CN110009490A - 异常金融交易群体识别方法及装置 - Google Patents

异常金融交易群体识别方法及装置 Download PDF

Info

Publication number
CN110009490A
CN110009490A CN201910033027.3A CN201910033027A CN110009490A CN 110009490 A CN110009490 A CN 110009490A CN 201910033027 A CN201910033027 A CN 201910033027A CN 110009490 A CN110009490 A CN 110009490A
Authority
CN
China
Prior art keywords
analyzed
user
group
user group
density
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
Application number
CN201910033027.3A
Other languages
English (en)
Inventor
杨丹
宋孟楠
高阳
徐轶
张天翼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910033027.3A priority Critical patent/CN110009490A/zh
Publication of CN110009490A publication Critical patent/CN110009490A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Technology Law (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请实施例提供了一种异常金融交易群体识别方法及装置，其中方法包括：首先，获取待分析用户参与金融业务请求的位置信息；然后，根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；最后，根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。

Description

异常金融交易群体识别方法及装置
技术领域
本说明书涉及计算机技术领域，尤其涉及一种异常金融交易群体识别方法及装置。
背景技术
金融业务会面临很多的金融风险，例如信用风险、欺诈风险、套现等。例如，在金融业务为保险业务时，存在投保用户骗保的风险。因此，在金融业务中如何识别异常金融交易群体，已经成为金融业务机构非常关注的一个重要问题。
目前，常用的识别异常金融交易群体的方式为：在市或区或街道等行政区域的划分上分析金融交易群体的汇聚特征，并根据金融交易群体的汇聚特征识别金融交易群体是否为异常金融交易群体。
然而，在上述方式中，由于基于行政区域的划分分析金融交易群体的汇聚特征，无法自由圈定地域进行分析，容易将正常用户囊括进来，进而无法精准的识别异常金融交易群体。
发明内容
本说明书一个或多个实施例的目的是提供一种异常金融交易群体识别方法及装置，用以解决现有技术中无法精准的识别异常金融交易群体的问题。
为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
一方面，本说明书一个或多个实施例提供一种异常金融交易群体识别方法，包括：
获取待分析用户参与金融业务请求的位置信息；
根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
可选的，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个待分析用户群体。
可选的，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的至少一个第一用户群体；
在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
在由所述第一剩余用户参与金融业务请求的位置信息构成的区域中圈定多组待分析子区域，其中，每组所述待分析子区域包括第一区域和第二区域，且所述第二区域在所述第一区域内；
根据所述第一剩余用户参与金融业务请求的位置信息计算各所述待分析子区域中的第一区域中的第一剩余用户密度和第二区域中的第一剩余用户密度；
将各所述待分析子区域中的第二区域中的第一剩余用户密度和第一区域中的第一剩余用户密度的比值确定为各所述待分析子区域的密度差异倍数；
分别将所述密度差异倍数大于密度差异倍数阈值的各所述待分析子区域中的第二区域中的第一剩余用户进行集合，以得到至少一个第二用户群体；
将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
可选的，所述方法还包括：
在所述第一剩余用户中筛除所述第二用户群体中的第一剩余用户，以得到第二剩余用户；
根据所述第二剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第二剩余用户进行划分，以得到至少一个第三用户群体；
所述将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体包括：
将所述至少一个第一用户群体和所述至少一个第二用户群体以及所述至少一个第三用户群体确定为所述待分析用户群体。
可选的，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的至少一个第一用户群体；
在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
根据所述第一剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第一剩余用户进行划分，以得到至少一个第二用户群体；
将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
可选的，所述根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体包括：
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据分别计算各所述待分析用户群体的异常评分；
根据各所述待分析用户群体的异常评分并结合一预设异常评分确定所述异常金融交易群体。
可选的，所述根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体包括：
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据获取各所述待分析用户群体的异常用户密度，并根据各所述待分析用户群体的异常用户密度在所述待分析用户群体中确定异常金融交易群体；或者
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模，并根据各所述待分析用户群体的规模在所述待分析用户群体中确定异常金融交易群体；或者
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模和异常用户密度，并根据各所述待分析用户群体的规模和异常用户密度在所述待分析用户群体中确定异常金融交易群体。
另一方面，本说明书一个或多个实施例提供一种异常金融交易群体识别装置，包括：
获取模块，用于待分析用户参与金融业务请求的位置信息；
挖掘模块，用于根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
确定模块，用于根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
可选的，所述挖掘模块，具体用于根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个待分析用户群体。
可选的，所述挖掘模块包括：
第一聚类单元，用于根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个第一用户群体；
