CN110232524A - 社交网络欺诈模型的构建方法、防欺诈方法和装置 - Google Patents

社交网络欺诈模型的构建方法、防欺诈方法和装置 Download PDF

Info

Publication number
CN110232524A
CN110232524A CN201910515291.0A CN201910515291A CN110232524A CN 110232524 A CN110232524 A CN 110232524A CN 201910515291 A CN201910515291 A CN 201910515291A CN 110232524 A CN110232524 A CN 110232524A
Authority
CN
China
Prior art keywords
community
target
fraud
network information
social networks
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
CN201910515291.0A
Other languages
English (en)
Inventor
不公告发明人
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.)
Harbin Harbin Bank Consumption Finance Co Ltd
Original Assignee
Harbin Harbin Bank Consumption Finance Co 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 Harbin Harbin Bank Consumption Finance Co Ltd filed Critical Harbin Harbin Bank Consumption Finance Co Ltd
Priority to CN201910515291.0A priority Critical patent/CN110232524A/zh
Publication of CN110232524A publication Critical patent/CN110232524A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种社交网络欺诈模型的构建方法、防欺诈方法和装置；包括将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到社交网络信息的特征数据，以构建社交网络信息对应的社交网络图谱；基于预设的社区识别算法，对社交网络图谱进行识别，得到社交网络图谱对应的社区个数；获取每个社区内每个社区对象的历史行为数据；根据目标社区内所有历史行为数据，确定目标社区是否存在欺诈行为；若目标社区存在欺诈行为，利用目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型，以便利用社交网络欺诈模型对目标网络信息的欺诈行为进行识别。实现了快速、准确的对目标网络信息的欺诈行为进行识别、预测。

