CN111179089A - 洗钱交易识别方法、装置和设备 - Google Patents

Abstract

本申请提供了一种洗钱交易识别方法、装置和设备，其中，该方法包括：获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；确定目标交易数据集的复杂网络特征；利用所述洗钱交易概率计算模型，确定所述目标交易数据集中各个交易为洗钱交易的概率；将概率大于等于预设阈值的交易作为第一洗钱交易集；根据用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集。在本申请实施例中，以复杂网络特征作为输入数据进行预测，可以提高模型预测的准确度。进一步的，采用用户画像进行进一步的筛选，可避免将某些特殊客户进行的交易进行误判，有效提高了洗钱交易识别的准确度。

Description

洗钱交易识别方法、装置和设备

技术领域

本申请涉及数据处理技术领域，特别涉及一种洗钱交易识别方法、装置和设备。

背景技术

随着互联网金融的发展，线下的现钞交易规模减少，网络支付成为人们支付消费的主要方式，使得犯罪分子对于一些大规模非法资产需要进行线上的洗钱操作。洗钱活动与贪污腐败、走私贩毒、金融诈骗等行为联系紧密，犯罪分子在获得非法资产后进行资产的转移，通常是以转账的方式进行，转账手法复杂。因此，有效识别洗钱交易对账户的安全保护具有重大意义。

现有技术中通常采用大量的历史交易数据，利用传统的机器学习算法来训练模型其中，模型的输入为交易数据，并使用训练好的模型来识别某笔交易是否具有洗钱性质。采用机器学习算法训练得到的模型很难识别出手法复杂的洗钱交易模式，同时由于存在一些洗钱模式和某些特殊客户的交易模式非常相似的情况。因此，采用上述方式很容易将某些特殊客户进行的交易进行误判，从而使得采用现有技术无法准确、有效地识别洗钱交易。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种洗钱交易识别方法、装置和设备，以解决现有技术中无法准确、有效地识别洗钱交易的问题。

本申请实施例提供了一种洗钱交易识别方法，包括：获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征；根据所述目标交易数据集的复杂网络特征，利用所述洗钱交易概率计算模型，确定所述目标交易数据集中各个交易为洗钱交易的概率；将概率大于等于预设阈值的交易作为第一洗钱交易集；根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将所述第二洗钱交易集中的交易作为洗钱交易。

在一个实施例中，在获取用户画像集之前，还包括：从预设数据库中获取各个用户的用户信息和历史交易数据；根据所述各个用户的用户信息和历史交易数据，确定所述各个用户的特征数据；根据所述各个用户的特征数据，确定所述各个用户的用户画像，其中，所述用户画像集中包括所述各个用户的用户画像。

在一个实施例中，在获取利用机器学习算法预先训练得到的洗钱交易概率计算模型之前，还包括：从洗钱交易知识库中获取历史洗钱交易数据集；根据所述用户画像集确定所述用户画像集中各个用户的标签数据；根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络；根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络，确定所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征；根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征，利用机器学习算法训练得到洗钱交易概率计算模型。

在一个实施例中，根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络，包括：获取历史洗钱交易数据集中的目标洗钱交易数据；根据所述目标洗钱交易数据，确定所述目标洗钱交易数据在所述目标时间段的长度内涉及的用户；根据所述用户画像集，确定所述涉及的用户的标签数据；根据所述涉及的用户的标签数据和所述目标洗钱交易数据，为目标洗钱交易构建在所述目标时间段的长度内的复杂网络。

在一个实施例中，根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征，包括：根据所述目标交易数据集，确定所述目标交易数据集中涉及的用户；根据所述用户画像集，确定所述目标交易数据集中涉及的用户的标签数据；根据所述涉及的用户的标签数据和所述目标交易数据集，构建所述目标交易数据集的复杂网络；根据所述目标交易数据集的复杂网络，确定所述目标交易数据集的复杂网络特征。

