风险银行卡的卡属性的第一模块性分数值；

将任意两个第一集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第二模块性分数值，将所述第二模块性分数值最高的聚类方式得出的集作为第二集；

将任意两个第二集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第三模块性分数值，将所述第三模块性分数值最高的聚类方式得出的集作为第三集；

以此类推，直至所有卡属性聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的所有卡属性聚类为一个集的第N模块性分数值；

将所述第一模块性分数值至所述第N模块性分数值之间数值最高的模块性分数值对应的聚类方式作为所述高风险银行卡的聚类方式。

一种可选的实施例中，所述划分模块，具体用于：

获取所述高风险银行卡的模块性分数值；

若所述待识别银行卡的模块性分数值与所述高风险银行卡的模块性分数值越接近，所述待识别银行卡的风险等级越高。

一种可选的实施例中，所述计算模块，具体用于利用以下公式计算所述待识别银行卡的卡属性的模块性分数值：

其中，M为所述待识别银行卡的卡属性的模块性分数值；L为边的数量，即所述待识别银行卡的卡属性之间连线的数量；N为顶点的数量，即所述待识别银行卡的卡属性的数量；A_ij为邻接矩阵中的值，即第i卡属性与第j卡属性之间的值；k_i为第i顶点的度，即与第i卡属性的关系紧密的卡属性的数量；c_i为顶点i的聚类，即第i卡属性的聚类；δ是克罗内克函数，c_i与c_j相等则返回1，不等则返回0。

本发明实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。

本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上所述的方法。

本发明实施例中，利用图团体检测法对高风险银行卡的卡属性进行聚类。针对待识别银行卡，根据待识别银行卡的交易数据，确定待识别银行卡的N个卡属性中任两个卡属性之间的关联性。将待识别银行卡的N各卡属性按照高风险银行卡的卡属性聚类方式进行划分，并根据任意两个卡属性之间的关联性，利用图团体检测法计算待识别银行卡的模块性分数值。最后根据待识别银行卡的模块性分数值，确定待识别银行卡的风险等级。图团体检测法中，模块性分数值为衡量元素聚类质量的标准，即聚类越准确，模块性分数值越高。本发明实施例中将待识别银行卡的卡属性按照高风险银行卡的卡属性的聚类方式进行划分，待识别银行卡的模块性分数越高，则表明待识别银行卡的卡属性的聚类方式越准确，也就是待识别银行卡的卡属性之间的关系与高风险银行卡的卡属性之间的关系越类似。因此，可以认为待识别银行卡的模块性分数越高，待识别银行卡与高风险银行卡越类似，从而可以依据模块性分数的高低，确定待识别银行卡与高风险银行卡之间的相似程度，进而确定待识别银行卡的风险等级。本发明实施例通过图团体检测法，可以根据银行卡的交易数据确定高风险银行卡，减少了银行卡的监控盲点，能够对高风险银行卡起到提前预防，提前预警的作用，从而及时发现潜在的高风险银行卡，降低金融风险。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种高风险银行卡的识别方法的流程示意图；

图2为本发明实施例中卡属性之间关系的网络图；

图3为本发明具体实施例提供的一种高风险银行卡的识别方法的流程示意图；

图4为本发明实施例提供的一种高风险银行卡的识别装置的结构示意图；

图5为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例提供了一种高风险银行卡的识别方法，如图1所示，本发明实施例提供的高风险银行卡的识别方法包括以下步骤：

步骤101、根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，其中N>2。

步骤102、将所述待识别银行卡的N个卡属性按照高风险银行卡的卡属性的聚类方式进行划分，并根据所述任两个卡属性之间的关联性，利用图团体检测法计算所述待识别银行卡的模块性分数值；其中，所述高风险银行卡的卡属性的聚类方式为利用所述图团体检测法进行划分的。