第一筛除单元，用于在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
圈定单元，用于在由所述第一剩余用户参与金融业务请求的位置信息构成的区域中圈定多组待分析子区域，其中，每组所述待分析子区域包括第一区域和第二区域，且所述第二区域在所述第一区域内；
第一计算单元，用于根据所述第一剩余用户参与金融业务请求的位置信息计算各所述待分析子区域中的第一区域中的第一剩余用户密度和第二区域中的第一剩余用户密度；
第一确定单元，用于将各所述待分析子区域中的第二区域中的第一剩余用户密度和第一区域中的第一剩余用户密度的比值确定为各所述待分析子区域的密度差异倍数；
集合单元，用于分别将所述密度差异倍数大于密度差异倍数阈值的各所述待分析子区域中的第二区域中的第一剩余用户进行集合，以得到至少一个第二用户群体；
第二确定单元，用于将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
可选的，所述装置还包括：
第二筛除单元，用于在所述第一剩余用户中筛除所述第二用户群体中的第一剩余用户，以得到第二剩余用户；
第二聚类单元，用于根据所述第二剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第二剩余用户进行划分，以得到至少一个第三用户群体；
所述第二确定单元，具体用于将所述至少一个第一用户群体和所述至少一个第二用户群体以及所述至少一个第三用户群体确定为所述待分析用户群体。
可选的，所述挖掘模块包括：
第三聚类单元，用于根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个第一用户群体；
第三筛除单元，用于在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
第四聚类单元，用于根据所述第一剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第一剩余用户进行划分，以得到至少一个第二用户群体；
第三确定单元，用于将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
可选的，所述确定模块包括：
第二计算单元，用于根据各所述待分析用户群体中的各所述待分析用户的金融业务数据分别计算各所述待分析用户群体的异常评分；
第四确定单元，用于根据各所述待分析用户群体的异常评分并结合一预设异常评分确定所述异常金融交易群体。
可选的，所述确定模块包括：
第五确定单元，用于根据各所述待分析用户群体中的各所述待分析用户的金融业务数据获取各所述待分析用户群体的异常用户密度，并根据各所述待分析用户群体的异常用户密度在所述待分析用户群体中确定异常金融交易群体；或者
第六确定单元，用于根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模，并根据各所述待分析用户群体的规模在所述待分析用户群体中确定异常金融交易群体；或者
第七确定单元，用于根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模和异常用户密度，并根据各所述待分析用户群体的规模和异常用户密度在所述待分析用户群体中确定异常金融交易群体。
再一方面，本说明书一个或多个实施例提供一种异常金融交易群体识别设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：
获取待分析用户参与金融业务请求的位置信息；
根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
再一方面，本说明书一个或多个实施例提供一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现以下流程：
获取待分析用户参与金融业务请求的位置信息；
根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
采用本说明书一个或多个实施例的技术方案，根据待分析用户参与金融业务请求的位置信息对待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体，以及根据至少一个待分析用户群体中的各待分析用户的金融业务数据，在至少一个待分析用户群体中确定异常金融交易群体。一方面，根据待分析用户参与金融业务请求的位置信息对待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体，相比于现有技术，待分析用户的聚类(即圈定)不受地域(即行政区域)的限制，可以自由圈定待分析用户，进而更加准确的识别异常金融交易群体；另一方面，根据待分析用户群体中的各待分析用户的金融业务数据，在待分析用户群体中确定异常金融交易群体，即根据待分析用户的金融业务数据对待分析用户群体进行了判定分析，避免将正常的待分析用户群体识别为异常金融交易群体，进一步的提高了异常金融交易群体的识别精度。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例中记载的一些实施例，对于本领域普通技术人员来讲，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为本申请实施例提供的异常金融交易群体识别方法的流程示意图；
图2为本申请实施例提供的确定待分析用户群体的示意图一；
图3为本申请实施例提供的待分析子区域示意图一；
图4为本申请实施例提供的待分析子区域示意图二；
图5为本申请实施例提供的确定待分析用户群体的示意图二；
图6为本申请实施例提供的确定待分析用户群体的示意图三；
图7为本申请实施例提供的异常金融交易群体识别装置的组成示意图；
图8为本申请实施例提供的异常金融交易群体识别设备的结构示意图。
具体实施方式
本说明书一个或多个实施例提供一种异常金融交易群体识别方法及装置，用以解决现有技术中无法精准的识别异常金融交易群体的问题。
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书一个或多个实施例保护的范围。
图1为本申请实施例提供的异常金融交易群体识别方法的流程示意图，该方法的执行主体例如可以为终端设备或服务器，其中，终端设备例如可以为个人计算机等，服务器例如可以为独立的一个服务器，也可以是由多个服务器组成的服务器集群，本示例性实施例对此不做特殊限定。如图1所示，该方法可以包括以下步骤：
步骤S102、获取待分析用户参与金融业务请求的位置信息。
在本申请实施例中，金融业务例如可以为保险业务等，本示例性实施例对此不做特殊限定。待分析用户参与金融业务请求的位置信息可以为待分析用户发起金融业务中的任何一个业务请求的终端的位置信息，例如若金融业务为保险业务，则待分析用户为投保用户，待分析用户参与金融业务请求的位置信息可以为投保用户发起投保业务请求的终端的位置信息或者投保用户发起被保业务请求的终端的位置信息或者投保用户发起理赔业务请求的终端的位置信息等。待分析用户参与金融业务请求的位置信息还可以为待分析用户发起金融业务请求的终端的常用位置信息，例如，若金融业务为保险业务，则待分析用户为投保用户，待分析用户参与金融业务请求的位置信息可以为投保用户发起保险业务请求的终端的常用位置。终端例如可以为手机、平板电脑、台式电脑等，本示例性实施例对此不做特殊限定。
在用户参与金融业务请求时，获取用户参与金融业务请求的位置信息以及用户参与金融业务请求的时间信息等，并将用户参与金融业务请求的位置信息以及用户参与金融业务请求的时间信息等保存在数据库中。需要说明的是，在用户参与金融业务请求时，可以通过LBS(Location Based Service，基于位置服务)技术获取用户参与金融业务请求的终端的位置信息，并将用户参与金融业务请求的终端的位置信息确定为用户参与金融业务请求的位置信息。
待分析用户的具体范围可以由开发人员自行设置，本示例性实施例对此不做特殊限定。例如，待分析用户可以为一个国家的所有区域中参与金融业务的用户，也可以为一个省的所有区域中参与金融业务的用户，还可以为一个市的所有区域中参与金融业务的用户等。