在一个实施例中，根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，包括：确定所述第一洗钱交易集中涉及的用户；根据所述用户画像集，确定所述第一洗钱交易集中涉及的用户的标签数据；获取所述第一洗钱交易中各个交易的转账类型；根据所述第一洗钱交易中各个交易的转账类型和涉及的用户的标签数据，确定所述第一洗钱交易集中的正常交易；将确定的正常交易从所述第一洗钱交易集中移除，得到所述第二洗钱交易集。

在一个实施例中，所述复杂网络特征包括以下至少之一：转账出度、转账入度、转账k度关系节点数、聚合系数、所属社区、转账时间、转账金额、转账类型。

本申请实施例还提供了一种洗钱交易识别装置，包括：获取模块，用于获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；第一确定模块，用于根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征；第二确定模块，用于根据所述目标交易数据集的复杂网络特征，利用所述洗钱交易概率计算模型，确定所述目标交易数据集中各个交易为洗钱交易的概率；处理模块，用于将概率大于等于预设阈值的交易作为第一洗钱交易集；移除模块，用于根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将所述第二洗钱交易集中的交易作为洗钱交易。

在一个实施例中，还包括：第一获取单元，用于从预设数据库中获取各个用户的用户信息和历史交易数据；第一确定单元，用于根据所述各个用户的用户信息和历史交易数据，确定所述各个用户的特征数据；第二确定单元，用于根据所述各个用户的特征数据，确定所述各个用户的用户画像，其中，所述用户画像集中包括所述各个用户的用户画像。

在一个实施例中，还包括：第二获取单元，用于从洗钱交易知识库中获取历史洗钱交易数据集；第三确定单元，用于根据所述用户画像集确定所述用户画像集中各个用户的标签数据；构建单元，用于根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络；第四确定单元，用于根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络，确定所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征；训练单元，用于根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征，利用机器学习算法训练得到洗钱交易概率计算模型。

本申请实施例还提供了一种洗钱交易识别设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述洗钱交易识别方法的步骤。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述洗钱交易识别方法的步骤。

本申请实施例提供了一种洗钱交易识别方法，可以通过获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型，其中，通过目标时间段的长度限制获取的交易的时间范围，有效避免了交易时间跨度太大对预测结果造成的影响。可以根据用户画像集和目标交易数据集，确定目标交易数据集的复杂网络特征，并根据目标交易数据集的复杂网络特征，利用洗钱交易概率计算模型，确定目标交易数据集中各个交易为洗钱交易的概率，以复杂网络特征作为输入数据来预测目标交易数据集中各个交易为洗钱交易的概率，可以从多维度更好的体现交易的特征，从而提高模型预测的准确度。进一步的，可以将概率大于等于预设阈值的交易作为第一洗钱交易集，并根据用户画像集，将第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将第二洗钱交易集中的交易作为洗钱交易。从而可以根据用户画像对预测得到的洗钱交易进行进一步的筛选，以避免将某些特殊客户进行的交易进行误判，有效提高了洗钱交易识别的准确度，进一步确保了交易的安全性。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。在附图中：

图1是根据本申请实施例提供的洗钱交易识别方法的步骤示意图；

图2是根据本申请具体实施例提供的洗钱交易识别方法的示意图；

图3是根据本申请实施例提供的洗钱交易识别装置的结构示意图；

图4是根据本申请实施例提供的洗钱交易识别设备的结构示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本申请公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

本领域的技术人员知道，本申请的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此，本申请公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

虽然下文描述流程包括以特定顺序出现的多个操作，但是应该清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。

由于现有技术中通常采用机器学习算法来训练模型，并使用训练好的模型来识别某笔交易是否具有洗钱性质。其中，上述模型的输入为：交易数据，输出为：具有洗钱性质或者不具有洗钱性质。而直接采用历史洗钱交易数据训练模型，不仅无法准确识别出手法复杂的洗钱交易模式，而且无法有效地识别出历史交易数据中没有出现的洗钱交易模式。并且由于洗钱交易通常会模拟正常的交易手法，使得一些洗钱交易模式和某些特殊客户的正常交易模式非常相似，如果直接采用上述训练好的模型来识别某笔交易是否具有洗钱性质，很容易会产生误判的情况。因此，采用现有技术中的方案无法准确、有效地识别洗钱交易。