Description

社交网络欺诈模型的构建方法、防欺诈方法和装置
技术领域
本发明涉及消费金融技术领域，具体涉及一种社交网络欺诈模型的构建方法、防欺诈方法和装置。
背景技术
近年来，社交网络飞速发展，越来越多的人开始使用社交网络。随着微博、微信、Facebook等社交网络的普及，社交网络在用户互联网生活中占的比重越来越大。不幸的是，人们在社交网络自由分享的个人信息的轻易获得性使得实施欺诈行为的人能相对容易地窃取用户的凭证和身份信息，从而对消费者进行欺诈，因此，为了有效控制欺诈行为的发生，需要对社交网络中复杂的社交关系进行分析，以及时发现社交网络是否存在欺诈行为。
社交网络分析的传统方法需要人工定义用户行为特征，即当用户的哪些行为特征异于正常范围时，则该用户可能涉嫌欺诈行为，进而将这些行为特征定义为涉嫌欺诈的特征变量，这些涉嫌欺诈的特征变量信赖人类专家对于原始数据的观测和理解，也即通过实际的人类领域知识，通过不断的经验尝试与总结，获取对于某个具体任务下数据最好的表示。这种方式毫无疑问最大限度地发挥人类领域专家的专长，借助人类的经验实现对于原始数据的良好总结与表示。
但是，现有技术对社交网络分析过程中受限于主观与客观条件的限制，人类专家的观测与总结无法做到完全全面与精确；且随着实际场景的改变，往往导致新一轮的特征工程迭代。例如，学习任务目标的更改，或者原始数据分布的改变，及新数据的到来，旧的特征将不再适用于新环境，这就需要对新的特征需要重新设计与选择，耗费较长的时间。
因此，如何快速、准确的对社交网络中存在的欺诈行为进行识别、预测，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种社交网络欺诈模型的构建方法、防欺诈方法和装置，以实现快速、准确的对社交网络中存在的欺诈行为进行识别、预测。
为实现以上目的，本发明提供一种社交网络欺诈模型的构建方法，包括：
将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到所述社交网络信息的特征数据；
基于所述特征数据，构建所述社交网络信息对应的社交网络图谱；
基于预设的社区识别算法，对所述社交网络图谱进行识别，得到所述社交网络图谱对应的社区个数；
获取每个社区内每个社区对象的历史行为数据；
根据目标社区内所有历史行为数据，确定所述目标社区是否存在欺诈行为；
若所述目标社区存在所述欺诈行为，利用所述目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型，以便利用所述社交网络欺诈模型对目标网络信息的欺诈行为进行识别。
进一步地，上述所述的方法中，所述根据目标社区内所有历史行为数据，确定所述目标社区是否存在欺诈行为，包括：
根据目标社区内所有历史行为数据，确定所述目标社区内每个社区对象的单体欺诈风险；
根据所述目标社区内每个社区对象的单体欺诈风险，确定所述目标社区存在欺诈行为的概率；
若所述概率大于或者等于第一预设阈值，确定出所述目标社区存在欺诈行为；
若所述概率小于所述第一预设阈值，确定出所述目标社区不存在欺诈行为。
进一步地，上述所述的方法中，根据目标社区内所有历史行为数据，确定所述目标社区内每个社区对象的单体欺诈风险，包括：
检测所述目标社区内所有历史行为数据是否包括已知欺诈数据；
若所述目标社区内所有历史行为数据包括所述已知欺诈数据，基于预设的风险评估公式，计算所述目标社区内每个社区对象的单体欺诈风险；
所述风险评估公式为：
Rj＝rj+L/d(Vj,Vi)；
L＝sum(Wk)；
d(Vj,Vi)＝min(L)；
其中，Rj为社区对象Vj的单体欺诈风险，rj为社区对象Vj的原有欺诈风险，未识别出欺诈数据的情况下Vj＝0，L为社区对象Vj到社区对象Vi的一条联通路径，L的长度为社区对象Vj到社区对象Vi联通路径中各条边的权重和sum(Wk)，d(Vj,Vi)为社区对象Vj与社区对象Vi之间最短联通路径的距离。
进一步地，上述所述的方法，还包括：
若所述目标社区内所有历史行为数据不包括所述已知欺诈数据，确定可能影响每个社区对象行为的各种属性；
根据每个所述社区对象所述各种属性的分布情况，确定每个社区对象的角色；
计算每个社区对象与所在社区内不同角色的其它社区对象发生欺诈行为的可能性；
基于所述可能性，对所述每个社区对象的单体欺诈风险进行更新。
进一步地，上述所述的方法中，所述社区识别算法包括GN算法和/或基于模块度算法。
本发明还提供一种防欺诈方法，包括：
获取目标对象的目标社交网络信息；
将所述目标社交网络信息输入预先训练的社交网络欺诈模型，得到所述目标社交网络信息对应的特征值；其中，所述社交网络欺诈模型为根据上述所述社交网络欺诈模型的构建方法构建的；
判断所述特征值是否大于第二预设阈值；
若所述特征值大于第二预设阈值，判断出所述目标社交网络信息存在欺诈行为。
进一步地，上述所述的方法中，所述判断出所述目标社交网络信息存在欺诈行为之后，还包括：
生成所述目标社交网络信息对应的警告信息；
将所述警告信息发送给监管终端，以警示监管人员对所述目标对象进行调查。
进一步地，上述所述的方法，还包括：
接收所述监管终端发送的调查结果；
若所述调查结果表示存在欺诈行为，切除所述目标社交网络信息的传播途径。
本发明还提供一种社交网络欺诈模型的构建装置，包括：
第一输入模块，用于将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到所述社交网络信息的特征数据；
构建模块，用于基于所述特征数据，构建所述社交网络信息对应的社交网络图谱；
识别模块，用于基于预设的社区识别算法，对所述社交网络图谱进行识别，得到所述社交网络图谱对应的社区个数；
第一获取模块，用于获取每个社区内每个社区对象的历史行为数据；
确定模块，用于根据目标社区内所有历史行为数据，确定所述目标社区是否存在欺诈行为；
训练模块，用于若所述目标社区存在所述欺诈行为，利用所述目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型，以便利用所述社交网络欺诈模型对目标网络信息的欺诈行为进行识别。
本发明还提供一种防欺诈装置，包括：
第二获取模块，用于获取目标对象的目标社交网络信息；
第二输入模块，用于将所述目标社交网络信息输入预先训练的社交网络欺诈模型，得到所述目标社交网络信息对应的特征值；其中，所述社交网络欺诈模型为根据上述所述社交网络欺诈模型的构建方法构建的；
判断模块，用于判断所述特征值是否大于第二预设阈值；若所述特征值大于第二预设阈值，判断出所述目标社交网络信息存在欺诈行为。
