CN110400220A - 一种基于半监督图神经网络的智能可疑交易监测方法 - Google Patents

一种基于半监督图神经网络的智能可疑交易监测方法 Download PDF

Info

Publication number
CN110400220A
CN110400220A CN201910664372.7A CN201910664372A CN110400220A CN 110400220 A CN110400220 A CN 110400220A CN 201910664372 A CN201910664372 A CN 201910664372A CN 110400220 A CN110400220 A CN 110400220A
Authority
CN
China
Prior art keywords
transaction
account
community
network
funds
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
CN201910664372.7A
Other languages
English (en)
Inventor
周春英
朱明杰
闵薇
唐溶
胡宸章
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.)
Shanghai Krypton Information Technology Co Ltd
Original Assignee
Shanghai Krypton Information Technology 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 Shanghai Krypton Information Technology Co Ltd filed Critical Shanghai Krypton Information Technology Co Ltd
Priority to CN201910664372.7A priority Critical patent/CN110400220A/zh
Publication of CN110400220A publication Critical patent/CN110400220A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于半监督图神经网络的智能可疑交易监测方法，所述方法包括：采集和存储原始的交易流水；在账号级别构建基于交易关系的资金交易网络；将资金交易网络中的账号划分入不同的交易社区；对交易社区进行风险评估与筛选，生成高风险密度资金交易网络；衍生账号的个体交易特征；向半监督图神经网络中输入高风险密度资金交易网络和账号的个体交易特征，半监督图神经网络输出账号的资金交易风险概率，将资金交易风险概率高于第一阈值的账号判断为高洗钱风险帐号。本发明的有益效果为可以判断个体账户的异常风险，通过深度的数据挖掘与图算法挖掘构建先进的半监督分类模型，可以为传统风险控手段带来显著的提升。

