CN110349004A - 基于用户节点关系网络的欺诈风险侦测方法及装置 - Google Patents
基于用户节点关系网络的欺诈风险侦测方法及装置 Download PDFInfo
- Publication number
- CN110349004A CN110349004A CN201910587692.7A CN201910587692A CN110349004A CN 110349004 A CN110349004 A CN 110349004A CN 201910587692 A CN201910587692 A CN 201910587692A CN 110349004 A CN110349004 A CN 110349004A
- Authority
- CN
- China
- Prior art keywords
- user
- network
- node
- user node
- relational network
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Abstract
本发明公开了基于用户节点关系网络的欺诈风险侦测方法，包括：获取用户终端相关数据；基于所述用户终端相关数据及用户属性相关数据，构建用户节点关系网络；基于所述用户节点关系网络挖掘欺诈相关变量，构建用户的欺诈风险侦测模型。进而加深对用户的评价，从而达到提升欺诈识别率和预测风险的目的，有效识别团伙欺诈可降低公司因欺诈风险带来的经济损失。
Description
技术领域
本发明涉及计算机领域，尤其涉及基于用户节点关系网络的欺诈风险侦测方法及装置。
背景技术
随着网络技术的发展和普及，与互联网技术相结合的金融产业也呈现出快速发展的态势，例如非纯线上信贷平台。纯线上信贷平台的交易主体借助互联网媒介，在线上完成信息发布、信息获取、资料填写、申请提交、资助审核、账户绑定、资金划转、合同签订等全部或者部分业务环节，最终实现资金的融通。该模式区别于传统信贷模式的特点是，减少了对物理网点和线下人工的依赖，提高了资金融通的效率，降低了资金融通的成本。
基于互联网开展的信贷业务越来越多，同时出现很多进行诈骗的欺诈用户，大部分欺诈用户具有团伙组织规划的特点，一旦有组织的欺诈用户诈骗成功后，诈骗结果所涉范围广泛、数额巨大，会造成极大的资金损失，很大程度上影响企业的运营和资金回转。
可见，团伙欺诈是造成非纯线上信贷平台坏账风险的主要因素，有效识别团伙欺诈可降低企业因欺诈风险带来的经济损失。但是，非纯线上信贷平台经能获取用户的终端设备数据，即基于单个用户的终端设备数据，较为孤立的评价该用户的欺诈风险情况，忽略了很多与该用户相关的其他风险情况，进而无法对团伙欺诈行为用户进行更好地评价和识别。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
鉴于上述问题，提出了本说明书以便提供一种克服上述问题或者至少部分地解决上述问题的一种用户节点关系网络的欺诈风险侦测方法及装置。
本发明说明书公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
第一方面，本发明说明书提供一种基于用户节点关系网络的欺诈风险侦测方法，包括：
获取用户终端相关数据；
基于所述用户终端相关数据及用户属性相关数据，构建用户节点关系网络；
基于所述用户节点关系网络挖掘欺诈相关变量，构建用户的欺诈风险侦测模型。
在本公开的一种示例性实施例中，所述基于所述用户终端相关数据及用户属性相关数据，构建用户节点关系网络包括：
以用户和终端信息为节点构建二分图网络；
以所述二分图网络的用户节点构建所述用户节点关系网络。
在本公开的一种示例性实施例中，所述以用户和终端信息为节点构建二分图网络包括：
以用户和终端信息之间的联系为所述二分图网络的用户节点和终端信息节点的边，其中用户和终端信息之间的联系为用户和终端信息之间发生互通的关联关系。
在本公开的一种示例性实施例中，所述以所述二分图网络的用户节点构建所述用户节点关系网络包括：
以各用户之间的联系为所述用户节点关系网络的各网络节点的边，其中各用户之间的联系为任意两用户之间发生关联同一终端信息的关系。
在本公开的一种示例性实施例中，所述基于所述用户终端相关数据及用户属性相关数据，构建用户节点关系网络包括：
以各用户为所述用户节点关系网络中的各网络节点；
以各用户之间的联系为所述用户节点关系网络的各网络节点的边，其中各用户之间的联系为任意两用户之间发生关联同一终端信息的关系。
在本公开的一种示例性实施例中，所述相关变量包括所用户节点关系网络图结构相关特征和关联用户属性统计特征。
在本公开的一种示例性实施例中，采用xgboost构建所述基于用户节点关系网络的欺诈风险侦测模型。
在本公开的一种示例性实施例中，所述用户终端相关数据包括以下方式的一种或多种组合：
设备数据、设备位置信息数据、用户行为数据。
在本公开的一种示例性实施例中，所述终端信息数据包括以下方式的一种或多种组合：
设备数据、设备位置信息数据、用户行为数据。
第二方面，本发明说明书提供一种基于用户节点关系网络的欺诈风险侦测装置，包括：
用户终端数据模块，用于获取用户终端相关数据；
用户节点网络模块，用于基于所述用户终端相关数据，构建用户节点关系网络；
模型侦测模块，用于基于所述用户节点关系网络的用户二度内关联用户的风险信息，构建用户的欺诈风险侦测模型。