本发明的社交网络欺诈模型的构建方法和装置，通过将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到社交网络信息的特征数据；基于特征数据，构建社交网络信息对应的社交网络图谱；基于预设的社区识别算法，对社交网络图谱进行识别，得到社交网络图谱对应的社区个数；获取每个社区内每个社区对象的历史行为数据；根据目标社区内所有历史行为数据，确定目标社区是否存在欺诈行为；若目标社区存在欺诈行为，利用目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型，以便利用社交网络欺诈模型对目标网络信息的欺诈行为进行识别、预测。采用本发明的技术方案，能够客观、快速、准确的对社交网络信息进行分析，构建社交网络欺诈模型，并能够利用该社交网络欺诈模型快速、准确的对目标网络信息的欺诈行为进行识别、预测。
本实施例的防欺诈方法和装置，通过获取目标对象的目标社交网络信息；将目标社交网络信息输入预先训练的社交网络欺诈模型，得到目标社交网络信息对应的特征值；判断特征值是否大于第二预设阈值；若特征值大于第二预设阈值，判断出目标社交网络信息存在欺诈行为，实现了快速、准确的对目标网络信息的欺诈行为进行识别、预测。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明的社交网络欺诈模型的构建方法实施例一的流程图；
图2为社交网络图谱的示意图；
图3为本发明的社交网络欺诈模型的构建方法实施例二的流程图；
图4为本发明的防欺诈方法实施例一的流程图；
图5为本发明的防欺诈方法实施例二的流程图；
图6为本发明的社交网络欺诈模型的构建装置实施例的结构示意图；
图7为本发明的防欺诈装置实施例一的结构示意图；
图8为本发明的防欺诈装置实施例二的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
图1为本发明的社交网络欺诈模型的构建方法实施例一的流程图，如图1所示，本实施例的社交网络欺诈模型的构建方法具体可以包括如下步骤：
100、将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到所述社交网络信息的特征数据；
自然语言处理主要研究利用计算机对自然语言进行处理和加工的各种理论和方法，是计算机科学、人工智能和语言学领域中的一个重要研究方向。从20世纪50年代萌芽开始到现在，人们对自然语言处理的研究已经有60多年的历史。随着网络信息化时代的快速发展，人们对信息的需求越来越多，自然语言处理所起的作用也越来越大，已广泛应用于信息检索、社会网络分析等领域。因此，本实施例可以基于自然语言处理技术，利用多个样本进行训练，从而构建社交网络提取模型，以对用户的社交网络信息进行识别，构建该用户的社交网络图谱。
具体地，可以利用社交网络爬虫模块获取训练对象的社交网络信息，该社交网络信息可以包括训练对象的个人信息、训练对象发布的文章内容和文章发布的时间等。在得到将训练对象的社交网络信息后，将将训练对象的社交网络信息输入预先构建的社交网络提取模型，社交网络提取模型可以对训练对象的社交网络信息进行分析识别，从而得到社交网络信息的特征数据。其中，社交网络信息的特征数据可以包括人物、事物、人与人之间的关系、人与物之间的关系等。
101、基于社交网络信息的特征数据，构建社交网络信息对应的社交网络图谱；
知识图谱(Knowledge Graph)又称为科学知识图谱，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。为学科研究提供切实的、有价值的参考。
因此，本实施例中，在得到社交网络信息的特征数据后，可以将人物、事物等作为节点，将人与人之间的关系、人与物之间的关系作为边，并进行绘图，以构建社交网络信息对应的社交网络图谱。比如，图2为社交网络图谱的示意图，其中，一个社交网络图谱里，我们既可以有“人”的实体，也可以包含“公司”实体。人和人之间的关系可以是“朋友”(如图2中张三和李四)，也可以是“同事”关系(如图2中，小五和小四)。人和公司之间的关系可以是“现任职”或者“曾任(如图2中，小五和小四、张三和小五)。
102、基于预设的社区识别算法，对得到的社交网络图谱进行识别，得到该社交网络图谱对应的社区个数；
例如，可以基于GN算法和/或基于模块度算法，对得到的社交网络图谱进行识别，得到该社交网络图谱对应的社区个数。
其中，GN算法的计算步骤为：a、计算网络中所有边的介数；b、找到介数最高的边，并将它从网络中移除；c、重复以上步骤，直到每个节点就是一个社区为止。A、基于模块度算法的计算步骤为：B、不断遍历网络中的节点，尝试把单个节点加入能使模块度提升最大的社区，直到所有节点不再改变；将第一阶段形成的一个个小的社区并为一个节点，重新构造网络。这时边的权重为两个节点内所有原始节点的边权重之和；C、重复以上两步。
在一个具体实现过程中，为了保证准确的对网络图谱进行划分，本实施例优选为采用两种算法进行计算，并对两种算法赋予不同的权重值，若出现划分不同的情况下，按照权重值较大的划分结果对网络图谱进行划分。
103、获取每个社区内每个社区对象的历史行为数据；
例如，训练对象的社交网络信息的个人信息中可以包括其在某一段时间内的行为数据，本实施成为历史行为数据。因此，在对社交网络图谱完成社区划分后，可以获取到每个社区内每个社区对象的历史行为数据。
104、根据目标社区内所有历史行为数据，确定目标社区是否存在欺诈行为；
在获取到每个社区内每个社区对象的历史行为数据，可以选取至少一个社区作为目标社区，并对目标社区内的所有历史行为数据进行分析，以便确定目标社区是否存在欺诈行为。
例如，可以对目标社区内的所有历史行为数据进行分析，以确定所述每个社区对象的单体欺诈风险，并根据目标社区内每个社区对象的单体欺诈风险，确定目标社区存在欺诈行为的概率；若目标社区存在欺诈行为的概率大于或者等于第一预设阈值，确定出目标社区存在欺诈行为；若目标社区存在欺诈行为的概率小于第一预设阈值，确定出目标社区不存在欺诈行为。
105、若目标社区存在欺诈行为，利用目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型。
例如，若目标社区存在欺诈行为，可以基于机器学习算法，利用目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型，以便利用社交网络欺诈模型对目标网络信息的欺诈行为进行识别、预测，进而可以采取相应措施，对存在欺诈行为的社区进行处置，防止进一步欺诈传染，给消费者创造良好的社交环境。
本实施例所提供的社交网络欺诈模型的构建方法的执行主体可以为社交网络欺诈模型的构建装置，该社交网络欺诈模型的构建装置具体可以通过软件来集成，例如该社交网络欺诈模型的构建装置具体可以为一个应用，也可以为操作系统中的程序，本发明对此不进行特别限定。
本实施例的社交网络欺诈模型的构建方法，通过将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到社交网络信息的特征数据；基于特征数据，构建社交网络信息对应的社交网络图谱；基于预设的社区识别算法，对社交网络图谱进行识别，得到社交网络图谱对应的社区个数；获取每个社区内每个社区对象的历史行为数据；根据目标社区内所有历史行为数据，确定目标社区是否存在欺诈行为；若目标社区存在欺诈行为，利用目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型，以便利用社交网络欺诈模型对目标网络信息的欺诈行为进行识别、预测。采用本发明的技术方案，能够客观、快速、准确的对社交网络信息进行分析，构建社交网络欺诈模型，并能够利用该社交网络欺诈模型快速、准确的对目标网络信息的欺诈行为进行识别、预测。