基于此，获取待分析用户参与金融业务请求的位置信息的过程包括：在数据库中获取符合要求的待分析用户参与金融业务请求的位置信息。
步骤S104、根据待分析用户参与金融业务请求的位置信息对待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体。
在本申请实施例中，可以通过以下四种方式获取待分析用户群体，其中：
方式一、根据待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对待分析用户进行聚类，以得到用户密度大于预设用户密度的至少一个待分析用户群体。
下面，将对根据基于密度的聚类算法对待分析用户进行聚类，以得到用户密度大于预设用户密度的至少一个待分析用户群体的过程进行说明。
首先，在获取到待分析用户参与金融业务请求的位置信息后，在由待分析用户参与金融业务请求的位置信息构建的区域中设置N个待分析点、半径E、以及预设用户密度。预设用户密度指以待分析点为中心E为半径的区域内待分析用户参与金融业务请求的位置信息的最少数量。需要说明的是，预设用户密度的具体数值以及待分析点的数量和位置可以自行设置，本示例性实施例对此不做特殊限定。
然后，根据待分析用户参与金融业务请求的位置信息，分别获取以每个待分析点为中心E为半径的区域的用户密度，其中，以待分析点为中心E为半径的区域的用户密度指以待分析点为中心E为半径的区域中的待分析用户参与金融业务请求的位置信息的数量。
再然后，分别将以每个待分析节点为中心E为半径的区域的用户密度分别与预设用户密度进行比较，并将每个用户密度大于预设用户密度的以待分析节点为中心E为半径的区域确定为一个目标区域。
最后，分别将每个目标区域中的待分析用户进行集合，即分别将参与金融业务请求的位置信息在每个目标区域内的待分析用户进行集合，以得到与每个目标区域对应的用户群体，并分别将与每个目标区域对应的用户群体分别确定为一个待分析用户群体。
下面，将举例对上述过程进行说明，若待分析点的数量为5个，依次为第一待分析点至第五待分析点，半径E为2000米，预设用户密度为100，则根据基于密度的聚类算法对待分析用户进行聚类，以得到用户密度大于预设用户密度的至少一个待分析用户群体的过程包括：根据待分析用户参与金融业务请求的位置信息分别获取以第一待分析点为中心2000米为半径的区域的用户密度、以第二待分析点为中心2000米为半径的区域的用户密度、以第三待分析点为中心2000米为半径的区域的用户密度、以第四待分析点为中心2000米为半径的区域的用户密度、以第五待分析点为中心2000米为半径的区域的用户密度。若以第一待分析点为中心2000米为半径的区域的用户密度为120、以第二待分析点为中心2000米为半径的区域的用户密度为200、以第三待分析点为中心2000米为半径的区域的用户密度为90、以第四待分析点为中心2000米为半径的区域的用户密度为50、以第五待分析点为中心2000米为半径的区域的用户密度为65，由于预设用户密度为100，则以第一待分析点为中心2000米为半径的区域以及以第二待分析点为中心2000米为半径的区域分别为一个目标区域，分别将每个目标区域中的待分析用户进行集合，即分别将参与金融业务请求的位置信息在目标区域内的待分析用户进行集合，以得到与每个目标区域对应的用户群体，并将与每个目标区域对应的用户群体分别确定为一个待分析用户群体，即将以第一待分析点为中心2000米为半径的区域对应的用户群体确定为一个待分析群体，将以第二待分析点为中心2000米为半径的区域对应的用户群体确定为一个待分析群体。
方式二，如图2所示，可以包括以下步骤：
步骤S202、根据待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对待分析用户进行聚类，以得到用户密度大于预设用户密度的至少一个第一用户群体。在本申请实施例中，由于步骤S202的原理与上述方式一的原理相同，因此，此处不在赘述。
步骤S204、在待分析用户中筛除第一用户群体中的待分析用户，以得到第一剩余用户。在本申请实施例中，可以通过比对的方式在待分析用户中筛除第一用户群体中的待分析用户，并将剩余的待分析用户确定为第一剩余用户。
步骤S206、在由第一剩余用户参与金融业务请求的位置信息构成的区域中圈定多组待分析子区域，其中，每组待分析子区域包括第一区域和第二区域，且第二区域在第一区域内。
在本申请实施例中，圈定的每组待分析子区域的形状和大小以及数量可以自行设置。例如，如图3所示，每组待分析子区域为圆形，即每组待分析子区域中的第一区域301和第二区域302均为圆形。再例如，如图4所示，每组待分析子区域为矩形，即每组待分析子区域中的第一区域301和第二区域302均为矩形。
需要说明的是，在每组待分析子区域为矩形时，可以根据GeoHash技术在由第一剩余用户参与金融业务请求的位置信息构成的区域中圈定多组待分析子区域。具体的过程可以包括：由于GeoHash技术将位置信息编码为一个GeoHash字符串，且字符串越相似，则位置则越接近，且前N位一致的N+1位GeoHash字符串所代表的区域都在前N位GeoHash字符串代表的区域内，因此，可以将由第一剩余用户参与金融业务请求的位置信息构成的区域中的每个N位的GeoHash字符串和与其前N位相同的N+1位GeoHash字符串所表示的区域确定为一组待分析子区域。
步骤S208、根据第一剩余用户参与金融业务请求的位置信息计算各待分析子区域中的第一区域中的第一剩余用户密度和第二区域中的第一剩余用户密度。
在本申请实施例中，若每组待分析子区域为圆形，即每组待分析子区域中的第一区域和第二区域均为圆形，则每组待分析子区域中的第一区域中的第一剩余用户密度的计算公式为：其中，ρi，1为第i组待分析子区域中的第一区域中的第一剩余用户密度，Xi，1为第i组待分析子区域中的第一区域中第一剩余用户参与金融业务请求的位置信息的数量，为第i组待分析子区域中的第一区域的面积；每组待分析子区域中的第二区域中的第一剩余用户密度的计算公式为：其中，ρi，2为第i组待分析子区域中的第二区域中的第一剩余用户密度，Xi，2为第i组待分析子区域中的第二区域中第一剩余用户参与金融业务请求的位置信息的数量，为第i组待分析子区域中的第二区域的面积。
若每组待分析子区域为矩形，即每组待分析子区域中的第一区域和第二区域均为矩形，则每组待分析子区域中的第一区域中的第一剩余用户密度的计算公式为：其中，ρi，1为第i组待分析子区域中的第一区域中的第一剩余用户密度，Xi，1为第i组待分析子区域中的第一区域中第一剩余用户参与金融业务请求的位置信息的数量，Si，1为第i组待分析子区域中的第一区域的面积；每组待分析子区域中的第二区域中的第一剩余用户密度的计算公式为：其中，ρi，2为第i组待分析子区域中的第二区域中的第一剩余用户密度，Xi，2为第i组待分析子区域中的第二区域中第一剩余用户参与金融业务请求的位置信息的数量，Si，2为第i组待分析子区域中的第二区域的面积。
若矩形的每组待分析子区域由GeoHash技术圈定，则每组待分析子区域中的第一区域中的第一剩余用户密度的计算公式为：ρi，1＝ρ(geohash(Ni))，其中，ρi，1为第i组待分析子区域中的第一区域中的第一剩余用户密度，Ni为第i组待分析子区域中的第一区域的GeoHash字符串；每组待分析子区域中的第二区域中的第一剩余用户密度的计算公式为：ρi，2＝ρ(geohash(N+1i))，其中，ρi，2为第i组待分析子区域中的第二区域中的第一剩余用户密度，N+1i为第i组待分析子区域中的第二区域的GeoHash字符串。
需要说明的是，上述方式仅为示例性的，并不用于限定本发明。
步骤S210、将各待分析子区域中的第二区域中的第一剩余用户密度和第一区域中的第一剩余用户密度的比值确定为各待分析子区域的密度差异倍数。
在本申请实施例中，各待分析子区域的密度差异倍数的计算公式可以为：其中，ρi为第i组待分析子区域的密度差异倍数，ρi，2为第i组待分析子区域中的第二区域中的第一剩余用户密度，ρi，1为第i组待分析子区域中的第一区域中的第一剩余用户密度。