基于以上问题，本发明实施例提供了一种洗钱交易识别方法，如图1所示，可以包括以下步骤：

S101：获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型。

在一个实施例中，可以预先获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概念计算模型。其中，上述用户画像集中可以包括银行中所有用户的用户画像，上述用户画像是对用户特征的文本化抽象，其核心是给用户打标签，标签通常是人为规定的高度精炼的特征标识，如年龄、性别、地域、兴趣、所属社区等，每个标签分别描述用户的一个维度，各个维度之间相互联系，共同构成对用户的一个整体描述。

由于洗钱涉及的转账交易通常是在一定的时间范围之内的，如果对银行中发生的所有转账交易进行识别，会降低数据的有效性和识别的精度。因此，在一个实施例中，上述目标时间段的长度可以为一个固定值，例如：3天、一个星期甚至一个月等。而上述目标时间段的起始时间点可以为一个变化值，其中，目标时间段的起始时间点可以根据实际情况确定，本申请对此不作限定。

上述目标时间段的长度可以用于表征一般洗钱交易持续的时间长度，因此，可以将历史洗钱交易中交易持续时间的平均值作为上述目标时间段的长度，或者将历史洗钱交易中交易持续时间出现频率最高的值作为上述目标时间段的长度，当然还可以在利用机器学习算法训练洗钱交易概率计算模型时通过模型调参获取得到洗钱交易持续时间的最优值，即上述目标时间段的长度。可以理解的是，还可以采用其它可能的方式确定上述目标时间段的长度，具体的可以根据实际情况确定，本申请对此不作限定。

目标交易数据集中可以包括在目标时间段内发生的所有交易数据，上述洗钱交易概率计算模型可以理解为基于历史数据训练获得的可以表征一笔交易属于洗钱交易的概率与该交易的复杂网络特征时间的关系的模型。

S102：根据用户画像集和目标交易数据集，确定目标交易数据集的复杂网络特征。

由于不同的交易具有不同的特点，因此，在一个实施例中，可以根据上述用户画像集和目标交易数据集，确定上述目标交易数据集的复杂网络特征。上述复杂网络特征可以用于表征用户之间进行的交易的特点，可以更好的体现交易的特征和共性，上述复杂网络特征可以包括但不限于以下至少之一：转账出度、转账入度、转账k度关系节点数、聚合系数、所属社区、转账时间、转账金额、转账类型。

在一些实施例中，可以按照以下方式确定目标交易数据集的复杂网络特征，具体的，可以根据目标交易数据集，确定目标交易数据集中涉及的用户，并根据用户画像集，确定目标交易数据集中涉及的用户的标签数据，其中，上述标签数据可以包括但不限于以下至少之一：性别、职业、学历、年龄、兴趣、所属地域、资产信息、兴趣、收入状况、购买力水平、购买频次等。

进一步的，可以根据涉及的用户的标签数据和目标交易数据集，构建目标交易数据集的以用户为节点、交易关系为边的有向复杂网络，并根据目标交易数据集的复杂网络，确定目标交易数据集的复杂网络特征。其中，具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络可以称为复杂网络，复杂网络可以用于研究事物关系，在本实施例中可以使用复杂网络研究用户之间的转账交易。复杂网络中可以将用户作为节点，节点的属性中可以包括该节点对应的用户的标签数据，转账交易作为复杂网络中的边，边的属性可以包括：转账时间、转账金额、转账类型等。在某一个时间窗口内所有的转账交易就形成了一个有向的转账网络，上述时间窗口的长度等于上述目标时间段的长度。

S103：根据目标交易数据集的复杂网络特征，利用洗钱交易概率计算模型，确定目标交易数据集中各个交易为洗钱交易的概率。

在得到目标交易数据集的复杂网路特征之后，可以将目标交易数据集的复杂网路特征作为上述洗钱交易概率计算模型的输入数据，以确定目标交易集中各个交易为洗钱交易的概率。在目标时间段内的目标交易数据集中可以包括在目标时间段内发生的所有交易数据，目标交易数据集中的单笔交易都对应上述复杂网络中的两个节点和一条边，因此，可以根据目标交易数据集的复杂网络特征，确定目标交易数据集中各个交易为洗钱交易的概率。