Description

一种基于半监督图神经网络的智能可疑交易监测方法
技术领域
本发明属于金融风险领域，具体涉及一种基于半监督图神经网络的智能可疑交易监测方法。
背景技术
随着移动互联网的普及与跨国贸易和交易的快速发展，我国正面临愈加严峻的资金交易风险。在作案端，资金交易异常行为，譬如反洗钱作案正不断演变的更加隐蔽化、智能化、规模化。然而，在金融机构端，很多却还停留在传统依赖专家人工验证与规则模型结合的方式。这种方式会导致风险敞口持续扩大：
第一，人工验证存在效率低，成本高的问题。目前我国是世界上互联网交易最发达的地区之一，交易体量增长速度惊人，远远超出人工所能处理的范围。
第二，传统规则模型准确率低，据不完全统计，行业洗钱风险预测平均误报率高达95％。
第三，无法动态适应洗钱风险的演化。人工知识和规则都是基于已知风险设置的静态模型，这使得作案分子容易进行有针对性的应对，从而快速突破防线。
因此，亟需一种更加科学合理的智能交易风险监测系统，通过技术手段来更好地适应当下这种趋势。
发明内容
针对现有技术中存在的问题，本发明提供一种基于半监督图神经网络的智能可疑交易监测方法，本发明的部分实施例能够显著提供个体异常风险评估的预测准确度，并赋予防范群体作案的能力。
为实现上述目的，本发明采用以下技术方案：
一种基于半监督图神经网络的智能可疑交易监测方法，所述方法包括：采集和存储原始的交易流水；在账号级别构建基于交易关系的资金交易网络；将资金交易网络中的账号划分入不同的交易社区；对交易社区进行风险评估与筛选，生成高风险密度资金交易网络；衍生账号的个体交易特征；向半监督图神经网络中输入高风险密度资金交易网络和账号的个体交易特征，半监督图神经网络输出账号的资金交易风险概率，将资金交易风险概率高于第一阈值的账号判断为高风险帐号，将资金交易风险概率低于第一阈值的账号判断为低风险帐号。
优选地，所述在账号级别构建基于交易关系的资金交易网络包括：将交易流水中所有借贷方的账号作为节点，计算节点的出度和入度，出度或者入度大于第二阈值的节点剔除出资金交易网络。
优选地，所述在账号级别构建基于交易关系的资金交易网络包括：两个账号之间的交易金额总和低于第三阈值的，两个帐号之间的交易关系剔除出资金交易网络。
优选地，所述将资金交易网络中的账号划分入不同的紧密交易社区包括：通过全局标签传播算法计算每个节点的PageRank；局部社区挖掘。
优选地，所述局部挖掘包括：采用Sweep-Cut局部社区挖掘算法生成多个最小化Conductance的交易社区。
优选地，所述对交易社区进行风险评估与筛选包括：对交易社区挖掘图结构特征和交易模式特征；基于图结构特征和交易模式特征，依次应用无监督异常检测模型、领域知识模型，对交易社区进行风险评估和排序；筛选出风险高于第四阈值的交易社区。
优选地，所述生成高风险密度资金交易网络包括：将风险高于第四阈值的交易社区合并为高风险密度资金交易网络。
优选地，所述图结构特征包括：社区节点个数，社区节点最小入度，社区节点最小出度，社区节点介质中心度最大值，社区节点介质中心度最小值；所述交易模式特征包括：预定周期内交易间隔的最大值，交易间隔的最小值，交易间隔小于60秒的笔数，交易间隔小于3600秒的笔数。
优选地，所述账号的个体交易特征包括：交易金额、交易次数、交易模式、交易方式、交易地址、交易对手、交易时间、交易设备、交易流向。
优选地，所述方法包括：生成账号与交易社区的索引映射，用来在获取高风险帐号后，获取相应的交易社区，方便后续进行群体风险识别与判定。
与现有技术相比，本发明的有益效果为：第一，本发明可以判断个体账户的异常风险，通过深度的数据挖掘与图算法挖掘构建先进的半监督分类模型，可以为传统风险控手段带来显著的提升；第二，本发明提供防范群体账户作案的手段，是对传统风险研判方法的重要变革；第三，本发明通过资金交易网络的视角研究风险传导的机制与模型系统构建，为后续交易风险的前沿算法研究奠定了基础。
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是图生成模块流程图。
图2是社区挖掘模块流程图。
图3是社区筛查与图重构模块流程图。
图4是个体特征抽取模块流程图。
图5是图神经网络应用模块流程图。
图6是从原始交易流水到账户与群体资金交易风险风险评估(以反洗钱为例)的系统流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本实施例提供一种基于半监督图神经网络的智能异常交易监测系统，所述系统包括：
数据采集模块，用于采集和存储原始的交易流水数据；
图生成模块，用于在账号级别构建基于交易关系的资金交易网络；
社区挖掘模块，用于将网络中的账号划分入不同的紧密交易社区；
社区筛查与图重构模块，用于对交易社区进行风险评估与筛选，合并为高风险密度资金交易网络；
个体特征抽取模块，用于账号个体特征的衍生；
图神经网络应用模块，基于半监督图神经网络进行风险评估与预测。
如图1所示，图生成模块构建的资金交易网络是后续图挖掘算法和图神经网络的原始输入，因此其构建的方式对结果有重要影响。在构建的过程中，将交易流水中所有借贷方的账号作为节点，对其计算节点的出度和入度，对于过大的节点，即有过多关系映射进该节点或者从该节点射出，需要使用启发式过滤器直接过滤掉该节点，因为该类节点普遍均是优质的生活服务机构，如电信公司等，如果不进行剔除则将大幅降低后续图算法计算效率；将账号之间的交易金额总和作为边或者称为关系，并进行硬规则过滤，如果该金额总和低于特定阈值，则进行剔除，因为该类关系在金额上与洗钱风险相差数十个数量级，反而在图风险传导的过程容易引入噪音。