步骤103、至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级。

本发明实施例中，利用图团体检测法对高风险银行卡的卡属性进行聚类。针对待识别银行卡，根据待识别银行卡的交易数据，确定待识别银行卡的N个卡属性中任两个卡属性之间的关联性。将待识别银行卡的N各卡属性按照高风险银行卡的卡属性聚类方式进行划分，并根据任意两个卡属性之间的关联性，利用图团体检测法计算待识别银行卡的模块性分数值。最后根据待识别银行卡的模块性分数值，确定待识别银行卡的风险等级。图团体检测法中，模块性分数值为衡量元素聚类质量的标准，即聚类越准确，模块性分数值越高。本发明实施例中将待识别银行卡的卡属性按照高风险银行卡的卡属性的聚类方式进行划分，待识别银行卡的模块性分数越高，则表明待识别银行卡的卡属性的聚类方式越准确，也就是待识别银行卡的卡属性之间的关系与高风险银行卡的卡属性之间的关系越类似。因此，可以认为待识别银行卡的模块性分数越高，待识别银行卡与高风险银行卡越类似，从而可以依据模块性分数的高低，确定待识别银行卡与高风险银行卡之间的相似程度，进而确定待识别银行卡的风险等级。本发明实施例通过图团体检测法，可以根据银行卡的交易数据确定高风险银行卡，减少了银行卡的监控盲点，能够对高风险银行卡起到提前预防，提前预警的作用，从而及时发现潜在的高风险银行卡，降低金融风险。

本发明实施例中，在通过模型对待识别银行卡进行评估之前，需要利用高风险银行卡对模型进行训练，进一步，也获取高风险银行卡的卡属性之间的关系。

具体来说，所述高风险银行卡的卡属性的聚类方式根据以下方式确定：

获取所述高风险银行卡的交易数据；

将所述高风险银行卡的交易数据输入关联模型中，根据所述高风险银行卡的交易数据之间的相关性，确定所述高风险银行卡的卡属性之间的关联性；

根据所述高风险银行卡的卡属性之间的关联性，利用所述图团体检测法确定所述高风险银行卡的聚类方式。

具体实施过程中，获取银行卡的交易数据之后，首先对得到的交易数据进行预处理。包括关键因子拟合，如地区因子拟合、时间因子拟合等；剔除缺陷值，如将地区代码“0000”删除；将交易数据按特性进行划分，划分的类型例如按境内、境外进行划分，按交易时间进行划分，按交易的类型、机构、渠道、性质等进行划分，从而完成交易数据的预处理。本发明实施例中，将预处理后的高风险银行卡作为训练数据，构建关联模型，利用高风险银行卡的交易数据确定卡属性之间的支持度和置信度，再联系交易数据的前后时序关系，建立卡属性之间的关联性。

本发明实施例中，卡属性之间的关联性包括两种情况，即两个卡属性之间关联性为紧密，或者两个卡属性之间关联性为不紧密。举例来说，图2示出了卡属性之间关系的网络图，如图2所示，每个顶点表示每个卡属性，顶点之间的边表示卡属性之间的关系，如卡性质与卡时间之间关联性紧密，则将卡性质与卡时间之间通过边相连；卡性质与卡渠道之间不相连，表明卡性质与卡渠道之间关系不紧密。通过图2可以直观看出卡性质，卡时间，卡机构，卡类型关系紧密，卡地域，卡金额，卡渠道，卡等级关系紧密，但是这两个集合之间关系并不紧密。图2涉及的卡属性的数量规模比较小，可以很快分成两个集合，面对大批量的银行数据，可以采用图团体检测法，按照卡属性之间的紧密程度，将卡属性划分入不同的集合。图团体通常被定义为一种顶点的子集，每个子集中的顶点相对于网络中的其它顶点来说要连接得更加紧密。