在本公开的一种示例性实施例中，所述基于所述用户终端相关数据，构建用户节点关系网络包括：
以用户和终端信息为节点构建二分图网络；
以所述二分图网络的用户节点构建所述用户节点关系网络。
在本公开的一种示例性实施例中，所述以用户和终端信息为节点构建二分图网络包括：
以用户和终端信息之间的联系为所述二分图网络的用户节点和终端信息节点的边，其中用户和终端信息之间的联系为用户和终端信息之间发生互通的关联关系。
在本公开的一种示例性实施例中，所述以所述二分图网络的用户节点构建所述用户节点关系网络包括：
以各用户之间的联系为所述用户节点关系网络的各网络节点的边，其中各用户之间的联系为任意两用户之间发生关联同一终端信息的关系。
在本公开的一种示例性实施例中，所述基于所述用户终端相关数据，构建用户节点关系网络包括：
以各用户为所述用户节点关系网络中的各网络节点；
以各用户之间的联系为所述用户节点关系网络的各网络节点的边，其中各用户之间的联系为任意两用户之间发生关联同一终端信息的关系。
在本公开的一种示例性实施例中，所述风险信息包括所用户节点关系网络图结构相关特征和关联用户属性统计特征。
在本公开的一种示例性实施例中，采用xgboost构建所述基于用户节点关系网络的欺诈风险侦测模型。
在本公开的一种示例性实施例中，所述用户终端相关数据包括以下方式的一种或多种组合：
设备数据、设备位置信息数据、用户行为数据
在本公开的一种示例性实施例中，所述终端信息数据包括以下方式的一种或多种组合：
设备数据、设备位置信息数据、用户行为数据。
第三方面，本发明说明书提供一种服务器，包括处理器和存储器：所述存储器用于存储上述任一项所述方法的程序；所述处理器被配置为用于执行所述存储器中存储的程序实现上述任一项所述方法的步骤。
第四方面，本发明说明书实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
本发明通过获取用户终端相关数据基于所述用户终端相关数据及用户属性相关数据，进而构建用户节点关系网络，然后基于所述用户节点关系网络挖掘欺诈相关变量，构建用户的欺诈风险侦测模型。能够更全面深入的评价用户申请，从而达到提升欺诈识别率和预测风险的目的。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
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是根据一示例性实施例示出的基于用户节点关系网络的欺诈风险侦测方法的流程图。
图2是根据另一示例性实施例示出的一种基于用户节点关系网络的欺诈风险侦测方法的装置的框图。
图3是根据一示例性实施例示出的基于用户节点关系网络中用户节点和设备信息节点构成的二分图。
图4是基于图3的二分图网络投射形成的用户网络图。
图5是根据一示例性实施例示出的一个服务器的框图。
图6是根据一示例性实施例示出的一个可读的计算机存储介质的框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
下面，通过几个具体的实施例对本发明的技术方案进行详细介绍和说明。
见图1，基于用户节点关系网络的欺诈风险侦测方法，包括：
S101：获取用户终端相关数据。所述用户终端相关数据包括设备数据、设备位置信息数据、用户行为数据中的一种或多种。具体来说，获取用户终端相关数据就是获取用户的设备数据、设备位置信息数据以及用户的行为数据。
S102:基于所述用户终端相关数据及用户属性相关数据，构建用户节点关系网络。
在一实施方式中，所述S102具体包括：
以用户和终端信息为节点构建二分图网络；以用户和终端信息之间的联系为所述二分图网络的用户节点和终端信息节点的边，其中用户和终端信息之间的联系为用户和终端信息之间发生互通的关联关系。
以所述二分图网络的用户节点构建所述用户节点关系网络。以各用户之间的联系为所述用户节点关系网络的各网络节点的边，其中各用户之间的联系为任意两用户之间发生关联同一终端信息的关系。
在另一实施方式中，所述S102具体包括：
以各用户为所述用户节点关系网络中的各网络节点；
以各用户之间的联系为所述用户节点关系网络的各网络节点的边，其中各用户之间的联系为任意两用户之间发生关联同一终端信息的关系。
具体来说，以用户和终端信息为节点构建如图5所述的二分图网络。
其中1,2,3…6,7代表7个用户，A,B,C,D代表设备、IP、wifi-mac、GPS等信息节点。二分图网络指的是一个网络中有两种类型的节点，同一类型的节点只能通过另一种类型的节点连接。
更进一步，以所构建的二分图网络的用户节点构建如图6所示用户节点网络关系。
S103：基于所述用户节点关系网络挖掘欺诈相关变量，构建用户的欺诈风险侦测模型。所述相关变量包括所述用户节点关系网络图结构相关特征和关联用户属性统计特征。
进一步的，本方法还包括采用xgboost构建所述基于用户节点关系网络的欺诈风险侦测模型。具体来说，就是根据用户节点关系网络图结构相关特征和关联用户属性统计特征，通过xgboost最终构建欺诈风险侦测模型。