图3为本发明的社交网络欺诈模型的构建方法实施例二的流程图，如图3所示，本实施例的社交网络欺诈模型的构建方法在图1所示实施例的基础上，进一步更加详细的对本发明的技术方案进行描述。
如图3所示，本实施例的社交网络欺诈模型的构建方法具体可以包括如下步骤：
300、将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到所述社交网络信息的特征数据；
本实施例中，该步骤的实现原理与上述实施例中步骤100的实现原理相同，在此不再赘述。
301、基于社交网络信息的特征数据，构建社交网络信息对应的社交网络图谱；
本实施例中，该步骤的实现原理与上述实施例中步骤101的实现原理相同，在此不再赘述。
302、基于预设的社区识别算法，对得到的社交网络图谱进行识别，得到该社交网络图谱对应的社区个数；
本实施例中，该步骤的实现原理与上述实施例中步骤102的实现原理相同，在此不再赘述。
303、获取每个社区内每个社区对象的历史行为数据；
本实施例中，该步骤的实现原理与上述实施例中步骤103的实现原理相同，在此不再赘述。
304、检测目标社区内所有历史行为数据是否包括已知欺诈数据；若是，执行步骤305，若否，执行步骤306；
例如，可以预先构建欺诈行为数据库，可以将目标社区内所有历史行为数据与预先构建的欺诈行为数据库进行匹配，对目标社区内所有历史行为数据进行打分，得到相应的打分值，若打分值大于设定的打分阈值，则确定为目标社区内所有历史行为数据包括已知欺诈数据，执行步骤305，否则，确定为目标社区内所有历史行为数据不包括已知欺诈数据，执行步骤306。
305、基于预设的风险评估公式，计算目标社区内每个社区对象的单体欺诈风险；
若确定出目标社区内所有历史行为数据包括已知欺诈数据，则可能存在欺诈传染现象，即尽管同一社区的其它社区对象的历史行为数据并不是已知欺诈数据，但是其也可能进行欺诈行为，此时，可以基于预设的风险评估公式，计算目标社区内每个社区对象的单体欺诈风险。
其中，预设的风险评估公式如下：
Rj＝rj+L/d(Vj,Vi) (1)；
L＝sum(Wk) (2)；
d(Vj,Vi)＝min(L) (3)；
其中，Rj为社区对象Vj的单体欺诈风险，rj为社区对象Vj的原有欺诈风险，未识别出欺诈数据的情况下Vj＝0，L为社区对象Vj到社区对象Vi的一条联通路径，L的长度为社区对象Vj到社区对象Vi联通路径中各条边的权重和sum(Wk)，d(Vj,Vi)为社区对象Vj与社区对象Vi之间最短联通路径的距离。本实施例中的联通路径为两个节点之间存在的至少一个边。如图3所示，张三到李四之间的联通路径为一条，以d1表示，小四到小五的联通路径为3条，以d2和d3表示。小四到小五的最短联通路径为d2。
306、确定可能影响每个社区对象行为的各种属性；
尽管确定出目标社区内所有历史行为数据不包括已知欺诈数据，但该社区的社区对象也可能进行欺诈行为，此时，确定可能影响每个社区对象行为的各种属性。例如，社区对象具有各种属性，有的属性会在很大程度上影响用户的行为，另外用户的行为习惯也会通过属性表现出来。因此要准确预测社区对象行为，必须筛选出与社区对象行为关系比较大的属性。本实施例中的每个社区对象行为的各种属性可以包括节点的度、邻接三角形、社区对象发布的文章内容和文章发布的时间等。其中，节点的度为连接点活跃性的度量，以及与点相连的边的数目。在社交网络图谱中，以节点M为起点记为出度(out degree)OD(M)，以顶点M为终点入度(In degree)ID(M)，则节点M的度为D(M)＝OD(M)+ID(M)。
307、根据每个所述社区对象所述各种属性的分布情况，确定每个社区对象所述的角色；
在确定每个社区对象行为的各种属性后，可以根据每个社区对象各种属性的分布情况，确定每个社区对象的角色。例如，可以设定每个社区对象行为的各种属性符合正态分布，并通过相关公式，计算、验证确定每个社区对象可能属于的多个角色，并从中选择可能性最大的角度作为每个社区对象的角色。
308、计算每个社区对象与所在社区内不同角色的其它社区对象发生欺诈行为的可能性；
可以基于相关公式，计算每个社区对象与所在社区内不同角色的其它社区对象发生欺诈行为的可能性。
309、基于得到的可能性，确定每个社区对象的单体欺诈风险。
在得到每个社区对象与所在社区内不同角色的其它社区对象发生欺诈行为的可能性后，可以根据预设的可能性与单体欺诈风险的关联关系，确定相应可能性的单体欺诈风险，进而确定每个社区对象的单体欺诈风险。
310、根据目标社区内每个社区对象的单体欺诈风险，确定目标社区存在欺诈行为的概率；
在得到目标社区内每个社区对象的单体欺诈风险后，可以将每个社区对象的单体欺诈风险对应的风险值进行求和运算，得到相应的求和值，并根据预设的风险值与欺诈行为概率的关联关系，确定目标社区存在欺诈行为的概率。例如，以风险值的总分为10为例对本发明的技术方案进行描述。若风险值为10，其对应的概率为100％，若为9，其对应的概率为90％，依次类推。
311、检测目标社区存在欺诈行为的概率是否小于第一预设阈值；若是执行步骤312，若否，执行步骤313；
本实施例中，在得到目标社区存在欺诈行为的概率，需要检测目标社区存在欺诈行为的概率是否小于第一预设阈值；若是执行步骤312，若否，执行步骤313；其中，可以预先设定40％为第一预设阈值。
313、确定出目标社区不存在欺诈行为，结束；
若检测出目标社区存在欺诈行为的概率小于第一预设阈值，则确定出目标社区不存在欺诈行为，即可结束。
313、确定出目标社区存在欺诈行为；
若检测出目标社区存在欺诈行为的概率小于第一预设阈值，则确定出目标社区不存在欺诈行为，执行步骤314。
314、利用目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型。
本实施例中，该步骤的实现原理与上述实施例中步骤105的实现原理相同，在此不再赘述。
本实施例的社交网络欺诈模型的构建方法，能够客观、快速、准确的对社交网络信息进行分析，构建社交网络欺诈模型，并能够利用该社交网络欺诈模型快速、准确的对目标网络信息的欺诈行为进行识别、预测。
图4为本发明的防欺诈方法实施例一的流程图，如图4所示，本实施例的防欺诈方法具体可以包括如下步骤：
400、获取目标对象的目标社交网络信息；
本实施例中，可以将需要进行识别的对象定义为目标对象，并利用社交网络爬虫模块获取目标对象的社交网络信息。
401、将目标社交网络信息输入预先训练的社交网络欺诈模型，得到目标社交网络信息对应的特征值；