在一个实施例中，可以通过计算目标交易数据集的复杂网络特征与洗钱交易的复杂网络特征之间的相似度来确定，目标交易数据集中的交易为洗钱交易的概率，当然还可以采用其它可能的方式确定目标交易数据集中的交易为洗钱交易的概率，本申请对此不作限定。

S104：将概率大于等于预设阈值的交易作为第一洗钱交易集。

在某个交易为洗钱交易的概率大于等于上述预设阈值的情况下，说明该交易很有可能为洗钱交易，因此，在一个实施例中，可以将概率大于等于预设阈值的交易作为第一洗钱交易集。上述预设阈值可以为大于0小于等于1的数值，例如：0.5、0.7、0.9等，具体的可以根据实际情况确定，本申请对此不作限定。

S105：根据用户画像集，将第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将第二洗钱交易集中的交易作为洗钱交易。

由于是将概率大于等于预设阈值的交易作为第一洗钱交易，因此，上述第一洗钱交易中很有可能存在与洗钱交易很相似的正常交易。在一个实施例中，可以根据用户画像确定第一洗钱交易集中涉及的用户的标签数据，根据涉及的用户的标签数据将第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，并将第二洗钱交易集中的交易作为最终确定的洗钱交易。其中，可以判定为正常交易的用户标签可以包括但不限于以下至少之一：商家收款、客户身份变更(例如：从普通职员变为私营企业老板)、临时替他人收款、中奖等。

对于识别出的洗钱交易，可以提醒相关工作人员及时处理，洗钱交易涉及的用户账户可以进行风险标识，以便后续对该账户进行继续监控管理。

在一个实施例中，最终确定的洗钱交易的标签数据可以为“洗钱”，对应的可以更新操作最终确定的洗钱交易的用户的标签数据为“洗钱”，或者将标签数据“洗钱”添加至操作最终确定的洗钱交易的用户的标签中，具体的可以根据实际情况确定，本申请对此不作限定。

由于洗钱交易通常是以转账的方式进行，因此，在一个实施例中，还可以根据转账类型确定第一洗钱交易集中的正常交易。具体的，可以先确定第一洗钱交易集中涉及的用户，并根据用户画像集，确定第一洗钱交易集中涉及的用户的标签数据。可以获取第一洗钱交易中各个交易的转账类型，其中，上述转账类型可以包括但不限于以下至少之一：关联账户转账、内转账汇款、国内跨行转账汇款、定期存款转账、信用卡转账、手机号转账、工资转账、定向转账、任意转账、跨国转账。

进一步的，可以根据第一洗钱交易中各个交易的转账类型和涉及的用户的标签数据两个指标，确定第一洗钱交易集中的正常交易，并将确定的正常交易从第一洗钱交易集中移除，得到第二洗钱交易集。其中，可以认为是正常交易的转账类型可以包括：关联账户转账、工资转账、定期存款转账等，在一些具体的实施例中，可以预先设定为正常交易的用户标签数据和转账类型。

在一个实施例中，可以按照以下方式确定上述用户画像集，具体的，可以从预设数据库中获取各个用户的用户信息和历史交易数据，其中，上述预设数据库可以为银行中的：客户信息数据库、历史交易数据库，上述历史交易数据的交易类型优选的可以为转账交易。

进一步的，可以根据各个用户的用户信息和历史交易数据，确定各个用户的特征数据，其中，用户的特征数据可以包括以下至少之一：性别、职业、学历、年龄、兴趣、所属地域、资产信息、兴趣、收入状况、购买力水平、购买频次等。在得到各个用户的特征数据之后，可以对各个用户的特征数据进行统计分析，从而确定各个用户的用户画像，各个用户的用户画像的集合可以作为上述用户画像集。