如图2所示，社区挖掘是图聚类的一种概念，目的是将一张网络分割成大量社区。目前主流的算法主要有最大化Modularity和最小化Conductance两种方式。由于在洗钱风险领域，团伙作案的规模大多在5-50人之间，最小化Conductance的方法更倾向于生成小规模社区，因此我们采用该方法进行社区挖掘。该方法可分为两步，第一步为全局标签传播计算每个节点的PageRank，第二步为局部社区挖掘。具体为：
步骤一，定义全局标签传播的算法，假设资金交易网络为G＝{V，E}，V为网络中节点的集合，E为网络中边的集合，G中含有N个有标签节点。初始化PageRank向量为S为种子节点的集合，Mask向量为Lazy Random Walk Matrix为Diagonal Degree Matrix为Adjacent Matrix为随机游走局部性控制参数为α，那么有，
p＝αs+(1-α)pW，
定义好上述算法后，我们可以对每个有标签的节点进行一次PersonalizedPageRank计算，可得到N个PageRank向量。
步骤二，基于N个PageRank向量，采用Sweep-Cut局部社区挖掘算法生成N个最小化Conductance的交易社区。此外，可以生成账号与社区的索引映射，方便后续进行群体风险识别与判定。具体的Sweep-Cut的算法，参见文献R.Andersen and K.J.Lang.Communitiesfrom seed sets.In Proceedings of the 15th international conference on WorldWide Web,pages 223–232.ACM,2006。
如图3所示，社区筛查首先需要对交易社区挖掘相应特征，目前可挖掘两方面特征，分别是社区图结构特征和社区交易模式特征，具体为：
图结构特征：反映社区的资金交易流向结构，比如正金字塔、倒金字塔、成圈成环，存过桥节点等交易结构均与洗钱集资存在高度相关性。具体特征主要包括：社区节点个数，社区节点最小入度，社区节点最小出度，社区节点介质中心度最大值，社区节点介质中心度最小值等。
交易模式特征：反应社区的交易行为模式，包括快进快出等特定行为。具体特征主要包括：特定周期内交易间隔的最大值，交易间隔的最小值，交易间隔小于60秒的笔数，交易间隔小于3600秒的笔数等。
在社区特征之上，首先应用无监督异常检测算法，比如HDBSCAN，对具有异常行为的社区进行识别提高召回率。其次结合该领域的固有业务知识，设置相应的策略规则模型进行高精确率的识别。
综合使用多种模型后可以对交易社区进行风险评估和排序，设置阈值筛选出特定比例的高风险社区，将其合并形成高风险密度资金交易网络，这样可以为后续的图神经网络算法最小程度损失信息并最大程度降低噪音。
如图4所示，个体特征抽取模块是对账号个体基于交易流水直接进行个体交易特征的聚合衍生。这是传统风险控制手段的一个步骤，风控人员在构造规则模型时需要衍生相应的指标。但该模块与传统方法又存在着本质的差别，该模块在传统若干指标上进行了系统性的升级，涵盖维度除了传统方法中的交易金额、交易次数以外，该模块还引入了模式、方式、地址、对手、时间、设备、流向等全维度指标体系，具体为：交易模式维度主要包括账号交易是否存在分散转入、集中转出、集中转入、分散转出等行为的统计性特征；交易方式维度主要包括交易渠道的统计指标；交易地址维度主要包括账号交易地址的多样性等指标；交易对手维度主要包括账号交易的对手是否固定等指标；交易时间主要包括账号交易时间是否集中等指标；交易设备维度主要包括账号交易的设备MAC地址或者IP地址是否固定等指标；交易流向维度主要包括账号是否存在成圈成环、虚增交易量等行为。
如图5所示，图神经网络应用模块输入为高风险密度的资金交易网络以及账号的个体交易特征，输出为账号的资金交易风险概率。首先，定义图神经网络算法，这里采用GCN(图卷积神经网络)作为主网络结构，具体为，
其中hv为中心节点v的隐状态，Nv为中心节点v的一度邻居集合，hi为邻居节点i的隐状态。为第L层具有Nv Degree的节点的参数矩阵。
其次，设定图神经网络的超参数，包括隐状态的维度，网络模块的层数，非线性变换的激活函数，Dropout等。
之后我们可以输入高风险密度的资金交易网络和账户个体特征，划分训练集、验证集和外推集，进行图神经网络的半监督训练。
当模型在外推集上性能表现满足要求后，保存模型参数。
如图6所示，通过数据采集模块，采集和存储原始的交易流水；通过图生成模块，在账号级别构建基于交易关系的资金交易网络；在此之上，通过社区挖掘模块，利用Personalized PageRank和Sweep-Cut局部社区挖掘算法将网络中的账号划分入不同的紧密交易社区；然后提取社区的图结构和交易模式特征，应用无监督异常检测和领域知识模型，对交易社区进行风险评估与筛选，合并为高风险密度资金交易网络；另一方面，在交易流水上直接进行账号个体交易特征的衍生，系统性构建指标包括交易金额、次数、模式、方式、地址、对手、时间、设备、流向等；基于账号个体特征和高风险密度资金交易网络，定义图神经网络结构，进行半监督模型的训练和预测。模型将输出每个账户洗钱风险的概率，设置阈值，将高于阈值的账号输出为高洗钱风险账户，反之，则输出为低洗钱风险账户。对于高洗钱风险账户，为了追踪其洗钱作案的组织化行为，通过账户与社区的索引映射，亦可输出其资金交易网络所在社区。
尽管上述实施例已对本发明作出具体描述，但是对于本领域的普通技术人员来说，应该理解为可以在不脱离本发明的精神以及范围之内基于本发明公开的内容进行修改或改进，这些修改和改进都在本发明的精神以及范围之内。