具体举例来说，团伙欺诈是造成非线上信贷机构坏账风险的主要因素，有效识别团伙欺诈可降低公司因欺诈风险带来的经济损失。纯线上借贷的特点是仅能获取用户的终端设备信息，通过对用户设备行为数据的分析挖掘，可有效识别团伙欺诈。终端数据采集包括设备数据:如手机品牌、手机型号、APP列表、通讯录、通话记录、操作系统等，用户行为数据:页面登入频次、页面停留时间、信息输入时间、按钮点击行为等，以及设备位置信息:GPS，Base station，IP，wifi-mac等。这些信息节点，与用户属性节点共同构成一个二分图(Bipartite Graph)网络。计算通过不同信息节点连接的用户的连通性，关联密度和异质性，选择强关联关系，过滤掉信息节点，从而构成用户节点网络。基于用户节点挖掘欺诈相关变量，包括图结构相关特征和关联用户属性统计特征。基于该方法挖掘出的特征结合XgBoost算法训练欺诈模型，进而达到良好的欺诈风险区分度。
本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。
如图2，基于用户节点关系网络的欺诈风险侦测装置，包括：
用户终端数据模块201，用于获取用户终端相关数据。
所述用户终端相关数据包括以下方式的一种或多种组合：
设备数据、设备位置信息数据、用户行为数据。
具体来说，获取用户终端相关数据就是获取用户的设备数据、设备位置信息数据以及用户的行为数据。
用户节点网络模块202，用于基于所述用户终端相关数据，构建用户节点关系网络。
在一实施方式中，所述用户节点网络模块202具体用于：
以用户和终端信息为节点构建二分图网络；以用户和终端信息之间的联系为所述二分图网络的用户节点和终端信息节点的边，其中用户和终端信息之间的联系为用户和终端信息之间发生互通的关联关系。
以所述二分图网络的用户节点构建所述用户节点关系网络。以各用户之间的联系为所述用户节点关系网络的各网络节点的边，其中各用户之间的联系为任意两用户之间发生关联同一终端信息的关系。
在另一实施方式中，所述用户节点网络模块202具体用于：
以各用户为所述用户节点关系网络中的各网络节点；
以各用户之间的联系为所述用户节点关系网络的各网络节点的边，其中各用户之间的联系为任意两用户之间发生关联同一终端信息的关系。
具体来说，以用户和终端信息为节点构建如图5所述的二分图网络。
其中1,2,3…6,7代表7个用户，A,B,C,D代表设备，IP,wifi-mac，GPS等信息节点。二分图网络指的是一个网络中有两种类型的节点，同一类型的节点只能通过另一种类型的节点连接。
更进一步，以所构建的二分图网络的用户节点构建如图6所示用户节点网络关系。
模型侦测模块203，用于基于所述用户节点关系网络的用户二度内关联用户的风险信息，构建用户的欺诈风险侦测模型。
所述相关变量包括所述用户节点关系网络图结构相关特征和关联用户属性统计特征。
采用xgboost构建所述基于用户节点关系网络的欺诈风险侦测模型。
具体来说，就是根据用户节点关系网络图结构相关特征和关联用户属性统计特征，通过xgboost最终构建欺诈风险侦测模型。
本说明书第三实施例还提供了一种服务器，包括存储器302、处理器301及存储在存储器302上并可在处理器301上运行的计算机程序，所述处理器301执行所述程序时实现前文所述方法的步骤。为了便于说明，仅示出了与本说明书实施例相关的部分，具体技术细节未揭示的，请参照本说明书实施例方法部分。该服务器，可以是包括各种电子设备形成的服务器设备，PC电脑、网络云服务器，甚至手机、平板电脑、PDA(Personal DigitalAssistant，个人数字助理)、POS(Point of Sales，销售终端)、车载电脑、台式电脑等任意电子设备上设置的服务器功能。
具体地，图5示出的与本说明书实施例提供的技术方案相关的服务器组成结构框图，总线500可以包括任意数量的互联的总线和桥，其将包括由处理器501代表的一个或多个处理器和存储器502代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口503在总线500和接收器和/或发送器304之间提供接口，接收器和/或发送器504可以是分开独立的接收器或发送器也可以是同一个元件如收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器501负责管理总线500和通常的处理，而存储器502可以被用于存储处理器501在执行操作时所使用的数据。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述方法。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取历史信贷数据集，所述历史信贷数据集包括用户的多维度属性信息及逾期信息；基于所述多维度属性信息对所述历史信贷数据集进行自动分档处理以生成多个子数据集；根据所述逾期信息计算所述多个子数据集中每一个子数据集对应的逾期率；以及根据子数据集及其对应的所述逾期率生成信贷风险控制规则。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施例的方法。
尽管已描述了本说明书的优选实施例，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说明书范围的所有变更和修改。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本公开可实施的范畴。
Claims (10)
1.基于用户节点关系网络的欺诈风险侦测方法，包括：
获取用户终端相关数据；
基于所述用户终端相关数据及用户属性相关数据，构建用户节点关系网络；
基于所述用户节点关系网络挖掘欺诈相关变量，构建用户的欺诈风险侦测模型。