在一个实施例中，可以按照以下方式建立上述洗钱交易概率计算模型，具体的，可以从洗钱交易知识库中获取历史洗钱交易数据集，上述历史洗钱交易数据集中可以包括知识库中存储的所有洗钱交易数据，其中，由于洗钱交易通常是以转账的方式进行并且转账手法复杂，因此，每一笔洗钱交易中可以包括多个转账交易，即每一笔洗钱交易中至少涉及两个用户。

进一步的，可以根据用户画像集确定用户画像集中各个用户的标签数据，并根据历史洗钱交易数据集和上述各个用户的标签数据，为历史洗钱交易数据集中各个洗钱交易构建复杂网络。可以根据历史洗钱交易数据集中各个洗钱交易的复杂网络，确定历史洗钱交易数据集中各个洗钱交易的复杂网络特征。由于上述复杂网络特征可以用于表征用户之间进行的转账交易的特点，可以更好地体现洗钱交易的特征和共性，因此，可以根据历史洗钱交易数据集中各个洗钱交易的复杂网络特征，利用机器学习算法训练得到洗钱交易概率计算模型。

其中，上述标签数据可以包括但不限于以下至少之一：性别、职业、学历、年龄、兴趣、所属地域、资产信息、兴趣、收入状况、购买力水平、购买频次等。上述复杂网络特征可以包括但不限于以下至少之一：转账出度、转账入度、转账k度关系节点数、聚合系数、所属社区、转账时间、转账金额、转账类型。具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络可以称为复杂网络，复杂网络可以用于研究事物关系，在本申请中可以用复杂网络研究用户之间的转账交易。复杂网络中可以将用户作为节点，节点的属性中可以包括该节点对应的用户的标签数据，转账交易作为复杂网络中的边，边的属性可以包括：转账时间、转账金额、转账类型等。在某一个时间窗口内所有的转账交易就形成了一个有向的转账网络，上述时间窗口的长度等于上述目标时间段的长度。

在一个实施例中，在根据历史洗钱交易数据集中各个洗钱交易的复杂网络特征，利用机器学习算法训练得到洗钱交易概率计算模型时，可以先历史洗钱交易数据集中各个洗钱交易的复杂网络特征进行随机划分，得到训练集和测试集。其中，上述训练集中还可以包括历史交易数据中的正常交易，训练数据可以包括：交易的复杂网络特征和该交易为洗钱交易的概率。可以根据机器学习方法预先建立一个初始洗钱交易概率计算模型，其中，初始洗钱交易概率计算模型中包括多个模型参数，模型参数中可以包括：时间窗口长度。

进一步的，可以将训练集中的交易的复杂网络特征作为上述初始洗钱交易概率计算模型的输入数据，将对应的交易为洗钱交易的概率作为上述初始洗钱交易概率计算模型的输出数据。并且可以通过测试集对初始洗钱交易概率计算模型中的多个模型参数进行调整，直至初始洗钱交易概率计算模型达到预设要求，此时可以得到最终的洗钱交易概率计算模型。其中，上述时间窗口的初始值根据经验选取，也可以将历史洗钱交易中交易持续时间的平均值作为上述时间窗口的初始值，或者将历史洗钱交易中交易持续时间出现频率最高的值作为上述时间窗口的初始值。具体的可以根据实际情况确定，本申请对此不作限定。

可以将最终调整得到的时间窗口长度作为上述目标时间段的长度，目标时间段的长度可以用于表征洗钱交易的一般持续时间长度，从而可以通过目标时间段的长度限制交易的时间范围，有效避免了交易时间跨度太大对预测结果造成的影响。

在一些实施例中，在根据历史洗钱交易数据集和各个用户标签数据，为历史洗钱交易数据集中各个洗钱交易构建复杂网络时，可以先获取历史洗钱交易数据集中的目标洗钱交易数据。由于并不是每一笔洗钱交易的持续时间长度均为目标时间段的长度，因此，可以根据目标洗钱交易数据，确定目标洗钱交易数据在目标时间段的长度内涉及的用户。例如：目标洗钱交易的持续时间未5天，目标时间段的长度为3天，可以截取目标洗钱交易中3天的交易数据，具体截取哪三天可以根据实际情况确定每本申请对此不作限定。