Claims (10)

1.一种基于半监督图神经网络的智能可疑交易监测方法，其特征在于，所述方法包括：
采集和存储原始的交易流水；
在账号级别构建基于交易关系的资金交易网络；
将资金交易网络中的账号划分入不同的交易社区；
对交易社区进行风险评估与筛选，生成高风险密度资金交易网络；
衍生账号的个体交易特征；
向半监督图神经网络中输入高风险密度资金交易网络和账号的个体交易特征，半监督图神经网络输出账号的资金交易风险概率，将资金交易风险概率高于第一阈值的账号判断为高风险帐号，将资金交易风险概率低于第一阈值的账号判断为低风险帐号。
2.根据权利要求1所述的基于半监督图神经网络的智能可疑交易监测方法，其特征在于，所述在账号级别构建基于交易关系的资金交易网络包括：将交易流水中所有借贷方的账号作为节点，计算节点的出度和入度，出度或者入度大于第二阈值的节点剔除出资金交易网络。
3.根据权利要求2所述的基于半监督图神经网络的智能可疑交易监测方法，其特征在于，所述在账号级别构建基于交易关系的资金交易网络包括：两个账号之间的交易金额总和低于第三阈值的，两个帐号之间的交易关系剔除出资金交易网络。
4.根据权利要求3所述的基于半监督图神经网络的智能可疑交易监测方法，其特征在于，所述将资金交易网络中的账号划分入不同的紧密交易社区包括：
通过全局标签传播算法计算每个节点的PageRank；
局部社区挖掘。
5.根据权利要求4所述的基于半监督图神经网络的智能可疑交易监测方法，其特征在于，所述局部挖掘包括：采用Sweep-Cut局部社区挖掘算法生成多个最小化Conductance的交易社区。
6.根据权利要求1所述的基于半监督图神经网络的智能可疑交易监测方法，其特征在于，所述对交易社区进行风险评估与筛选包括：
对交易社区挖掘图结构特征和交易模式特征；
基于图结构特征和交易模式特征，依次应用无监督异常检测模型、领域知识模型，对交易社区进行风险评估和排序；
筛选出风险高于第四阈值的交易社区。
7.根据权利要求6所述的基于半监督图神经网络的智能可疑交易监测方法，其特征在于，所述生成高风险密度资金交易网络包括：将风险高于第四阈值的交易社区合并为高风险密度资金交易网络。
8.根据权利要求6所述的基于半监督图神经网络的智能可疑交易监测方法，其特征在于，所述图结构特征包括：社区节点个数，社区节点最小入度，社区节点最小出度，社区节点介质中心度最大值，社区节点介质中心度最小值；所述交易模式特征包括：预定周期内交易间隔的最大值，交易间隔的最小值，交易间隔小于60秒的笔数，交易间隔小于3600秒的笔数。
9.根据权利要求1所述的基于半监督图神经网络的智能可疑交易监测方法，其特征在于，所述账号的个体交易特征包括：交易金额、交易次数、交易模式、交易方式、交易地址、交易对手、交易时间、交易设备、交易流向。
10.根据权利要求1所述的基于半监督图神经网络的智能可疑交易监测方法，其特征在于，所述方法包括：生成账号与交易社区的索引映射，用来在获取高风险帐号后，获取相应的交易社区，方便后续进行群体风险识别与判定。
CN201910664372.7A 2019-07-23 2019-07-23 一种基于半监督图神经网络的智能可疑交易监测方法 Pending CN110400220A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910664372.7A CN110400220A (zh) 2019-07-23 2019-07-23 一种基于半监督图神经网络的智能可疑交易监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910664372.7A CN110400220A (zh) 2019-07-23 2019-07-23 一种基于半监督图神经网络的智能可疑交易监测方法