其中，该交网络欺诈模型为根据上述实施例的社交网络欺诈模型的构建方法构建的。在获得目标对象的社交网络信息后，可以将目标对象的社交网络信息输入该目标对象的社交网络信息，以便利用目标对象的社交网络信息对目标社交网络信息进行识别，得到目标社交网络信息对应的特征值。
402、判断特征值是否大于第二预设阈值；
403、若特征值大于第二预设阈值，判断出目标社交网络信息存在欺诈行为。
在得到目标社交网络信息对应的特征值后，可以与目标社交网络信息对应的特征值进行比较，判断特征值是否大于第二预设阈值，若特征值大于第二预设阈值，判断出目标社交网络信息存在欺诈行为。
本实施例所提供的防欺诈方法的执行主体可以为防欺诈装置，该社交网络欺诈模型的构建装置具体可以通过软件来集成，例如该防欺诈装置具体可以为一个应用，也可以为操作系统中的程序，本发明对此不进行特别限定。
本实施例的防欺诈方法，通过获取目标对象的目标社交网络信息；将目标社交网络信息输入预先训练的社交网络欺诈模型，得到目标社交网络信息对应的特征值；判断特征值是否大于第二预设阈值；若特征值大于第二预设阈值，判断出目标社交网络信息存在欺诈行为，实现了快速、准确的对目标网络信息的欺诈行为进行识别、预测。
图5为本发明的防欺诈方法实施例二的流程图，如图5所示，本实施例的防欺诈方法在图4所示实施例的基础上，进一步更加详细的对本发明的技术方案进行描述。
如图5所示，本实施例的防欺诈方法具体可以包括如下步骤：
500、获取目标对象的目标社交网络信息；
501、将目标社交网络信息输入预先训练的社交网络欺诈模型，得到目标社交网络信息对应的特征值；
502、判断特征值是否大于第二预设阈值；若是，执行步骤503，若否，结束。
503、判断出目标社交网络信息存在欺诈行为；
504、生成目标社交网络信息对应的警告信息；
505、将警告信息发送给监管终端；
在生成警告信息后，可以将警告信息发送给监管终端，以警示监管人员对目标对象进行调查，这样，监管人员通过监管终端看到警告信息后，可以对目标对象进行调查，以便确定目标对象的社交网络信息是否存在欺诈行为，并将调查结果进行反馈。
506、接收监管终端发送的调查结果；
507、若调查结果表示存在欺诈行为，切除目标社交网络信息的传播途径。
若调查结果表示存在欺诈行为，切除目标社交网络信息的传播途径，否则，结束。
图6为本发明的社交网络欺诈模型的构建装置实施例的结构示意图，如图6所示，本实施例的社交网络欺诈模型的构建装置包括第一输入模块10、构建模块11、识别模块12、第一获取模块13、确定模块14和训练模块15：
第一输入模块10，用于将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到社交网络信息的特征数据；
构建模块11，用于基于特征数据，构建社交网络信息对应的社交网络图谱；
识别模块12，用于基于预设的社区识别算法，对社交网络图谱进行识别，得到社交网络图谱对应的社区个数；其中，所述社区识别算法包括GN算法和/或基于模块度算法。
第一获取模块13，用于获取每个社区内每个社区对象的历史行为数据；
确定模块14，用于根据目标社区内所有历史行为数据，确定目标社区是否存在欺诈行为；
训练模块15，用于若目标社区存在欺诈行为，利用目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型，以便利用社交网络欺诈模型对目标网络信息的欺诈行为进行识别。
本实施例的社交网络欺诈模型的构建装置，通过将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到社交网络信息的特征数据；基于特征数据，构建社交网络信息对应的社交网络图谱；基于预设的社区识别算法，对社交网络图谱进行识别，得到社交网络图谱对应的社区个数；获取每个社区内每个社区对象的历史行为数据；根据目标社区内所有历史行为数据，确定目标社区是否存在欺诈行为；若目标社区存在欺诈行为，利用目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型，以便利用社交网络欺诈模型对目标网络信息的欺诈行为进行识别、预测。采用本发明的技术方案，能够客观、快速、准确的对社交网络信息进行分析，构建社交网络欺诈模型，并能够利用该社交网络欺诈模型快速、准确的对目标网络信息的欺诈行为进行识别、预测。
在一个具体实现过程中，确定模块14，具体用于根据目标社区内所有历史行为数据，确定所述目标社区内每个社区对象的单体欺诈风险；根据所述目标社区内每个社区对象的单体欺诈风险，确定所述目标社区存在欺诈行为的概率；若所述概率大于或者等于第一预设阈值，确定出所述目标社区存在欺诈行为；若所述概率小于所述第一预设阈值，确定出所述目标社区不存在欺诈行为。
例如，可以检测所述目标社区内所有历史行为数据是否包括已知欺诈数据；若所述目标社区内所有历史行为数据包括所述已知欺诈数据，基于预设的风险评估公式，计算所述目标社区内每个社区对象的单体欺诈风险；其中，其中，预设的风险评估公式如下：
Rj＝rj+L/d(Vj,Vi) (1)；
L＝sum(Wk) (2)；
d(Vj,Vi)＝min(L) (3)；
其中，Rj为社区对象Vj的单体欺诈风险，rj为社区对象Vj的原有欺诈风险，未识别出欺诈数据的情况下Vj＝0，L为社区对象Vj到社区对象Vi的一条联通路径，L的长度为社区对象Vj到社区对象Vi联通路径中各条边的权重和sum(Wk)，d(Vj,Vi)为社区对象Vj与社区对象Vi之间最短联通路径的距离。本实施例中的联通路径为两个节点之间存在的至少一个边。如图3所示，张三到李四之间的联通路径为一条，以d1表示，小四到小五的联通路径为3条，以d2和d3表示。小四到小五的最短联通路径为d2。
本实施例中，若所述目标社区内所有历史行为数据不包括所述已知欺诈数据，确定可能影响每个社区对象行为的各种属性；根据每个社区对象各种属性的分布情况，确定每个社区对象的角色；计算每个社区对象与所在社区内不同角色的其它社区对象发生欺诈行为的可能性；基于可能性，对每个社区对象的单体欺诈风险进行更新。
图7为本发明的防欺诈装置实施例一的结构示意图，如图7所示，本实施例的防欺诈装置包括第二获取模块20、第二输入模块21和判断模块22。
第二获取模块20，用于获取目标对象的目标社交网络信息；
第二输入模块21，用于将目标社交网络信息输入预先训练的社交网络欺诈模型，得到目标社交网络信息对应的特征值；其中，
判断模块22，用于判断特征值是否大于第二预设阈值；若特征值大于第二预设阈值，判断出目标社交网络信息存在欺诈行为。
本实施例的防欺诈装置，通过获取目标对象的目标社交网络信息；将目标社交网络信息输入预先训练的社交网络欺诈模型，得到目标社交网络信息对应的特征值；判断特征值是否大于第二预设阈值；若特征值大于第二预设阈值，判断出目标社交网络信息存在欺诈行为，实现了快速、准确的对目标网络信息的欺诈行为进行识别、预测。
图8为本发明的防欺诈装置实施例二的结构示意图，如图8所示，本实施例的防欺诈装置在图7所示实施例的基础上，进一步还可以包括生成模块23、发送模块24、接收模块25和切除模块26。