2.根据权利要求1所述的方法，包括：
所述基于所述用户终端相关数据及用户属性相关数据，构建用户节点关系网络包括：
以用户和终端信息为节点构建二分图网络；
以所述二分图网络的用户节点构建所述用户节点关系网络。
3.根据权利要求1-2任一项所述的方法，包括：
所述以用户和终端信息为节点构建二分图网络包括：
以用户和终端信息之间的联系为所述二分图网络的用户节点和终端信息节点的边，其中用户和终端信息之间的联系为用户和终端信息之间发生互通的关联关系。
4.根据权利要求1-3任一项所述的方法，包括：
所述以所述二分图网络的用户节点构建所述用户节点关系网络包括：
以各用户之间的联系为所述用户节点关系网络的各网络节点的边，其中各用户之间的联系为任意两用户之间发生关联同一终端信息的关系。
5.根据权利要求1-4任一项所述的方法，包括：
所述基于所述用户终端相关数据及用户属性相关数据，构建用户节点关系网络包括：
以各用户为所述用户节点关系网络中的各网络节点；
以各用户之间的联系为所述用户节点关系网络的各网络节点的边，其中各用户之间的联系为任意两用户之间发生关联同一终端信息的关系。
6.根据权利要求1-5任一项所述的方法，包括：
所述相关变量包括所用户节点关系网络图结构相关特征和关联用户属性统计特征。
7.根据权利要求1-6任一项所述的方法，包括：
采用xgboost构建所述基于用户节点关系网络的欺诈风险侦测模型。
8.基于用户节点关系网络的欺诈风险侦测装置，包括：
用户终端数据模块，用于获取用户终端相关数据；
用户节点网络模块，用于基于所述用户终端相关数据，构建用户节点关系网络；
模型侦测模块，用于基于所述用户节点关系网络的用户二度内关联用户的风险信息，构建用户的欺诈风险侦测模型。
9.一种服务器，包括处理器和存储器：
所述存储器用于存储执行权利要求1-7任一项所述方法的程序；
所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910587692.7A CN110349004A (zh) | 2019-07-02 | 2019-07-02 | 基于用户节点关系网络的欺诈风险侦测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910587692.7A CN110349004A (zh) | 2019-07-02 | 2019-07-02 | 基于用户节点关系网络的欺诈风险侦测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110349004A true CN110349004A (zh) | 2019-10-18 |
Family
ID=68177902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910587692.7A Pending CN110349004A (zh) | 2019-07-02 | 2019-07-02 | 基于用户节点关系网络的欺诈风险侦测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110349004A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111105317A (zh) * | 2019-12-28 | 2020-05-05 | 哈尔滨工业大学 | 一种基于购药记录的医疗保险欺诈检测方法 |
| CN111199474A (zh) * | 2019-12-16 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
| CN111210109A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于关联用户预测用户风险的方法、装置和电子设备 |
| CN111222976A (zh) * | 2019-12-16 | 2020-06-02 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
| CN111291234A (zh) * | 2020-03-31 | 2020-06-16 | 京东数字科技控股有限公司 | 一种账号风险概率评估方法、装置、系统及存储介质 |
| CN111292119A (zh) * | 2020-01-15 | 2020-06-16 | 杭州数澜科技有限公司 | 一种筛选疑似非法组织的方法和系统 |
| CN111353871A (zh) * | 2019-12-16 | 2020-06-30 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
| CN111967806A (zh) * | 2020-10-23 | 2020-11-20 | 北京淇瑀信息科技有限公司 | 基于定期回扫的用户风险更新方法、装置和电子设备 |
| CN112907308A (zh) * | 2019-11-19 | 2021-06-04 | 京东数字科技控股有限公司 | 数据检测方法和装置、计算机可读存储介质 |
| CN113554281A (zh) * | 2021-07-02 | 2021-10-26 | 北京淇瑀信息科技有限公司 | 基于网格的用户业务风险的分析方法、装置和电子设备 |