利用图团体检测法对高风险银行卡的卡属性进行聚类的具体方法可以依照以下过程。

将图2的网络图表示成邻接矩阵的形式，如表1所示。

表1

	卡性质	卡时间	卡地域	卡金额	卡机构	卡类型	卡渠道	卡等级
									卡性质	0	1	0	0	1	1	0	0
卡时间	1	0	0	0	1	1	1	0
									卡地域	0	0	0	1	0	0	1	1
卡金额	0	0	1	0	0	0	1	1
									卡机构	1	1	0	0	0	1	0	0
卡类型	1	1	0	0	1	0	0	0
									卡渠道	0	1	1	1	0	0	0	1
卡等级	0	0	1	1	0	0	1	0

其中，1表示两个卡属性之间关系紧密，0表示两个卡属性之间关系不紧密。

针对上述邻接矩阵，本发明实施例利用以下公式计算高风险银行卡的卡属性的模块性分数值：

其中，M₁为高风险银行卡的卡属性的模块性分数值；L为边的数量，即高风险银行卡的卡属性之间连线的数量，也就是邻接矩阵中1的数量；N₁为顶点的数量，即高风险银行卡的卡属性的数量；A_ij为邻接矩阵中的值，即第i卡属性与第j卡属性之间的值；k_i为第i顶点的度，即与第i卡属性的关系紧密的卡属性的数量；c_i为顶点i的聚类，即第i卡属性的聚类，δ是克罗内克函数(Kronecker-delta function)，两个参数相等则返回1，不等则返回0，也就是说，如果顶点i与顶点j属于同一聚类，则函数δ(c_i,c_j)的值为1，不属于同一聚类则δ(c_i,c_j)返回0。

上述模块性分数值是衡量图团体检测法中划分质量的一种标准，划分的越准确，M的值越大。因此，通过计算模块性分数值，可以根据数值最大的模块性分数值，找到将各个卡属性聚类的最佳方案。

一种具体的实施方式中，可以遍历高风险银行卡的卡属性的所有可能的聚类方法，从中找出模块性分数值最大的卡属性聚类方法。然而，这种方法需要大量计算。

为了精简聚类所需的计算量，本发明实施例中，所述根据所述高风险银行卡的卡属性之间的关联性，利用所述图团体检测法确定高风险银行卡的聚类方式，包括：

将所述高风险银行卡的任一卡属性作为一个第一集，利用所述图团体检测法计算所述高风险银行卡的卡属性的第一模块性分数值；

将任意两个第一集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第二模块性分数值，将所述第二模块性分数值最高的聚类方式得出的集作为第二集；

将任意两个第二集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第三模块性分数值，将所述第三模块性分数值最高的聚类方式得出的集作为第三集；

以此类推，直至所有卡属性聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的所有卡属性聚类为一个集的第N模块性分数值；

将所述第一模块性分数值至所述第N模块性分数值之间数值最高的模块性分数值对应的聚类方式作为所述高风险银行卡的聚类方式。

简单来说，即将图2中的每个卡属性各自独立构成一个聚类，计算整个网络的第一模块性分数值。然后将任意两个聚类融合到一起，计算每种融合方式的模块性分数值，得到第二模块性分数值。取第二模块性分数值最高的融合方式进行两个聚类的融合，再继续重复任选两个新的聚类融合的过程，每一次都融合两个聚类，选取模块性分数值最大的融合方式，直至所有卡属性都被融合成一个聚类为止。计算这个聚类及融合过程中数值最高的模块性分数值，将其对应的聚类方式作为最优的卡属性聚类方式。

依照上述方式，可以利用高风险银行卡的卡属性，训练出关联模型，以及确定图团体检测法中卡属性的聚类方式。进一步地，可以在数据源不变的情况下，根据高风险银行卡之间的欧几里得距离计算两个高风险银行卡之间的相似性，对得到的图团体检测模型进行验证。各高风险银行卡之间的欧氏距离越小，表示银行卡之间相似度越大，各高风险银行卡的欧氏距离越大，表示银行卡相似度就越小。

训练得到关联模型以及图团体检测模型后，可利用模型对银行卡进行识别，判断银行卡的风险等级。

首先是根据关联模型，确定待识别银行卡的卡属性之间的关联性。即所述根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，包括：