Publications (1)

Publication Number Publication Date
CN110400220A true CN110400220A (zh) 2019-11-01

Family

ID=68324865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910664372.7A Pending CN110400220A (zh) 2019-07-23 2019-07-23 一种基于半监督图神经网络的智能可疑交易监测方法

Country Status (1)

Country Link
CN (1) CN110400220A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852755A (zh) * 2019-11-06 2020-02-28 支付宝(杭州)信息技术有限公司 针对交易场景的用户身份识别方法和装置
CN111080304A (zh) * 2019-12-12 2020-04-28 支付宝(杭州)信息技术有限公司 一种可信关系识别方法、装置及设备
CN111291229A (zh) * 2020-01-21 2020-06-16 中国科学院计算技术研究所 一种稠密多部子图的检测方法及系统
CN111311416A (zh) * 2020-02-28 2020-06-19 杭州云象网络技术有限公司 一种基于多通道图和图神经网络的区块链洗钱节点检测方法
CN111324867A (zh) * 2020-02-25 2020-06-23 支付宝(杭州)信息技术有限公司 一种疑似风险交易确定方法、装置及设备
CN111369258A (zh) * 2020-03-10 2020-07-03 支付宝(杭州)信息技术有限公司 实体对象类型的预测方法、装置及设备
CN111832924A (zh) * 2020-06-30 2020-10-27 北方工业大学 基于图神经网络的社区燃气系统动态风险评估方法及装置
CN112435126A (zh) * 2021-01-26 2021-03-02 深圳华锐金融技术股份有限公司 账户识别方法、装置、计算机设备和存储介质
CN112465641A (zh) * 2020-12-09 2021-03-09 电子科技大学 一种基于gcn的区块链交易风险分析方法
CN112559598A (zh) * 2020-12-16 2021-03-26 南京航空航天大学 一种基于图神经网络的遥测时序数据异常检测方法及系统
CN112801804A (zh) * 2021-01-15 2021-05-14 浙江大学山东工业技术研究院 一种用于检测异常医保数据的图神经网络的方法
CN112825177A (zh) * 2019-11-20 2021-05-21 北京宸瑞科技股份有限公司 基于资金交易数据分析人员关系的方法及系统
CN113469804A (zh) * 2021-07-16 2021-10-01 哈尔滨工业大学（威海） 一种基于图神经网络的非正常关键账户发现方法、系统、设备及存储介质
CN113689218A (zh) * 2021-08-06 2021-11-23 上海浦东发展银行股份有限公司 风险账户的识别方法、装置、计算机设备和存储介质
CN113722671A (zh) * 2020-05-26 2021-11-30 北京宸信征信有限公司 基于资金交易数据监测涉嫌非法集资行为的方法及系统
CN114708003A (zh) * 2022-04-27 2022-07-05 西南交通大学 一种异常数据检测方法、装置、设备及可读存储介质
CN114998003A (zh) * 2022-08-02 2022-09-02 湖南三湘银行股份有限公司 一种基于图深度卷积神经网络算法识别洗钱的方法和装置
CN115345736A (zh) * 2022-07-14 2022-11-15 南京金威诚融科技开发有限公司 一种金融交易异常行为检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647292B (zh) * 2012-03-20 2014-07-23 北京大学 一种基于半监督神经网络模型的入侵检测方法
CN104392381A (zh) * 2014-10-29 2015-03-04 中国建设银行股份有限公司 一种交易数据的风险监测方法和系统
CN106202389A (zh) * 2016-07-08 2016-12-07 中国银联股份有限公司 一种基于交易数据的异常监测方法及装置
CN106780024A (zh) * 2016-11-30 2017-05-31 东软集团股份有限公司 交易异常监测方法及装置
CN108230151A (zh) * 2018-01-16 2018-06-29 平安科技（深圳）有限公司 一种可疑交易监测方法、装置、设备及存储介质
CN109948704A (zh) * 2019-03-20 2019-06-28 中国银联股份有限公司 一种交易监测方法与装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102647292B (zh) * 2012-03-20 2014-07-23 北京大学 一种基于半监督神经网络模型的入侵检测方法
CN104392381A (zh) * 2014-10-29 2015-03-04 中国建设银行股份有限公司 一种交易数据的风险监测方法和系统
CN106202389A (zh) * 2016-07-08 2016-12-07 中国银联股份有限公司 一种基于交易数据的异常监测方法及装置
CN106780024A (zh) * 2016-11-30 2017-05-31 东软集团股份有限公司 交易异常监测方法及装置