进一步的，可以根据用户画像集，确定目标洗钱交易数据在目标时间段的长度内涉及的用户的标签数据，并根据涉及的用户的标签数据和目标洗钱交易数据，为目标洗钱交易构建在目标时间段的长度内以用户为顶点、交易关系为边的有向复杂网络。在本实施例中仅是以目标洗钱交易数据作为示例，可以理解的是其它洗钱交易数据的复杂网络构建方式与目标洗钱交易数据的复杂网络构建方式是相似的，重复之处不再赘述。

从以上的描述中，可以看出，本申请实施例实现了如下技术效果：可以通过获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型，其中，通过目标时间段的长度限制获取的交易的时间范围，有效避免了交易时间跨度太大对预测结果造成的影响。可以根据用户画像集和目标交易数据集，确定目标交易数据集的复杂网络特征，并根据目标交易数据集的复杂网络特征，利用洗钱交易概率计算模型，确定目标交易数据集中各个交易为洗钱交易的概率，以复杂网络特征作为输入数据来预测目标交易数据集中各个交易为洗钱交易的概率，可以从多维度更好的体现交易的特征，从而提高模型预测的准确度。进一步的，可以将概率大于等于预设阈值的交易作为第一洗钱交易集，并根据用户画像集，将第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将第二洗钱交易集中的交易作为洗钱交易。从而可以根据用户画像对预测得到的洗钱交易进行进一步的筛选，以避免将某些特殊客户进行的交易进行误判的情况，有效提高了洗钱交易识别的准确度。

下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。

本发明实施提供了一种洗钱交易识别方法，如图2所示，可以包括：

步骤1：利用用户信息数据和交易数据库中的所有交易数据确定用户的特征数据并为用户画像。

步骤2：构建复杂网络。

根据历史洗钱交易数据库中的历史洗钱交易，构建每个历史洗钱交易在目标时间段的长度内的复杂网络；并根据交易数据库中在目标时间段内的目标交易数据集，构建目标交易数据集的复杂网络。其中，上述复杂网络是以用户为顶点，交易为边的有向网络，顶点属性包括：根据用户画像得到的用户标签，边属性包括：转账时间、转账金额、转账类型等交易属性。上述复杂网络的属性包括：转账出度、转账入度、转账k度关系节点数、聚合系数、所属社区。

步骤3：计算复杂网络特征。

通过复杂网络算法计算每个历史洗钱交易在目标时间段的长度内的复杂网络的特征，以及目标交易数据集的复杂网络的特征，上述复杂网络的特征可以包括：转账出度、转账入度、转账k度关系节点数、聚合系数、所属社区、转账时间、转账金额、转账类型。

步骤4：概率打分。

利用机器学习算法预先训练得到的洗钱交易概率计算模型，对目标交易数据集中的各个交易的复杂网络特征与历史洗钱交易的复杂网络特征的相似度进行打分，得到目标交易数据集中的各个交易为洗钱交易的概率。

步骤5：阈值判定。

将概率大于等于0.7的交易作为第一洗钱交易集。

步骤6：特殊客户和特殊交易过滤，

根据复杂网络的节点属性中的用户标签以及边属性中的转账类型，剔除当前时间窗口中的正常交易，剔除第一洗钱交易集中的正常交易，并将提出正常交易后的第二洗钱交易集中的交易作为最终判定的洗钱交易。例如：洗钱交易手法有类似于商家收付款的，可以通过“商家”的用户标签避免正常的商家收付款交易被确定为洗钱交易。

基于同一发明构思，本申请实施例中还提供了一种洗钱交易识别装置，如下面的实施例。由于洗钱交易识别装置解决问题的原理与洗钱交易识别方法相似，因此洗钱交易识别装置的实施可以参见洗钱交易识别方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图3是本申请实施例的洗钱交易识别装置的一种结构框图，如图3所示，可以包括：获取模块301、第一确定模块302、第二确定模块303、处理模块304和移除模块305，下面对该结构进行说明。