获取所述待识别银行卡的交易数据；

将所述待识别银行卡的交易数据输入关联模型，根据所述待识别银行卡的交易数据之间的相关性，确定所述待识别银行卡的卡属性之间的关联性。

具体来说，依据高风险银行卡训练得到的关联模型，待识别银行卡的卡属性之间也存在紧密或者不紧密的关联关系。获取待识别银行卡的交易数据之后，首先对待识别银行卡的交易数据进行预处理。具体的预处理方式与高风险银行卡的交易数据的预处理方式类似。然后，将待识别银行卡的交易数据输入关联模型中，利用待识别银行卡的交易数据确定待识别银行卡的卡属性之间的支持度和置信度，再联系待识别银行卡的交易数据的前后时序关系，建立待识别银行卡的卡属性之间的关联性。

之后可以根据待识别银行卡的卡属性之间的关联关系，得到如图2所示的网络图，进一步将网络图表示成邻接矩阵的形式。本发明实施例中，将待识别银行的卡属性按照高风险银行卡的卡属性的聚类方式进行划分，并利用图案例检测法计算这种划分方式下，该待识别银行卡的模块性分数值。

具体的，利用以下公式计算所述待识别银行卡的卡属性的模块性分数值：

其中，M为所述待识别银行卡的卡属性的模块性分数值；L为边的数量，即所述待识别银行卡的卡属性之间连线的数量；N为顶点的数量，即所述待识别银行卡的卡属性的数量；A_ij为邻接矩阵中的值，即第i卡属性与第j卡属性之间的值；k_i为第i顶点的度，即与第i卡属性的关系紧密的卡属性的数量；c_i为顶点i的聚类，即第i卡属性的聚类；δ是克罗内克函数，c_i与c_j相等则返回1，不等则返回0。

进一步地，所述至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级，包括：

获取所述高风险银行卡的模块性分数值；

若所述待识别银行卡的模块性分数值与所述高风险银行卡的模块性分数值越接近，所述待识别银行卡的风险等级越高。

具体来说，待识别银行卡的卡属性是按照高风险银行卡的卡属性的聚类方式进行划分聚类的。此时，若待识别银行卡的模块性分数值越高，则表明该待识别银行卡的卡属性聚类越准确，进一步表明该待识别银行卡的卡属性之间的关联性与高风险银行卡的卡属性之间的关联性越类似，也就是待识别银行卡与高风险银行卡越类似。

因此，可以将待识别银行卡的模块性分数值与高风险银行卡的模块性分数值进行对比，若两者越接近，则表明待识别银行卡的风险等级越高。也可以说，若待识别银行卡的模块性分数值越高，则表明该待识别银行卡的风险等级越高。本发明的具体实施过程中，可以将待识别银行卡按模块性分数划分风险等级，例如划分为高度、中度、低度、潜在和无风险。按照各待识别银行卡的模块性分数值，将各银行卡划分入不同的风险等级中。

为了更清楚地理解本发明，下面以具体实施例对上述流程进行详细描述，具体实施例的步骤如图3所示，包括：

步骤301：获取所述待识别银行卡的交易数据。

步骤302：将所述待识别银行卡的交易数据输入关联模型，根据待识别银行卡的交易数据之间的相关性，确定待识别银行卡的N个卡属性中任两个卡属性之间的关联性。

步骤303：获取高风险银行卡的卡属性的聚类方式，其中，高风险银行卡的卡属性的聚类方式为利用图团体检测法进行划分的。

步骤304：将待识别银行卡的N个卡属性按照高风险银行卡的卡属性的聚类方式进行划分。

步骤305：利用图团体检测法计算待识别银行卡的模块性分数值。

步骤306：根据待识别银行卡的模块性分数值，确定待识别银行卡的风险等级。

本发明实施例还提供了一种高风险银行卡的识别装置，如图4所示，包括：

关联模块401，用于根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，其中N>2；

计算模块402，用于将所述待识别银行卡的N个卡属性按照高风险银行卡的卡属性的聚类方式进行划分，并根据所述任两个卡属性之间的关联性，利用图团体检测法计算所述待识别银行卡的模块性分数值；其中，所述高风险银行卡的卡属性的聚类方式为利用所述图团体检测法进行划分的；