步骤S212、分别将密度差异倍数大于密度差异倍数阈值的各待分析子区域中的第二区域中的第一剩余用户进行集合，以得到至少一个第二用户群体。在本申请实施例中，将步骤S210中得到的各待分析子区域的密度差异倍数分别与一密度差异倍数阈值进行比较，以筛选出密度差异倍数大于密度差异倍数阈值的待分析子区域，并将密度差异倍数大于密度差异倍数阈值的待分析子区域确定为目标分析子区域，最后，分别将每个目标分析子区域中的第二区域中的第一剩余用户进行集合(即分别将在每个目标分析子区域中的第二区域中发起金融业务请求的第一剩余用户进行集合)，以得到与每个目标分析子区域对应的第二用户群体。需要说明的是，密度差异倍数阈值的具体数值可以自行设置，本示例性实施例对此不做特殊限定。
下面，举例对上述过程进行说明。若待分析子区域的数量为5个，分别为第一待分析子区域至第五待分析子区域，且第一待分析子区域至第五待分析子区域的密度差异倍数依次为：1.2、1.5、0.6、0.4、1.9，若密度差异倍数阈值为1.3，则将第二待分析子区域与第五待分析子区域确定为目标分析子区域，将第二待分析子区域中的第二区域中的第一剩余用户进行集合，以得到与第二待分析子区域对应的第二用户群体，同时，将第五待分析子区域中的第二区域中的第一剩余用户进行集合，以得到与第五待分析子区域对应的第二用户群体，综上，最终得到的第二用户群体的数量为2个，分别为与第二待分析子区域对应的第二用户群体以及与第五待分析子区域对应的第二用户群体。
步骤S214、将至少一个第一用户群体和至少一个第二用户群体确定为待分析用户群体。在本申请实施例中，将步骤S202中得到的第一用户群体和步骤S212中得到的第二用户群体分别确定为待分析用户群体，即待分析用户群体的数量等于第一用户群体的数量与第二用户群体的数量之和。
方式三、如图5所示，可以包括以下步骤：
步骤S502、根据待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对待分析用户进行聚类，以得到用户密度大于预设用户密度的至少一个第一用户群体。在本申请实施例中，由于步骤S502与步骤S202的原理相同，因此此处不在赘述。
步骤S504、在待分析用户中筛除第一用户群体中的待分析用户，以得到第一剩余用户。在本申请实施例中，由于步骤S504与步骤S204的原理相同，因此此处不在赘述。
步骤S506、在由第一剩余用户参与金融业务请求的位置信息构成的区域中圈定多组待分析子区域，其中，每组待分析子区域包括第一区域和第二区域，且第二区域在第一区域内。在本申请实施例中，由于步骤S506与步骤S206的原理相同，因此此处不在赘述。
步骤S508、根据第一剩余用户参与金融业务请求的位置信息计算各待分析子区域中的第一区域中的第一剩余用户密度和第二区域中的第一剩余用户密度。在本申请实施例中，由于步骤S508与步骤S208的原理相同，因此此处不在赘述。
步骤S510、将各待分析子区域中的第二区域中的第一剩余用户密度和第一区域中的第一剩余用户密度的比值确定为各待分析子区域的密度差异倍数。在本申请实施例中，由于步骤S510与步骤S210的原理相同，因此此处不在赘述。
步骤S512、分别将密度差异倍数大于密度差异倍数阈值的各待分析子区域中的第二区域中的第一剩余用户进行集合，以得到至少一个第二用户群体。在本申请实施例中，由于步骤S512与步骤S212的原理相同，因此此处不再赘述。
步骤S514、在第一剩余用户中筛除第二用户群体中的第一剩余用户，以得到第二剩余用户。在本申请实施例中，可以通过比对的方式在第一剩余用户中筛除第二用户群体中的第一剩余用户，并将剩余的第一剩余用户确定为第二剩余用户。
步骤S516、根据第二剩余用户参与金融业务请求的位置信息，并结合社区发现算法对第二剩余用户进行划分，以得到至少一个第三用户群体。
在本申请实施例中，将每个第二剩余用户参与金融业务请求的位置信息作为一个节点，并将任意两个节点之间用边连接，设置任意两个节点之间的边的权重值，以将第二剩余用户参与金融业务请求的位置信息转化为待分析图，需要说明的是，任意两个节点之间的边的权重值与两个节点对应的两个位置信息之间的距离成负相关关系。根据待分析图中的节点以及任意两个节点之间的边的权重值并结合社区发现算法对第二剩余用户进行划分，以得到至少一个第三用户群体。需要说明的是，社区发现算法可以为Louvain(快速社区发现算法)等，本示例性实施例对此不做特殊限定。在处理数据较大的前提下，相较于其他社区发现算法，Louvain的计算效率更高。
步骤S518、将至少一个第一用户群体和至少一个第二用户群体以及至少一个第三用户群体确定为待分析用户群体。在本申请实施例中，将步骤S502中得到的第一用户群体以及步骤S512得到的第二用户群体以及步骤S516中得到的第三用户群体分别确定为待分析用户群体，即待分析用户群体的数量等于第一用户群体的数量与第二用户群体的数量以及第三用户群体的数量之和。
方式四，如图6所示，可以包括以下步骤：
步骤S602、根据待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对待分析用户进行聚类，以得到用户密度大于预设用户密度的至少一个第一用户群体。在本申请实施例中，由于步骤S602与步骤S502的原理相同，因此此处不在赘述。
步骤S604、在待分析用户中筛除第一用户群体中的待分析用户，以得到第一剩余用户。在本申请实施例中，可以通过比对的方式在待分析用户中筛除第一用户群体中的待分析用户，并将剩余的待分析用户确定为第一用户群体。
步骤S606、根据第一剩余用户参与金融业务请求的位置信息，并结合社区发现算法对第一剩余用户进行划分，以得到至少一个第二用户群体。在本申请实施例中，由于步骤S606与步骤S516的原理相同因此此处不在赘述。
步骤S608、将至少一个第一用户群体和至少一个第二用户群体确定为待分析用户群体。在本申请实施例中，将步骤S602中得到的第一用户群体以及步骤S606得到的第二用户群体分别确定为待分析用户群体，即待分析用户群体的数量等于第一用户群体的数量与第二用户群体的数量之和。
由上可知，相比于方式二至方式四，方式一的计算效率较高。由于方式一中仅根据基于密度的聚类算法对待分析用户进行聚类，而方式二至方式四在方式一的聚类方式的基础上增加了进一步的聚类过程，使得聚类结果更加全面和准确。由于社区发现算法可以不受固定密度阈值的限制，对方式一和方式二进行了补充，增加了待分析用户群体获取的全面性。由于社区发现算法需要计算两两距离对，在海量数据的情况下，千万到亿级别的点数，会生成千万*千万、亿*亿级别笛卡尔积距离，计算实现上难度较大，因此，相对于方式四，由于方式三在通过基于密度的聚类算法进行聚类的过程与通过社区发现算法进行聚类的过程之间增加了圈定待分析子区域，以及根据圈定的待分析子区域获取待分析用户群体的过程，在一定程度上减少了方式三中社区发现算法的计算量，基于此，由于方式四仅根据基于密度的聚类算法和通过社区发现算法对待分析用户进行聚类，因此相比于方式四，方式三的计算效率高。由于社区发现算法无需人工调参的介入，且可以找到任意形状的群体，以及找到全图最优的分类，因此，相对于方式一和方式二，方式三和方式四可以识别出任意形状的群体，同时也在一定程度上提高了群体识别的准确率。
步骤S106、根据至少一个待分析用户群体中的各待分析用户的金融业务数据，在至少一个待分析用户群体中确定异常金融交易群体。
在本申请实施例中，可以通过以下四种方式在至少一个待分析用户群体中确定异常金融交易群体，其中：
方式一、根据各待分析用户群体中的各待分析用户的金融业务数据分别计算各待分析用户群体的异常评分；根据各待分析用户群体的异常评分并结合一预设异常评分确定异常金融交易群体。
在本申请实施例中，待分析用户的金融业务数据可以包括待分析用户的个人基本信息以及行为数据。个人基本信息可以包括年龄、性别、学历、籍贯、职业等，行为数据可以包括处理金融业务请求的说辞、处理金融业务请求的设备信息、处理金融业务请求的时间、金融业务请求的处理结果等。