获取模块301，可以用于获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；

第一确定模块302，可以用于根据用户画像集和目标交易数据集，确定目标交易数据集的复杂网络特征；

第二确定模块303，可以用于根据目标交易数据集的复杂网络特征，利用洗钱交易概率计算模型，确定目标交易数据集中各个交易为洗钱交易的概率；

处理模块304，可以用于将概率大于等于预设阈值的交易作为第一洗钱交易集；

移除模块305，可以用于根据用户画像集，将第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将第二洗钱交易集中的交易作为洗钱交易。

在一个实施例中，上述洗钱交易识别装置还可以包括：第一获取单元，用于从预设数据库中获取各个用户的用户信息和历史交易数据；第一确定单元，用于根据各个用户的用户信息和历史交易数据，确定各个用户的特征数据；第二确定单元，用于根据各个用户的特征数据，确定各个用户的用户画像，其中，用户画像集中包括各个用户的用户画像。

在一个实施例中，上述洗钱交易识别装置还可以包括：第二获取单元，用于从洗钱交易知识库中获取历史洗钱交易数据集；第三确定单元，用于根据用户画像集确定用户画像集中各个用户的标签数据；构建单元，用于根据历史洗钱交易数据集和各个用户标签数据，为历史洗钱交易数据集中各个洗钱交易构建复杂网络；第四确定单元，用于根据历史洗钱交易数据集中各个洗钱交易的复杂网络，确定历史洗钱交易数据集中各个洗钱交易的复杂网络特征；训练单元，用于根据历史洗钱交易数据集中各个洗钱交易的复杂网络特征，利用机器学习算法训练得到洗钱交易概率计算模型。

本申请实施方式还提供了一种电子设备，具体可以参阅图4所示的基于本申请实施例提供的洗钱交易识别方法的电子设备组成结构示意图，电子设备具体可以包括输入设备41、处理器42、存储器43。其中，输入设备41具体可以用于输入用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型。处理器42具体可以用于获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；根据用户画像集和目标交易数据集，确定目标交易数据集的复杂网络特征；根据目标交易数据集的复杂网络特征，利用洗钱交易概率计算模型，确定目标交易数据集中各个交易为洗钱交易的概率；将概率大于等于预设阈值的交易作为第一洗钱交易集；根据用户画像集，将第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将第二洗钱交易集中的交易作为洗钱交易。存储器43具体可以用于存储第二洗钱交易集等参数。

在本实施方式中，输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。输入设备还可以获取接收其他模块、单元、设备传输过来的数据。处理器可以按任何适当的方式实现。例如，处理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(ApplicationSpecific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。存储器具体可以是现代信息技术中用于保存信息的记忆设备。存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。

在本实施方式中，该电子设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

本申请实施方式中还提供了一种基于洗钱交易识别方法的计算机存储介质，计算机存储介质存储有计算机程序指令，在计算机程序指令被执行时可以实现：获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；根据用户画像集和目标交易数据集，确定目标交易数据集的复杂网络特征；根据目标交易数据集的复杂网络特征，利用洗钱交易概率计算模型，确定目标交易数据集中各个交易为洗钱交易的概率；将概率大于等于预设阈值的交易作为第一洗钱交易集；根据用户画像集，将第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将第二洗钱交易集中的交易作为洗钱交易。

在本实施方式中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。

在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。

显然，本领域的技术人员应该明白，上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请实施例不限制于任何特定的硬件和软件结合。

虽然本申请提供了如上述实施例或流程图所述的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述的方法的在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此，本申请的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种洗钱交易识别方法，其特征在于，包括：