划分模块403，用于至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级。

进一步地，所述关联模块401，具体用于：

获取所述待识别银行卡的交易数据；

将所述待识别银行卡的交易数据输入关联模型，根据所述待识别银行卡的交易数据之间的相关性，确定所述待识别银行卡的卡属性之间的关联性。

进一步地，还包括训练模块404，用于根据以下方式确定所述高风险银行卡的卡属性的聚类方式：

获取所述高风险银行卡的交易数据；

将所述高风险银行卡的交易数据输入关联模型中，根据所述高风险银行卡的交易数据之间的相关性，确定所述高风险银行卡的卡属性之间的关联性；

根据所述高风险银行卡的卡属性之间的关联性，利用所述图团体检测法确定所述高风险银行卡的聚类方式。

进一步地，所述训练模块404，还用于：

将所述高风险银行卡的任一卡属性作为一个第一集，利用所述图团体检测法计算所述高风险银行卡的卡属性的第一模块性分数值；

将任意两个第一集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第二模块性分数值，将所述第二模块性分数值最高的聚类方式得出的集作为第二集；

将任意两个第二集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第三模块性分数值，将所述第三模块性分数值最高的聚类方式得出的集作为第三集；

以此类推，直至所有卡属性聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的所有卡属性聚类为一个集的第N模块性分数值；

将所述第一模块性分数值至所述第N模块性分数值之间数值最高的模块性分数值对应的聚类方式作为所述高风险银行卡的聚类方式。

进一步地，所述划分模块403，具体用于：

获取所述高风险银行卡的模块性分数值；

若所述待识别银行卡的模块性分数值与所述高风险银行卡的模块性分数值越接近，所述待识别银行卡的风险等级越高。

进一步地，所述计算模块402，具体用于利用以下公式计算所述待识别银行卡的卡属性的模块性分数值：

其中，M为所述待识别银行卡的卡属性的模块性分数值；L为边的数量，即所述待识别银行卡的卡属性之间连线的数量；N为顶点的数量，即所述待识别银行卡的卡属性的数量；A_ij为邻接矩阵中的值，即第i卡属性与第j卡属性之间的值；k_i为第i顶点的度，即与第i卡属性的关系紧密的卡属性的数量；c_i为顶点i的聚类，即第i卡属性的聚类；δ是克罗内克函数，c_i与c_j相等则返回1，不等则返回0。

基于相同的原理，本发明还提供一种电子设备，如图5所示，包括：

包括处理器501、存储器502、收发机503、总线接口504，其中处理器501、存储器502与收发机503之间通过总线接口504连接；

所述处理器501，用于读取所述存储器502中的程序，执行下列方法：

根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，其中N>2；

将所述待识别银行卡的N个卡属性按照高风险银行卡的卡属性的聚类方式进行划分，并根据所述任两个卡属性之间的关联性，利用图团体检测法计算所述待识别银行卡的模块性分数值；其中，所述高风险银行卡的卡属性的聚类方式为利用所述图团体检测法进行划分的；

至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级。

进一步地，所述处理器601具体用于：

获取所述待识别银行卡的交易数据；

将所述待识别银行卡的交易数据输入关联模型，根据所述待识别银行卡的交易数据之间的相关性，确定所述待识别银行卡的卡属性之间的关联性。

进一步地，所述处理器601具体用于：

获取所述高风险银行卡的交易数据；

将所述高风险银行卡的交易数据输入关联模型中，根据所述高风险银行卡的交易数据之间的相关性，确定所述高风险银行卡的卡属性之间的关联性；

根据所述高风险银行卡的卡属性之间的关联性，利用所述图团体检测法确定所述高风险银行卡的聚类方式。

进一步地，所述处理器601具体用于：

将所述高风险银行卡的任一卡属性作为一个第一集，利用所述图团体检测法计算所述高风险银行卡的卡属性的第一模块性分数值；

将任意两个第一集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第二模块性分数值，将所述第二模块性分数值最高的聚类方式得出的集作为第二集；