生成模块23，用于生成目标社交网络信息对应的警告信息；
发送模块24，用于将警告信息发送给监管终端，以警示监管人员对目标对象进行调查。
接收模块25，用于接收监管终端发送的调查结果；
切除模块26，用于若调查结果表示存在欺诈行为，切除目标社交网络信息的传播途径。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明还提供一种社交网络欺诈模型的构建设备，包括第一存储器和第一处理器；
所述第一处理器与第一存储器通过通信总线相连接：
其中，所述第一处理器，用于调用并执行所述第一存储器中存储的程序；
所述第一存储器，用于存储所述程序，所述程序至少用于执行上述实施例的社交网络欺诈模型的构建方法。
本发明还提供一种防欺诈设备，包括第二存储器和第二处理器；
所述第二处理器与第二存储器通过通信总线相连接：
其中，所述第二处理器，用于调用并执行所述第二存储器中存储的程序；
所述第二存储器，用于存储所述程序，所述程序至少用于执行上述实施例的防欺诈方法。
本发明还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上实施例所述的社交网络欺诈模型的构建方法或者防欺诈方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种社交网络欺诈模型的构建方法，其特征在于，包括：
将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到所述社交网络信息的特征数据；
基于所述特征数据，构建所述社交网络信息对应的社交网络图谱；
基于预设的社区识别算法，对所述社交网络图谱进行识别，得到所述社交网络图谱对应的社区个数；
获取每个社区内每个社区对象的历史行为数据；
根据目标社区内所有历史行为数据，确定所述目标社区是否存在欺诈行为；
若所述目标社区存在所述欺诈行为，利用所述目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型，以便利用所述社交网络欺诈模型对目标网络信息的欺诈行为进行识别。
2.根据权利要求1所述的方法，其特征在于，所述根据目标社区内所有历史行为数据，确定所述目标社区是否存在欺诈行为，包括：
根据目标社区内所有历史行为数据，确定所述目标社区内每个社区对象的单体欺诈风险；
根据所述目标社区内每个社区对象的单体欺诈风险，确定所述目标社区存在欺诈行为的概率；
若所述概率大于或者等于第一预设阈值，确定出所述目标社区存在欺诈行为；
若所述概率小于所述第一预设阈值，确定出所述目标社区不存在欺诈行为。
3.根据权利要求2所述的方法，其特征在于，根据目标社区内所有历史行为数据，确定所述目标社区内每个社区对象的单体欺诈风险，包括：
检测所述目标社区内所有历史行为数据是否包括已知欺诈数据；
若所述目标社区内所有历史行为数据包括所述已知欺诈数据，基于预设的风险评估公式，计算所述目标社区内每个社区对象的单体欺诈风险；
所述风险评估公式为：
Rj＝rj+L/d(Vj,Vi)；
L＝sum(Wk)；
d(Vj,Vi)＝min(L)；
其中，Rj为社区对象Vj的单体欺诈风险，rj为社区对象Vj的原有欺诈风险，未识别出欺诈数据的情况下Vj＝0，L为社区对象Vj到社区对象Vi的一条联通路径，L的长度为社区对象Vj到社区对象Vi联通路径中各条边的权重和sum(Wk)，d(Vj,Vi)为社区对象Vj与社区对象Vi之间最短联通路径的距离。
4.根据权利要求3所述的方法，其特征在于，还包括：
若所述目标社区内所有历史行为数据不包括所述已知欺诈数据，确定可能影响每个社区对象行为的各种属性；
根据每个所述社区对象所述各种属性的分布情况，确定每个社区对象的角色；
计算每个社区对象与所在社区内不同角色的其它社区对象发生欺诈行为的可能性；
基于所述可能性，对所述每个社区对象的单体欺诈风险进行更新。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述社区识别算法包括GN算法和/或基于模块度算法。
6.一种防欺诈方法，其特征在于，包括：
获取目标对象的目标社交网络信息；
将所述目标社交网络信息输入预先训练的社交网络欺诈模型，得到所述目标社交网络信息对应的特征值；其中，所述交网络欺诈模型为根据权利要求1-5任一项所述社交网络欺诈模型的构建方法构建的；
判断所述特征值是否大于第二预设阈值；
若所述特征值大于第二预设阈值，判断出所述目标社交网络信息存在欺诈行为。
7.根据权利要求6所述的方法，其特征在于，所述判断出所述目标社交网络信息存在欺诈行为之后，还包括：
生成所述目标社交网络信息对应的警告信息；
将所述警告信息发送给监管终端，以警示监管人员对所述目标对象进行调查。
8.根据权利要求7所述的方法，其特征在于，还包括：
接收所述监管终端发送的调查结果；
若所述调查结果表示存在欺诈行为，切除所述目标社交网络信息的传播途径。
9.一种社交网络欺诈模型的构建装置，其特征在于，包括：
第一输入模块，用于将训练对象的社交网络信息输入预先构建的社交网络提取模型，得到所述社交网络信息的特征数据；
构建模块，用于基于所述特征数据，构建所述社交网络信息对应的社交网络图谱；
识别模块，用于基于预设的社区识别算法，对所述社交网络图谱进行识别，得到所述社交网络图谱对应的社区个数；
第一获取模块，用于获取每个社区内每个社区对象的历史行为数据；
确定模块，用于根据目标社区内所有历史行为数据，确定所述目标社区是否存在欺诈行为；
训练模块，用于若所述目标社区存在所述欺诈行为，利用所述目标社区内所有历史行为数据对预先构建的神经网络模型进行训练，得到社交网络欺诈模型，以便利用所述社交网络欺诈模型对目标网络信息的欺诈行为进行识别。
10.一种防欺诈装置，其特征在于，包括：
第二获取模块，用于获取目标对象的目标社交网络信息；
第二输入模块，用于将所述目标社交网络信息输入预先训练的社交网络欺诈模型，得到所述目标社交网络信息对应的特征值；其中，所述
判断模块，用于判断所述特征值是否大于第二预设阈值；若所述特征值大于第二预设阈值，判断出所述目标社交网络信息存在欺诈行为。
CN201910515291.0A 2019-06-14 2019-06-14 社交网络欺诈模型的构建方法、防欺诈方法和装置 Pending CN110232524A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910515291.0A CN110232524A (zh) 2019-06-14 2019-06-14 社交网络欺诈模型的构建方法、防欺诈方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910515291.0A CN110232524A (zh) 2019-06-14 2019-06-14 社交网络欺诈模型的构建方法、防欺诈方法和装置