根据一个待分析用户群体中的待分析用户的金融业务数据分别计算该待分析用户群体的异常评分的过程可以包括：将该待分析用户群体中的待分析用户进行两两组合，以得到多个待分析用户组合；根据每个待分析用户组合中的两个待分析用户的金融业务数据分别计算每个待分析用户组合中的两个待分析用户的相似度；将每个待分析用户组合中的两个待分析用户的相似度确定为对应的待分析用户组合的相似度；将每个待分析用户组合的相似度与以预设相似度进行比较，并统计相似度大于预设相似度的待分析用户组合的数量；根据相似度大于预设相似度的待分析用户组合的数量以及该待分析用户群体中的待分析用户组合的总数量，计算相似度大于预设相似度的待分析用户组合占该待分析用户群体中的待分析用户组合的百分比，以及根据该百分比计算该待分析用户群体的异常评分，需要说明的是，百分比与异常评分成正相关关系，即百分比越大，异常评分越高，百分比越小，异常评分越低；将该待分析用户群体的异常评分与预设异常评分进行比较，若该待分析用户群体的异常评分大于预设异常评分，则将该待分析用户群体确定为异常金融交易群体，若该待分析用户群体的异常评分不大于预设异常评分，则该待分析用户群体不是异常金融交易群体。需要说明的是，重复上述过程，即可判断其他各待分析用户群体是否为异常金融交易群体。需要说明的是，预设相似度与预设异常评分的具体数值可以自行设置，本示例性实施例对此不做特殊限定。
方式二、根据各待分析用户群体中的各待分析用户的金融业务数据获取各待分析用户群体的异常用户密度，并根据各待分析用户群体的异常用户密度在待分析用户群体中确定异常金融交易群体。
在本申请实施例中，待分析用户的金融业务数据已在上文中进行了说明，因此此处不在赘述。根据各待分析用户群体中的各待分析用户的金融业务数据判断对应的待分析用户是否为异常用户，并统计各待分析用户群体中的异常用户的数量，根据各待分析用户群体中的异常用户的数量与各待分析用户群体中的待分析用户的总数量并结合下述公式计算各待分析用户群体的异常用户密度，其中公式为：ai为第i个待分析用户群体的异常用户密度，bi为第i个待分析用户群体中异常用户的数量，ci为第i个待分析用户群体中待分析用户的总数量。在根据上述过程得出待分析用户群体的异常用户密度后，将待分析用户群体的异常用户密度与预设异常用户密度进行比较，若待分析用户群体的异常用户密度大于预设异常用户密度，则将该待分析用户群体确定为异常金融交易群体。需要说明的是，预设异常用户密度的具体数值可以自行设置，本示例性实施例对此不做特殊限定。
下面举例对判断待分析用户是否为异常用户的过程进行说明，若金融业务数据为保险业务数据，则根据待分析用户的保险业务数据判定该待分析用户是否已经出险，若该待分析用户已经出险，则该待分析用户为异常用户，若该待分析用户没有出险，则该待分析用户不是异常用户。
方式三、根据各待分析用户群体中的各待分析用户的金融业务数据确定各待分析用户群体的规模，并根据各待分析用户群体的规模在待分析用户群体中确定异常金融交易群体。
在本申请实施例中，可以根据各待分析用户群体中的待分析用户的人数确定各待分析用户群体的规模，具体的，待分析用户群体中的待分析用户的人数越多，则待分析用户群体的规模越大，待分析用户群体中的待分析用户的人数越少，则待分析用户群体的规模越小。基于此，确定异常金融交易群体的过程可以包括：分别统计每个待分析用户群体中的待分析用户的人数，并将人数大于预设人数的待分析用户群体确定为异常金融交易群体。
方式四、根据各待分析用户群体中的各待分析用户的金融业务数据确定各待分析用户群体的规模和异常用户密度，并根据各待分析用户群体的规模和异常用户密度在待分析用户群体中确定异常金融交易群体。
在本申请实施例中，可以将异常用户密度大于预设异常用户密度且规模大于预设规模的待分析用户群体确定为异常金融交易群体。具体的，可以根据待分析用户群体中的待分析用户的人数确定待分析用户群体的规模。需要说明的是，计算异常用户密度的过程已经在上述过程中进行了说明，因此此处不在赘述，确定待分析用户群体的规模的过程已经在上文中进行了说明，因此此处不在赘述。
综上所述，根据待分析用户参与金融业务请求的位置信息对待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体，相比于现有技术，待分析用户的聚类(即圈定)不受地域(即行政区域)的限制，可以自由圈定待分析用户，进而更加准确的识别异常金融交易群体；此外，根据待分析用户群体中的各待分析用户的金融业务数据，在待分析用户群体中确定异常金融交易群体，即根据待分析用户的金融业务数据对待分析用户群体进行了判定分析，避免将正常的待分析用户群体识别为异常金融交易群体，进一步的提高了异常金融交易群体的识别精度。
对应上述异常金融交易群体识别方法，基于相同的技术构思，本申请实施例还提供了一种异常金融交易群体识别装置，图7为本申请实施例提供的异常金融交易群体识别装置的组成示意图，该装置用于执行上述异常金融交易群体识别方法，如图7所示，该装置700可以包括：获取模块701、挖掘模块702、确定模块703，其中：
获取模块701，用于获取待分析用户参与金融业务请求的位置信息；
挖掘模块702，用于根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
确定模块703，用于根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
可选的，所述挖掘模块702，具体用于根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个待分析用户群体。
可选的，所述挖掘模块702包括：
第一聚类单元，用于根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个第一用户群体；
第一筛除单元，用于在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
圈定单元，用于在由所述第一剩余用户参与金融业务请求的位置信息构成的区域中圈定多组待分析子区域，其中，每组所述待分析子区域包括第一区域和第二区域，且所述第二区域在所述第一区域内；
第一计算单元，用于根据所述第一剩余用户参与金融业务请求的位置信息计算各所述待分析子区域中的第一区域中的第一剩余用户密度和第二区域中的第一剩余用户密度；
第一确定单元，用于将各所述待分析子区域中的第二区域中的第一剩余用户密度和第一区域中的第一剩余用户密度的比值确定为各所述待分析子区域的密度差异倍数；
集合单元，用于分别将所述密度差异倍数大于密度差异倍数阈值的各所述待分析子区域中的第二区域中的第一剩余用户进行集合，以得到至少一个第二用户群体；
第二确定单元，用于将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
可选的，所述装置700还包括：
第二筛除单元，用于在所述第一剩余用户中筛除所述第二用户群体中的第一剩余用户，以得到第二剩余用户；
第二聚类单元，用于根据所述第二剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第二剩余用户进行划分，以得到至少一个第三用户群体；
所述第二确定单元，具体用于将所述至少一个第一用户群体和所述至少一个第二用户群体以及所述至少一个第三用户群体确定为所述待分析用户群体。
可选的，所述挖掘模块702包括：
第三聚类单元，用于根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个第一用户群体；
第三筛除单元，用于在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
第四聚类单元，用于根据所述第一剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第一剩余用户进行划分，以得到至少一个第二用户群体；
第三确定单元，用于将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
可选的，所述确定模块703包括：
第二计算单元，用于根据各所述待分析用户群体中的各所述待分析用户的金融业务数据分别计算各所述待分析用户群体的异常评分；
第四确定单元，用于根据各所述待分析用户群体的异常评分并结合一预设异常评分确定所述异常金融交易群体。
可选的，所述确定模块703包括：
第五确定单元，用于根据各所述待分析用户群体中的各所述待分析用户的金融业务数据获取各所述待分析用户群体的异常用户密度，并根据各所述待分析用户群体的异常用户密度在所述待分析用户群体中确定异常金融交易群体；或者
第六确定单元，用于根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模，并根据各所述待分析用户群体的规模在所述待分析用户群体中确定异常金融交易群体；或者