| CN113592517A (zh) * | 2021-08-09 | 2021-11-02 | 深圳前海微众银行股份有限公司 | 欺诈客群识别方法、装置、终端设备及计算机存储介质 |
| CN115102920A (zh) * | 2022-07-28 | 2022-09-23 | 京华信息科技股份有限公司 | 基于关系网络的个体的传输管控方法 |
| CN111222976B (zh) * | 2019-12-16 | 2024-04-23 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180033089A1 (en) * | 2016-07-27 | 2018-02-01 | Intuit Inc. | Method and system for identifying and addressing potential account takeover activity in a financial system |
| CN108764917A (zh) * | 2018-05-04 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 一种欺诈团伙的识别方法和装置 |
| CN108805583A (zh) * | 2018-05-18 | 2018-11-13 | 连连银通电子支付有限公司 | 基于地址映射的电商欺诈检测方法、装置、设备及介质 |
| CN109299811A (zh) * | 2018-08-20 | 2019-02-01 | 众安在线财产保险股份有限公司 | 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 |
-
2019
- 2019-07-02 CN CN201910587692.7A patent/CN110349004A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180033089A1 (en) * | 2016-07-27 | 2018-02-01 | Intuit Inc. | Method and system for identifying and addressing potential account takeover activity in a financial system |
| CN108764917A (zh) * | 2018-05-04 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 一种欺诈团伙的识别方法和装置 |
| CN108805583A (zh) * | 2018-05-18 | 2018-11-13 | 连连银通电子支付有限公司 | 基于地址映射的电商欺诈检测方法、装置、设备及介质 |
| CN109299811A (zh) * | 2018-08-20 | 2019-02-01 | 众安在线财产保险股份有限公司 | 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907308A (zh) * | 2019-11-19 | 2021-06-04 | 京东数字科技控股有限公司 | 数据检测方法和装置、计算机可读存储介质 |
| CN111199474A (zh) * | 2019-12-16 | 2020-05-26 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
| CN111222976A (zh) * | 2019-12-16 | 2020-06-02 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
| CN111353871A (zh) * | 2019-12-16 | 2020-06-30 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
| CN111222976B (zh) * | 2019-12-16 | 2024-04-23 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
| CN111199474B (zh) * | 2019-12-16 | 2024-03-12 | 北京淇瑀信息科技有限公司 | 一种基于双方网络图数据的风险预测方法、装置和电子设备 |
| CN111210109A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于关联用户预测用户风险的方法、装置和电子设备 |
| CN111105317B (zh) * | 2019-12-28 | 2023-05-12 | 哈尔滨工业大学 | 一种基于购药记录的医疗保险欺诈检测方法 |
| CN111105317A (zh) * | 2019-12-28 | 2020-05-05 | 哈尔滨工业大学 | 一种基于购药记录的医疗保险欺诈检测方法 |
| CN111292119A (zh) * | 2020-01-15 | 2020-06-16 | 杭州数澜科技有限公司 | 一种筛选疑似非法组织的方法和系统 |