CN108230151A (zh) * 2018-01-16 2018-06-29 平安科技（深圳）有限公司 一种可疑交易监测方法、装置、设备及存储介质
CN109948704A (zh) * 2019-03-20 2019-06-28 中国银联股份有限公司 一种交易监测方法与装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金柔: "经典半监督图卷积神经网络Semi一GCN", 《知乎（HTTPS://ZHUANLAN.ZHIHU.COM/P/58178060）》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852755A (zh) * 2019-11-06 2020-02-28 支付宝(杭州)信息技术有限公司 针对交易场景的用户身份识别方法和装置
CN112825177A (zh) * 2019-11-20 2021-05-21 北京宸瑞科技股份有限公司 基于资金交易数据分析人员关系的方法及系统
CN112825177B (zh) * 2019-11-20 2024-03-29 北京宸瑞科技股份有限公司 基于资金交易数据分析人员关系的方法及系统
CN111080304A (zh) * 2019-12-12 2020-04-28 支付宝(杭州)信息技术有限公司 一种可信关系识别方法、装置及设备
CN111080304B (zh) * 2019-12-12 2022-06-03 支付宝(杭州)信息技术有限公司 一种可信关系识别方法、装置及设备
CN111291229A (zh) * 2020-01-21 2020-06-16 中国科学院计算技术研究所 一种稠密多部子图的检测方法及系统
CN111291229B (zh) * 2020-01-21 2023-10-31 中国科学院计算技术研究所 一种稠密多部子图的检测方法及系统
CN111324867A (zh) * 2020-02-25 2020-06-23 支付宝(杭州)信息技术有限公司 一种疑似风险交易确定方法、装置及设备
CN111324867B (zh) * 2020-02-25 2023-03-31 支付宝（中国）网络技术有限公司 一种疑似风险交易确定方法、装置及设备
CN111311416A (zh) * 2020-02-28 2020-06-19 杭州云象网络技术有限公司 一种基于多通道图和图神经网络的区块链洗钱节点检测方法
CN111311416B (zh) * 2020-02-28 2024-01-23 杭州云象网络技术有限公司 一种基于多通道图和图神经网络的区块链洗钱节点检测方法
CN111369258A (zh) * 2020-03-10 2020-07-03 支付宝(杭州)信息技术有限公司 实体对象类型的预测方法、装置及设备
CN113722671A (zh) * 2020-05-26 2021-11-30 北京宸信征信有限公司 基于资金交易数据监测涉嫌非法集资行为的方法及系统
CN111832924B (zh) * 2020-06-30 2021-06-15 北方工业大学 基于图神经网络的社区燃气系统动态风险评估方法及装置
CN111832924A (zh) * 2020-06-30 2020-10-27 北方工业大学 基于图神经网络的社区燃气系统动态风险评估方法及装置
CN112465641A (zh) * 2020-12-09 2021-03-09 电子科技大学 一种基于gcn的区块链交易风险分析方法
CN112559598A (zh) * 2020-12-16 2021-03-26 南京航空航天大学 一种基于图神经网络的遥测时序数据异常检测方法及系统
CN112559598B (zh) * 2020-12-16 2021-12-21 南京航空航天大学 一种基于图神经网络的遥测时序数据异常检测方法及系统
CN112801804A (zh) * 2021-01-15 2021-05-14 浙江大学山东工业技术研究院 一种用于检测异常医保数据的图神经网络的方法
CN112435126B (zh) * 2021-01-26 2021-06-18 深圳华锐金融技术股份有限公司 账户识别方法、装置、计算机设备和存储介质
CN112435126A (zh) * 2021-01-26 2021-03-02 深圳华锐金融技术股份有限公司 账户识别方法、装置、计算机设备和存储介质
CN113469804A (zh) * 2021-07-16 2021-10-01 哈尔滨工业大学（威海） 一种基于图神经网络的非正常关键账户发现方法、系统、设备及存储介质
CN113469804B (zh) * 2021-07-16 2024-03-12 哈尔滨工业大学（威海） 一种基于图神经网络的非正常关键账户发现方法、系统、设备及存储介质
CN113689218A (zh) * 2021-08-06 2021-11-23 上海浦东发展银行股份有限公司 风险账户的识别方法、装置、计算机设备和存储介质
CN114708003B (zh) * 2022-04-27 2023-11-10 西南交通大学 一种异常数据检测方法、装置、设备及可读存储介质
CN114708003A (zh) * 2022-04-27 2022-07-05 西南交通大学 一种异常数据检测方法、装置、设备及可读存储介质
CN115345736A (zh) * 2022-07-14 2022-11-15 南京金威诚融科技开发有限公司 一种金融交易异常行为检测方法
CN115345736B (zh) * 2022-07-14 2023-12-29 上海即科智能技术集团有限公司 一种金融交易异常行为检测方法
CN114998003A (zh) * 2022-08-02 2022-09-02 湖南三湘银行股份有限公司 一种基于图深度卷积神经网络算法识别洗钱的方法和装置