将任意两个第二集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第三模块性分数值，将所述第三模块性分数值最高的聚类方式得出的集作为第三集；

以此类推，直至所有卡属性聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的所有卡属性聚类为一个集的第N模块性分数值；

将所述第一模块性分数值至所述第N模块性分数值之间数值最高的模块性分数值对应的聚类方式作为所述高风险银行卡的聚类方式。

进一步地，所述处理器601具体用于：

获取所述高风险银行卡的模块性分数值；

若所述待识别银行卡的模块性分数值与所述高风险银行卡的模块性分数值越接近，所述待识别银行卡的风险等级越高。

进一步地，所述处理器601具体用于利用以下公式计算所述待识别银行卡的卡属性的模块性分数值：

其中，M为所述待识别银行卡的卡属性的模块性分数值；L为边的数量，即所述待识别银行卡的卡属性之间连线的数量；N为顶点的数量，即所述待识别银行卡的卡属性的数量；A_ij为邻接矩阵中的值，即第i卡属性与第j卡属性之间的值；k_i为第i顶点的度，即与第i卡属性的关系紧密的卡属性的数量；c_i为顶点i的聚类，即第i卡属性的聚类；δ是克罗内克函数，c_i与c_j相等则返回1，不等则返回0。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (12)

1.一种高风险银行卡的识别方法，其特征在于，包括：

根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，其中N>2；

将所述待识别银行卡的N个卡属性按照高风险银行卡的卡属性的聚类方式进行划分，并根据所述任两个卡属性之间的关联性，利用图团体检测法计算所述待识别银行卡的模块性分数值；其中，所述高风险银行卡的卡属性的聚类方式为利用所述图团体检测法进行划分的；

至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级；

所述待识别银行卡的模块性分数值利用以下公式计算：

其中，M为所述待识别银行卡的模块性分数值；L为边的数量，即所述待识别银行卡的卡属性之间连线的数量；N为顶点的数量，即所述待识别银行卡的卡属性的数量；A_ij为邻接矩阵中的值，即第i卡属性与第j卡属性之间的值；k_i为第i顶点的度，即与第i卡属性的关系紧密的卡属性的数量；c_i为顶点i的聚类，即第i卡属性的聚类；δ是克罗内克函数，c_i与c_j相等则返回1，不等则返回0。

2.如权利要求1所述的方法，其特征在于，所述根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，包括：

获取所述待识别银行卡的交易数据；

将所述待识别银行卡的交易数据输入关联模型，根据所述待识别银行卡的交易数据之间的相关性，确定所述待识别银行卡的卡属性之间的关联性。

3.如权利要求1所述的方法，其特征在于，所述高风险银行卡的卡属性的聚类方式根据以下方式确定：

获取所述高风险银行卡的交易数据；

将所述高风险银行卡的交易数据输入关联模型中，根据所述高风险银行卡的交易数据之间的相关性，确定所述高风险银行卡的卡属性之间的关联性；

根据所述高风险银行卡的卡属性之间的关联性，利用所述图团体检测法确定所述高风险银行卡的聚类方式。

4.如权利要求3所述的方法，其特征在于，所述根据所述高风险银行卡的卡属性之间的关联性，利用所述图团体检测法确定高风险银行卡的聚类方式，包括：

将所述高风险银行卡的任一卡属性作为一个第一集，利用所述图团体检测法计算所述高风险银行卡的卡属性的第一模块性分数值；

将任意两个第一集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第二模块性分数值，将所述第二模块性分数值最高的聚类方式得出的集作为第二集；