获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；

根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征；

根据所述目标交易数据集的复杂网络特征，利用所述洗钱交易概率计算模型，确定所述目标交易数据集中各个交易为洗钱交易的概率；

将概率大于等于预设阈值的交易作为第一洗钱交易集；

根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将所述第二洗钱交易集中的交易作为洗钱交易。

2.根据权利要求1所述的方法，其特征在于，在获取用户画像集之前，还包括：

从预设数据库中获取各个用户的用户信息和历史交易数据；

根据所述各个用户的用户信息和历史交易数据，确定所述各个用户的特征数据；

根据所述各个用户的特征数据，确定所述各个用户的用户画像，其中，所述用户画像集中包括所述各个用户的用户画像。

3.根据权利要求1所述的方法，其特征在于，在获取利用机器学习算法预先训练得到的洗钱交易概率计算模型之前，还包括：

从洗钱交易知识库中获取历史洗钱交易数据集；

根据所述用户画像集确定所述用户画像集中各个用户的标签数据；

根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络；

根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络，确定所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征；

根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征，利用机器学习算法训练得到洗钱交易概率计算模型。

4.根据权利要求3所述的方法，其特征在于，根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络，包括：

获取历史洗钱交易数据集中的目标洗钱交易数据；

根据所述目标洗钱交易数据，确定所述目标洗钱交易数据在所述目标时间段的长度内涉及的用户；

根据所述用户画像集，确定所述涉及的用户的标签数据；

根据所述涉及的用户的标签数据和所述目标洗钱交易数据，为目标洗钱交易构建在所述目标时间段的长度内的复杂网络。

5.根据权利要求1所述的方法，其特征在于，根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征，包括：

根据所述目标交易数据集，确定所述目标交易数据集中涉及的用户；

根据所述用户画像集，确定所述目标交易数据集中涉及的用户的标签数据；

根据所述涉及的用户的标签数据和所述目标交易数据集，构建所述目标交易数据集的复杂网络；

根据所述目标交易数据集的复杂网络，确定所述目标交易数据集的复杂网络特征。

6.根据权利要求1所述的方法，其特征在于，根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，包括：

确定所述第一洗钱交易集中涉及的用户；

根据所述用户画像集，确定所述第一洗钱交易集中涉及的用户的标签数据；

获取所述第一洗钱交易中各个交易的转账类型；

根据所述第一洗钱交易中各个交易的转账类型和涉及的用户的标签数据，确定所述第一洗钱交易集中的正常交易；

将确定的正常交易从所述第一洗钱交易集中移除，得到所述第二洗钱交易集。

7.根据权利要求1所述的方法，其特征在于，所述复杂网络特征包括以下至少之一：转账出度、转账入度、转账k度关系节点数、聚合系数、所属社区、转账时间、转账金额、转账类型。

8.一种洗钱交易识别装置，其特征在于，包括：

获取模块，用于获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；

第一确定模块，用于根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征；

第二确定模块，用于根据所述目标交易数据集的复杂网络特征，利用所述洗钱交易概率计算模型，确定所述目标交易数据集中各个交易为洗钱交易的概率；

处理模块，用于将概率大于等于预设阈值的交易作为第一洗钱交易集；

移除模块，用于根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将所述第二洗钱交易集中的交易作为洗钱交易。

9.根据权利要求8所述的装置，其特征在于，还包括：

第一获取单元，用于从预设数据库中获取各个用户的用户信息和历史交易数据；

第一确定单元，用于根据所述各个用户的用户信息和历史交易数据，确定所述各个用户的特征数据；

第二确定单元，用于根据所述各个用户的特征数据，确定所述各个用户的用户画像，其中，所述用户画像集中包括所述各个用户的用户画像。

10.根据权利要求8所述的装置，其特征在于，还包括：

第二获取单元，用于从洗钱交易知识库中获取历史洗钱交易数据集；

第三确定单元，用于根据所述用户画像集确定所述用户画像集中各个用户的标签数据；

构建单元，用于根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络；

第四确定单元，用于根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络，确定所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征；

训练单元，用于根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征，利用机器学习算法训练得到洗钱交易概率计算模型。

11.一种洗钱交易识别设备，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至7中任一项所述方法的步骤。

12.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1至7中任一项所述方法的步骤。

Images