第七确定单元，用于根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模和异常用户密度，并根据各所述待分析用户群体的规模和异常用户密度在所述待分析用户群体中确定异常金融交易群体。
本申请实施例中的异常金融交易群体识别装置，根据待分析用户参与金融业务请求的位置信息对待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体，相比于现有技术，待分析用户的聚类(即圈定)不受地域(即行政区域)的限制，可以自由圈定待分析用户，进而更加准确的识别异常金融交易群体；此外，根据待分析用户群体中的各待分析用户的金融业务数据，在待分析用户群体中确定异常金融交易群体，即根据待分析用户的金融业务数据对待分析用户群体进行了判定分析，避免将正常的待分析用户群体识别为异常金融交易群体，进一步的提高了异常金融交易群体的识别精度。
应上述异常金融交易群体识别方法，基于相同的技术构思，本申请实施例还提供了一种异常金融交易群体识别设备，图8为本申请实施例提供的异常金融交易群体识别设备的结构示意图，该设备用于执行上述的异常金融交易群体识别方法。
如图8所示，异常金融交易群体识别设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器801和存储器802，存储器802中可以存储有一个或一个以上存储应用程序或数据。其中，存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对异常金融交易群体识别设备中的一系列计算机可执行指令。更进一步地，处理器801可以设置为与存储器802通信，在异常金融交易群体识别设备上执行存储器802中的一系列计算机可执行指令。异常金融交易群体识别设备还可以包括一个或一个以上电源803，一个或一个以上有线或无线网络接口804，一个或一个以上输入输出接口805，一个或一个以上键盘806等。
在一个具体的实施例中，异常金融交易群体识别设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对异常金融交易群体识别设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取待分析用户参与金融业务请求的位置信息；
根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
可选的，计算机可执行指令在被执行时，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个待分析用户群体。
可选的，计算机可执行指令在被执行时，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个第一用户群体；
在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
在由所述第一剩余用户参与金融业务请求的位置信息构成的区域中圈定多组待分析子区域，其中，每组所述待分析子区域包括第一区域和第二区域，且所述第二区域在所述第一区域内；
根据所述第一剩余用户参与金融业务请求的位置信息计算各所述待分析子区域中的第一区域中的第一剩余用户密度和第二区域中的第一剩余用户密度；
将各所述待分析子区域中的第二区域中的第一剩余用户密度和第一区域中的第一剩余用户密度的比值确定为各所述待分析子区域的密度差异倍数；
分别将所述密度差异倍数大于密度差异倍数阈值的各所述待分析子区域中的第二区域中的第一剩余用户进行集合，以得到至少一个第二用户群体；
将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
可选的，计算机可执行指令在被执行时，还包括：
在所述第一剩余用户中筛除所述第二用户群体中的第一剩余用户，以得到第二剩余用户；
根据所述第二剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第二剩余用户进行划分，以得到至少一个第三用户群体；
所述将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体包括：
将所述至少一个第一用户群体和所述至少一个第二用户群体以及所述至少一个第三用户群体确定为所述待分析用户群体。
可选的，计算机可执行指令在被执行时，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个第一用户群体；
在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
根据所述第一剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第一剩余用户进行划分，以得到至少一个第二用户群体；
将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
可选的，计算机可执行指令在被执行时，所述根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体包括：
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据分别计算各所述待分析用户群体的异常评分；
根据各所述待分析用户群体的异常评分并结合一预设异常评分确定所述异常金融交易群体。
可选的，计算机可执行指令在被执行时，所述根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体包括：
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据获取各所述待分析用户群体的异常用户密度，并根据各所述待分析用户群体的异常用户密度在所述待分析用户群体中确定异常金融交易群体；或者
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模，并根据各所述待分析用户群体的规模在所述待分析用户群体中确定异常金融交易群体；或者
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模和异常用户密度，并根据各所述待分析用户群体的规模和异常用户密度在所述待分析用户群体中确定异常金融交易群体。
本申请实施例中的异常金融交易群体识别设备，根据待分析用户参与金融业务请求的位置信息对待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体，相比于现有技术，待分析用户的聚类(即圈定)不受地域(即行政区域)的限制，可以自由圈定待分析用户，进而更加准确的识别异常金融交易群体；此外，根据待分析用户群体中的各待分析用户的金融业务数据，在待分析用户群体中确定异常金融交易群体，即根据待分析用户的金融业务数据对待分析用户群体进行了判定分析，避免将正常的待分析用户群体识别为异常金融交易群体，进一步的提高了异常金融交易群体的识别精度。
对应上述异常金融交易群体识别方法，基于相同的技术构思，本申请实施例还提供了一种存储介质，用于存储计算机可执行指令，在一个具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令在被处理器执行时，能实现以下流程：
获取待分析用户参与金融业务请求的位置信息；
根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
可选的，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个待分析用户群体。
可选的，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个第一用户群体；
在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
在由所述第一剩余用户参与金融业务请求的位置信息构成的区域中圈定多组待分析子区域，其中，每组所述待分析子区域包括第一区域和第二区域，且所述第二区域在所述第一区域内；
根据所述第一剩余用户参与金融业务请求的位置信息计算各所述待分析子区域中的第一区域中的第一剩余用户密度和第二区域中的第一剩余用户密度；