将任意两个第二集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第三模块性分数值，将所述第三模块性分数值最高的聚类方式得出的集作为第三集；

以此类推，直至所有卡属性聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的所有卡属性聚类为一个集的第N模块性分数值；

将所述第一模块性分数值至所述第N模块性分数值之间数值最高的模块性分数值对应的聚类方式作为所述高风险银行卡的聚类方式。

5.如权利要求1所述的方法，其特征在于，所述至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级，包括：

获取所述高风险银行卡的模块性分数值；

若所述待识别银行卡的模块性分数值与所述高风险银行卡的模块性分数值越接近，所述待识别银行卡的风险等级越高。

6.一种高风险银行卡的识别装置，其特征在于，包括：

关联模块，用于根据待识别银行卡的交易数据，确定所述待识别银行卡的N个卡属性中任两个卡属性之间的关联性，其中N>2；

计算模块，用于将所述待识别银行卡的N个卡属性按照高风险银行卡的卡属性的聚类方式进行划分，并根据所述任两个卡属性之间的关联性，利用图团体检测法计算所述待识别银行卡的模块性分数值；其中，所述高风险银行卡的卡属性的聚类方式为利用所述图团体检测法进行划分的；

划分模块，用于至少根据所述待识别银行卡的模块性分数值，确定所述待识别银行卡的风险等级；

所述待识别银行卡的模块性分数值利用以下公式计算：

其中，M为所述待识别银行卡的模块性分数值；L为边的数量，即所述待识别银行卡的卡属性之间连线的数量；N为顶点的数量，即所述待识别银行卡的卡属性的数量；A_ij为邻接矩阵中的值，即第i卡属性与第j卡属性之间的值；k_i为第i顶点的度，即与第i卡属性的关系紧密的卡属性的数量；c_i为顶点i的聚类，即第i卡属性的聚类；δ是克罗内克函数，c_i与c_j相等则返回1，不等则返回0。

7.如权利要求6所述的装置，其特征在于，所述关联模块，具体用于：

获取所述待识别银行卡的交易数据；

将所述待识别银行卡的交易数据输入关联模型，根据所述待识别银行卡的交易数据之间的相关性，确定所述待识别银行卡的卡属性之间的关联性。

8.如权利要求6所述的装置，其特征在于，还包括训练模块，用于根据以下方式确定所述高风险银行卡的卡属性的聚类方式：

获取所述高风险银行卡的交易数据；

将所述高风险银行卡的交易数据输入关联模型中，根据所述高风险银行卡的交易数据之间的相关性，确定所述高风险银行卡的卡属性之间的关联性；

根据所述高风险银行卡的卡属性之间的关联性，利用所述图团体检测法确定所述高风险银行卡的聚类方式。

9.如权利要求8所述的装置，其特征在于，所述训练模块，还用于：

将所述高风险银行卡的任一卡属性作为一个第一集，利用所述图团体检测法计算所述高风险银行卡的卡属性的第一模块性分数值；

将任意两个第一集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第二模块性分数值，将所述第二模块性分数值最高的聚类方式得出的集作为第二集；

将任意两个第二集聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的卡属性的多个第三模块性分数值，将所述第三模块性分数值最高的聚类方式得出的集作为第三集；

以此类推，直至所有卡属性聚类为一个集，利用所述图团体检测法计算所述高风险银行卡的所有卡属性聚类为一个集的第N模块性分数值；

将所述第一模块性分数值至所述第N模块性分数值之间数值最高的模块性分数值对应的聚类方式作为所述高风险银行卡的聚类方式。

10.如权利要求6所述的装置，其特征在于，所述划分模块，具体用于：

获取所述高风险银行卡的模块性分数值；

若所述待识别银行卡的模块性分数值与所述高风险银行卡的模块性分数值越接近，所述待识别银行卡的风险等级越高。

11.一种电子设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5任一所述的方法。

12.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1～5任一所述方法。

Images