Publications (1)

Publication Number Publication Date
CN110232524A true CN110232524A (zh) 2019-09-13

Family

ID=67859170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910515291.0A Pending CN110232524A (zh) 2019-06-14 2019-06-14 社交网络欺诈模型的构建方法、防欺诈方法和装置

Country Status (1)

Country Link
CN (1) CN110232524A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259167A (zh) * 2020-02-11 2020-06-09 广州众赢科技有限公司 用户请求风险识别方法及装置
CN111309824A (zh) * 2020-02-18 2020-06-19 中国工商银行股份有限公司 实体关系图谱显示方法及系统
CN111711614A (zh) * 2020-05-27 2020-09-25 平安科技（深圳）有限公司 基于知识图谱的可疑用户验证方法、装置及计算机设备
CN111835622A (zh) * 2020-07-10 2020-10-27 腾讯科技（深圳）有限公司 信息拦截方法、装置、计算机设备和存储介质
CN111917574A (zh) * 2020-07-21 2020-11-10 上海阿尔卡特网络支援系统有限公司 社交网络拓扑模型及构建方法、用户置信度和亲密度计算方法及电信诈骗智能拦截系统
CN112256886A (zh) * 2020-10-23 2021-01-22 平安科技（深圳）有限公司 图谱中的概率计算方法、装置、计算机设备及存储介质
CN112669187A (zh) * 2020-12-31 2021-04-16 深圳云天励飞技术股份有限公司 身份识别方法、装置、电子设备及相关产品
CN113159922A (zh) * 2021-04-26 2021-07-23 深圳壹账通智能科技有限公司 一种数据的流向识别方法、装置、设备及介质
CN115344697A (zh) * 2022-08-03 2022-11-15 南京审计大学 一种在线问答社区中检测欺诈性问答的方法
CN116226527A (zh) * 2023-03-03 2023-06-06 中浙信科技咨询有限公司 通过居民大数据实现行为预测的数字化社区治理方法
CN116226527B (zh) * 2023-03-03 2024-06-07 中浙信科技咨询有限公司 通过居民大数据实现行为预测的数字化社区治理方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120272305A1 (en) * 2008-08-19 2012-10-25 Eharmony, Inc. Creating tests to identify fraudulent users
CN105894387A (zh) * 2016-04-01 2016-08-24 清华大学 一种预测在线社交网络用户行为的方法
CN107194623A (zh) * 2017-07-20 2017-09-22 深圳市分期乐网络科技有限公司 一种团伙欺诈的发现方法及装置
CN107292424A (zh) * 2017-06-01 2017-10-24 四川新网银行股份有限公司 一种基于复杂社交网络的反欺诈和信用风险预测方法
CN107590504A (zh) * 2017-07-31 2018-01-16 阿里巴巴集团控股有限公司 异常主体识别方法和装置、服务器
CN107767262A (zh) * 2017-10-24 2018-03-06 上海点融信息科技有限责任公司 信息处理方法、装置和计算机可读存储介质
CN107943879A (zh) * 2017-11-14 2018-04-20 上海维信荟智金融科技有限公司 基于社交网络的欺诈团体检测方法及系统
CN108009915A (zh) * 2017-12-21 2018-05-08 连连银通电子支付有限公司 一种欺诈用户社区的标记方法及相关装置
CN108492173A (zh) * 2018-03-23 2018-09-04 上海氪信信息技术有限公司 一种基于双模网络图挖掘算法的信用卡反欺诈预测方法
CN108681936A (zh) * 2018-04-26 2018-10-19 浙江邦盛科技有限公司 一种基于模块度和平衡标签传播的欺诈团伙识别方法
CN108734479A (zh) * 2018-04-12 2018-11-02 阿里巴巴集团控股有限公司 保险欺诈识别的数据处理方法、装置、设备及服务器
CN109002470A (zh) * 2018-06-12 2018-12-14 东方银谷（北京）投资管理有限公司 知识图谱构建方法及装置、客户端
CN109598331A (zh) * 2018-12-04 2019-04-09 北京芯盾时代科技有限公司 一种欺诈识别模型训练方法、欺诈识别方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120272305A1 (en) * 2008-08-19 2012-10-25 Eharmony, Inc. Creating tests to identify fraudulent users
CN105894387A (zh) * 2016-04-01 2016-08-24 清华大学 一种预测在线社交网络用户行为的方法
CN107292424A (zh) * 2017-06-01 2017-10-24 四川新网银行股份有限公司 一种基于复杂社交网络的反欺诈和信用风险预测方法
CN107194623A (zh) * 2017-07-20 2017-09-22 深圳市分期乐网络科技有限公司 一种团伙欺诈的发现方法及装置
CN107590504A (zh) * 2017-07-31 2018-01-16 阿里巴巴集团控股有限公司 异常主体识别方法和装置、服务器
CN107767262A (zh) * 2017-10-24 2018-03-06 上海点融信息科技有限责任公司 信息处理方法、装置和计算机可读存储介质
CN107943879A (zh) * 2017-11-14 2018-04-20 上海维信荟智金融科技有限公司 基于社交网络的欺诈团体检测方法及系统
CN108009915A (zh) * 2017-12-21 2018-05-08 连连银通电子支付有限公司 一种欺诈用户社区的标记方法及相关装置
CN108492173A (zh) * 2018-03-23 2018-09-04 上海氪信信息技术有限公司 一种基于双模网络图挖掘算法的信用卡反欺诈预测方法
CN108734479A (zh) * 2018-04-12 2018-11-02 阿里巴巴集团控股有限公司 保险欺诈识别的数据处理方法、装置、设备及服务器
CN108681936A (zh) * 2018-04-26 2018-10-19 浙江邦盛科技有限公司 一种基于模块度和平衡标签传播的欺诈团伙识别方法
CN109002470A (zh) * 2018-06-12 2018-12-14 东方银谷（北京）投资管理有限公司 知识图谱构建方法及装置、客户端
CN109598331A (zh) * 2018-12-04 2019-04-09 北京芯盾时代科技有限公司 一种欺诈识别模型训练方法、欺诈识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何开宇: "《数字化时代的全球个人金融创新》", 31 December 2018, 北京：中国金融出版社 *
胡鹏飞: "金融科技在互联网金融行业性风险防范领域的应用", 《专栏：2017年度大数据应用实践TOP10》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259167A (zh) * 2020-02-11 2020-06-09 广州众赢科技有限公司 用户请求风险识别方法及装置
CN111259167B (zh) * 2020-02-11 2024-03-15 简链科技(广东)有限公司 用户请求风险识别方法及装置
CN111309824B (zh) * 2020-02-18 2023-09-15 中国工商银行股份有限公司 实体关系图谱显示方法及系统
CN111309824A (zh) * 2020-02-18 2020-06-19 中国工商银行股份有限公司 实体关系图谱显示方法及系统
CN111711614A (zh) * 2020-05-27 2020-09-25 平安科技（深圳）有限公司 基于知识图谱的可疑用户验证方法、装置及计算机设备
CN111835622A (zh) * 2020-07-10 2020-10-27 腾讯科技（深圳）有限公司 信息拦截方法、装置、计算机设备和存储介质
CN111917574A (zh) * 2020-07-21 2020-11-10 上海阿尔卡特网络支援系统有限公司 社交网络拓扑模型及构建方法、用户置信度和亲密度计算方法及电信诈骗智能拦截系统
CN112256886B (zh) * 2020-10-23 2023-06-27 平安科技（深圳）有限公司 图谱中的概率计算方法、装置、计算机设备及存储介质
CN112256886A (zh) * 2020-10-23 2021-01-22 平安科技（深圳）有限公司 图谱中的概率计算方法、装置、计算机设备及存储介质
WO2022142903A1 (zh) * 2020-12-31 2022-07-07 深圳云天励飞技术股份有限公司 身份识别方法、装置、电子设备及相关产品
CN112669187A (zh) * 2020-12-31 2021-04-16 深圳云天励飞技术股份有限公司 身份识别方法、装置、电子设备及相关产品
CN112669187B (zh) * 2020-12-31 2024-04-02 深圳云天励飞技术股份有限公司 身份识别方法、装置、电子设备及相关产品
CN113159922A (zh) * 2021-04-26 2021-07-23 深圳壹账通智能科技有限公司 一种数据的流向识别方法、装置、设备及介质
CN115344697A (zh) * 2022-08-03 2022-11-15 南京审计大学 一种在线问答社区中检测欺诈性问答的方法
CN116226527A (zh) * 2023-03-03 2023-06-06 中浙信科技咨询有限公司 通过居民大数据实现行为预测的数字化社区治理方法
CN116226527B (zh) * 2023-03-03 2024-06-07 中浙信科技咨询有限公司 通过居民大数据实现行为预测的数字化社区治理方法