| CN111291234A (zh) * | 2020-03-31 | 2020-06-16 | 京东数字科技控股有限公司 | 一种账号风险概率评估方法、装置、系统及存储介质 |
| CN111967806B (zh) * | 2020-10-23 | 2022-03-15 | 北京淇瑀信息科技有限公司 | 基于定期回扫的用户风险更新方法、装置和电子设备 |
| CN111967806A (zh) * | 2020-10-23 | 2020-11-20 | 北京淇瑀信息科技有限公司 | 基于定期回扫的用户风险更新方法、装置和电子设备 |
| CN113554281A (zh) * | 2021-07-02 | 2021-10-26 | 北京淇瑀信息科技有限公司 | 基于网格的用户业务风险的分析方法、装置和电子设备 |
| CN113592517A (zh) * | 2021-08-09 | 2021-11-02 | 深圳前海微众银行股份有限公司 | 欺诈客群识别方法、装置、终端设备及计算机存储介质 |
| CN115102920A (zh) * | 2022-07-28 | 2022-09-23 | 京华信息科技股份有限公司 | 基于关系网络的个体的传输管控方法 |
| CN115102920B (zh) * | 2022-07-28 | 2022-11-18 | 京华信息科技股份有限公司 | 基于关系网络的个体的传输管控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110349004A (zh) | 基于用户节点关系网络的欺诈风险侦测方法及装置 | |
| Aker et al. | The promise (and pitfalls) of ICT for agriculture initiatives | |
| KR102286388B1 (ko) | 전송 레이턴시 평준화 장치, 방법 및 시스템 | |
| CN113222752A (zh) | 基于区块链的数据处理系统、方法、计算设备及存储介质 | |
| WO2018031551A1 (en) | Trusted platform and integrated bop applications for networking bop components | |
| CA2991136A1 (en) | Modifying data structures to indicate derived relationships among entity data objects | |
| CN110363636A (zh) | 基于关系网络的欺诈风险识别方法及装置 | |
| CN110009365B (zh) | 非正常转移电子资产的用户群体检测方法、装置和设备 | |
| US20210287295A1 (en) | Method and apparatus for recommending financial product, electronic device, and computer storage medium | |
| CN109886699A (zh) | 行为识别方法及装置、电子设备、存储介质 | |
| CN111815169A (zh) | 业务审批参数配置方法及装置 | |
| CN110363407A (zh) | 基于用户行为轨迹的欺诈风险评估方法及装置 | |
| CN110400217A (zh) | 智能合约的规则变更处理方法及装置 | |
| Harris et al. | Designing ICT for agriculture (ICT4A) innovations for smallholder farmers: The case of Uganda | |
| CN109685641A (zh) | 一种信息处理方法及装置 | |
| Wang et al. | Exploring the dependence structure among Chinese firms in the 5G industry | |
| CN109102282A (zh) | 一种多币种退款业务处理方法及装置 | |
| CN113609345B (zh) | 目标对象关联方法和装置、计算设备以及存储介质 | |
| US11720900B1 (en) | Systems and methods for adaptive learning to replicate peak performance of human decision making | |
| US11334925B1 (en) | Normalization and secure storage of asset valuation information | |
| CN110297948A (zh) | 关系网络构建方法以及装置 | |
| CN109492831A (zh) | 营销路径的推荐方法、装置、介质及电子设备 | |
| CN108604337A (zh) | 用于对市场交易进行路由的电子系统 | |
| CN110348190A (zh) | 基于用户操作行为的用户设备归属判断方法及装置 | |
| CN109993659A (zh) | 一种网络交易系统、方法及设备 |
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 |