将各所述待分析子区域中的第二区域中的第一剩余用户密度和第一区域中的第一剩余用户密度的比值确定为各所述待分析子区域的密度差异倍数；
分别将所述密度差异倍数大于密度差异倍数阈值的各所述待分析子区域中的第二区域中的第一剩余用户进行集合，以得到至少一个第二用户群体；
将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
可选的，该存储介质存储的计算机可执行指令在被处理器执行时，还包括：
在所述第一剩余用户中筛除所述第二用户群体中的第一剩余用户，以得到第二剩余用户；
根据所述第二剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第二剩余用户进行划分，以得到至少一个第三用户群体；
所述将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体包括：
将所述至少一个第一用户群体和所述至少一个第二用户群体以及所述至少一个第三用户群体确定为所述待分析用户群体。
可选的，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个第一用户群体；
在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
根据所述第一剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第一剩余用户进行划分，以得到至少一个第二用户群体；
将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
可选的，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体包括：
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据分别计算各所述待分析用户群体的异常评分；
根据各所述待分析用户群体的异常评分并结合一预设异常评分确定所述异常金融交易群体。
可选的，该存储介质存储的计算机可执行指令在被处理器执行时，所述根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体包括：
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据获取各所述待分析用户群体的异常用户密度，并根据各所述待分析用户群体的异常用户密度在所述待分析用户群体中确定异常金融交易群体；或者
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模，并根据各所述待分析用户群体的规模在所述待分析用户群体中确定异常金融交易群体；或者
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模和异常用户密度，并根据各所述待分析用户群体的规模和异常用户密度在所述待分析用户群体中确定异常金融交易群体。
本申请实施例中的存储介质存储的计算机可执行指令在被处理器执行时，根据待分析用户参与金融业务请求的位置信息对待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体，相比于现有技术，待分析用户的聚类(即圈定)不受地域(即行政区域)的限制，从而识别出任意形状的异常金融交易群体，进而更加准确的识别异常金融交易群体；此外，根据待分析用户群体中的各待分析用户的金融业务数据，在待分析用户群体中确定异常金融交易群体，即根据待分析用户的金融业务数据对待分析用户群体进行了判定分析，避免将正常的待分析用户群体识别为异常金融交易群体，进一步的提高了异常金融交易群体的识别精度。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种异常金融交易群体识别方法，其特征在于，包括：
获取待分析用户参与金融业务请求的位置信息；
根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
2.根据权利要求1所述的异常金融交易群体识别方法，其特征在于，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的所述至少一个待分析用户群体。
3.根据权利要求1所述的异常金融交易群体识别方法，其特征在于，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的至少一个第一用户群体；
在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
在由所述第一剩余用户参与金融业务请求的位置信息构成的区域中圈定多组待分析子区域，其中，每组所述待分析子区域包括第一区域和第二区域，且所述第二区域在所述第一区域内；
根据所述第一剩余用户参与金融业务请求的位置信息计算各所述待分析子区域中的第一区域中的第一剩余用户密度和第二区域中的第一剩余用户密度；
将各所述待分析子区域中的第二区域中的第一剩余用户密度和第一区域中的第一剩余用户密度的比值确定为各所述待分析子区域的密度差异倍数；
分别将所述密度差异倍数大于密度差异倍数阈值的各所述待分析子区域中的第二区域中的第一剩余用户进行集合，以得到至少一个第二用户群体；
将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
4.根据权利要求3所述的异常金融交易群体识别方法，其特征在于，所述方法还包括：
在所述第一剩余用户中筛除所述第二用户群体中的第一剩余用户，以得到第二剩余用户；
根据所述第二剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第二剩余用户进行划分，以得到至少一个第三用户群体；
所述将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体包括：
将所述至少一个第一用户群体和所述至少一个第二用户群体以及所述至少一个第三用户群体确定为所述待分析用户群体。
5.根据权利要求1所述的异常金融交易群体识别方法，其特征在于，所述根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体包括：
根据所述待分析用户参与金融业务请求的位置信息并结合基于密度的聚类算法对所述待分析用户进行聚类，以得到用户密度大于预设用户密度的至少一个第一用户群体；
在所述待分析用户中筛除所述第一用户群体中的待分析用户，以得到第一剩余用户；
根据所述第一剩余用户参与金融业务请求的位置信息，并结合社区发现算法对所述第一剩余用户进行划分，以得到至少一个第二用户群体；
将所述至少一个第一用户群体和所述至少一个第二用户群体确定为所述待分析用户群体。
6.根据权利要求1所述的异常金融交易群体识别方法，其特征在于，所述根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体包括：
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据分别计算各所述待分析用户群体的异常评分；
根据各所述待分析用户群体的异常评分并结合一预设异常评分确定所述异常金融交易群体。
7.根据权利要求1所述的异常金融交易群体识别方法，其特征在于，所述根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体包括：
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据获取各所述待分析用户群体的异常用户密度，并根据各所述待分析用户群体的异常用户密度在所述待分析用户群体中确定异常金融交易群体；或者
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模，并根据各所述待分析用户群体的规模在所述待分析用户群体中确定异常金融交易群体；或者
根据各所述待分析用户群体中的各所述待分析用户的金融业务数据确定各所述待分析用户群体的规模和异常用户密度，并根据各所述待分析用户群体的规模和异常用户密度在所述待分析用户群体中确定异常金融交易群体。