Similar Documents

Publication Publication Date Title
CN110232524A (zh) 社交网络欺诈模型的构建方法、防欺诈方法和装置
De Meo et al. On Facebook, most ties are weak
Thomas et al. Research designs for evaluating the impact of community-based management on natural resource conservation
Ting Analysis of job satisfaction of the federal white-collar work force: Findings from the Survey of Federal Employees
Favaretto et al. Using big five personality model to detect cultural aspects in crowds
CN109712718A (zh) 基于人工智能分析学生心理的方法、装置及存储介质
CN110909880A (zh) 一种基于深度知识追踪的众包工人表现预测方法
CN104573017A (zh) 识别网络水军团体的方法及系统
CN106845817A (zh) 在线强化学习交易系统及方法
CN110366735A (zh) 分析数据的方法、设备及计算机程序
Mandal et al. Using eye movement data visualization to enhance training of air traffic controllers: A dynamic network approach
Vuckovic et al. A sequential sampling account of response bias and speed–accuracy tradeoffs in a conflict detection task.
Dutta et al. An adversarial explainable artificial intelligence (XAI) based approach for action forecasting
CN110460608A (zh) 一种包含关联分析的态势感知方法和系统
CN106100870A (zh) 一种基于链路预测的社会网络事件检测方法
CN107784411A (zh) 模型中关键变量的探测方法及装置
Mueller et al. Using demographic pattern analysis to predict covid-19 fatalities on the us county level
CN113835973B (zh) 一种模型训练方法及相关装置
Rosen et al. " Influence Net" Modeling for Strategic Planning: A Structured Approach to Information Operations
Didehkhani et al. Assessing flexibility in supply chain using adaptive neuro fuzzy inference system
Dahiya et al. An Intelligent Ranking Model for Multi-Criteria Decision Making Using Fuzzy Matrix Method
Mejtoft et al. Creative Capabilities of Machine Learning: Evaluating music created by algorithms
Mosier Judgment and prediction
CN110009415A (zh) 一种电子商务系统中新卖家的声誉预测方法
Joshi et al. Application of Intuitionistic fuzzy and Hamming Distance Measure in Multiple Attribute Decision Making (MADM)

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190913

RJ01 Rejection of invention patent application after publication