Similar Documents

Publication Publication Date Title
CN110400220A (zh) 一种基于半监督图神经网络的智能可疑交易监测方法
Liu et al. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects
Wilby et al. Detection of conceptual model rainfall—runoff processes inside an artificial neural network
CN110223168A (zh) 一种基于企业关系图谱的标签传播反欺诈检测方法及系统
Laeven Risk and efficiency in East Asian banks
Haasnoot et al. A method to develop sustainable water management strategies for an uncertain future
Ahmad et al. An intelligent decision support system for management of floods
van de Walle et al. Rural roads and poor area development in Vietnam
CN108492173A (zh) 一种基于双模网络图挖掘算法的信用卡反欺诈预测方法
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
CN109166030A (zh) 一种反欺诈解决方法及系统
CN110188198A (zh) 一种基于知识图谱的反欺诈方法及装置
Liu et al. Spatial-temporal characteristics analysis of water resource system resilience in irrigation areas based on a support vector machine model optimized by the modified gray wolf algorithm
CN104881783A (zh) 电子银行账户欺诈行为及风险检测方法与系统
Wang et al. The positive impact of official development assistance (ODA) on renewable energy development: evidence from 34 Sub-Saharan Africa Countries
CN108053318A (zh) 一种对异常交易进行识别的方法及装置
Gholami et al. Adversary models account for imperfect crime data: Forecasting and planning against real-world poachers
US20230385366A1 (en) Method for ecological disturbance risk identification and assessment based on automatic parameter adjusting optimization model
Chen et al. The vulnerability evolution and simulation of social-ecological systems in a semi-arid area: A case study of Yulin City, China
CN107481135A (zh) 一种基于bp神经网络的个人信用评价方法及系统
CN109559230A (zh) 基于重叠社区发现算法的银行交易群体发现方法和系统
Zhu et al. Cyber-physical resilience modelling and assessment of urban roadway system interrupted by rainfall
Almeida et al. A Greedy Randomized Adaptive Search Procedure (GRASP) for the multi-vehicle prize collecting arc routing for connectivity problem
Song et al. Climate risk, institutional quality, and total factor productivity
CN108537653A (zh) 一种用于担保网络贷款中欺诈模式检测的方法

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: 20191101

RJ01 Rejection of invention patent application after publication