8.一种异常金融交易群体识别装置，其特征在于，包括：
获取模块，用于获取待分析用户参与金融业务请求的位置信息；
挖掘模块，用于根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
确定模块，用于根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
9.一种异常金融交易群体识别设备，其特征在于，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器：
获取待分析用户参与金融业务请求的位置信息；
根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
10.一种存储介质，用于存储计算机可执行指令，其特征在于，所述计算机可执行指令在被执行时实现以下流程：
获取待分析用户参与金融业务请求的位置信息；
根据所述待分析用户参与金融业务请求的位置信息对所述待分析用户进行基于位置密度的群体挖掘，以得到至少一个待分析用户群体；
根据所述至少一个待分析用户群体中的各所述待分析用户的金融业务数据，在所述至少一个待分析用户群体中确定异常金融交易群体。
CN201910033027.3A 2019-01-14 2019-01-14 异常金融交易群体识别方法及装置 Pending CN110009490A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910033027.3A CN110009490A (zh) 2019-01-14 2019-01-14 异常金融交易群体识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910033027.3A CN110009490A (zh) 2019-01-14 2019-01-14 异常金融交易群体识别方法及装置

Publications (1)

Publication Number Publication Date
CN110009490A true CN110009490A (zh) 2019-07-12

Family

ID=67165403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910033027.3A Pending CN110009490A (zh) 2019-01-14 2019-01-14 异常金融交易群体识别方法及装置

Country Status (1)

Country Link
CN (1) CN110009490A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111372242A (zh) * 2020-01-16 2020-07-03 深圳市随手商业保理有限公司 欺诈识别方法、装置、服务器及存储介质
CN112926991A (zh) * 2021-03-30 2021-06-08 顶象科技有限公司 一种套现团伙严重等级划分方法及系统
CN112950357A (zh) * 2021-03-22 2021-06-11 工银科技有限公司 交易异常团伙识别方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745230A (zh) * 2014-01-14 2014-04-23 四川大学 一种自适应群体异常行为分析方法
CN106934627A (zh) * 2015-12-28 2017-07-07 中国移动通信集团公司 一种电商行业作弊行为的检测方法及装置
CN108616545A (zh) * 2018-06-26 2018-10-02 中国科学院信息工程研究所 一种网络内部威胁的检测方法、系统及电子设备
CN109146638A (zh) * 2018-08-29 2019-01-04 阿里巴巴集团控股有限公司 异常金融交易群体的识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745230A (zh) * 2014-01-14 2014-04-23 四川大学 一种自适应群体异常行为分析方法
CN106934627A (zh) * 2015-12-28 2017-07-07 中国移动通信集团公司 一种电商行业作弊行为的检测方法及装置
CN108616545A (zh) * 2018-06-26 2018-10-02 中国科学院信息工程研究所 一种网络内部威胁的检测方法、系统及电子设备
CN109146638A (zh) * 2018-08-29 2019-01-04 阿里巴巴集团控股有限公司 异常金融交易群体的识别方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111372242A (zh) * 2020-01-16 2020-07-03 深圳市随手商业保理有限公司 欺诈识别方法、装置、服务器及存储介质
CN111372242B (zh) * 2020-01-16 2023-10-03 深圳市卡牛科技有限公司 欺诈识别方法、装置、服务器及存储介质
CN112950357A (zh) * 2021-03-22 2021-06-11 工银科技有限公司 交易异常团伙识别方法及装置
CN112950357B (zh) * 2021-03-22 2024-03-15 工银科技有限公司 交易异常团伙识别方法及装置
CN112926991A (zh) * 2021-03-30 2021-06-08 顶象科技有限公司 一种套现团伙严重等级划分方法及系统
CN112926991B (zh) * 2021-03-30 2024-04-30 中国银联股份有限公司 一种套现团伙严重等级划分方法及系统

Similar Documents

Publication Publication Date Title
CN108734460A (zh) 一种支付方式推荐方法、装置及设备
TW201928841A (zh) 訓練風控模型和風控的方法、裝置及設備
CN111309614B (zh) A/b测试方法、装置及电子设备
CN104951446A (zh) 大数据处理方法及平台
CN110009490A (zh) 异常金融交易群体识别方法及装置
CN109933834A (zh) 一种时序数据预测的模型创建方法及装置
CN109508879B (zh) 一种风险的识别方法、装置及设备
CN109146638A (zh) 异常金融交易群体的识别方法及装置
CN109583890A (zh) 异常交易对象的识别方法、装置及设备
CN108171267A (zh) 用户群划分方法及装置、消息推送方法及装置
CN109887272A (zh) 一种交通人流量的预测方法及装置
TW201833851A (zh) 風控事件自動處理方法及裝置
TWI718379B (zh) 針對使用共享物品的使用者評估方法、裝置及設備
CN109034183A (zh) 一种目标检测方法、装置及设备
CN110119860A (zh) 一种垃圾账号检测方法、装置以及设备
CN110020427A (zh) 策略确定方法和装置
CN109615171A (zh) 特征阈值确定方法及装置、问题对象确定方法及装置
CN109902738A (zh) 网络模块和分配方法及装置、电子设备和存储介质
CN110503435A (zh) 基于区块链的交易预警方法、装置及设备
CN105893224B (zh) 一种资源度量方法及装置
CN107623897B (zh) 地理围栏生成方法及其设备
CN109003090A (zh) 风险控制方法和装置
WO2016037346A1 (en) Measuring and diagnosing noise in urban environment
CN110516713A (zh) 一种目标群体识别方法、装置及设备
CN110502614A (zh) 文本拦截方法、装置、系统以及设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190712