CN111309788A - 一种银行客户交易网络的社区结构发现方法及系统 - Google Patents

一种银行客户交易网络的社区结构发现方法及系统 Download PDF

Info

Publication number
CN111309788A
CN111309788A CN202010154592.8A CN202010154592A CN111309788A CN 111309788 A CN111309788 A CN 111309788A CN 202010154592 A CN202010154592 A CN 202010154592A CN 111309788 A CN111309788 A CN 111309788A
Authority
CN
China
Prior art keywords
community
account
customer transaction
local
node
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
CN202010154592.8A
Other languages
English (en)
Inventor
杜航原
王文剑
白亮
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.)
Shanxi University
Original Assignee
Shanxi University
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 Shanxi University filed Critical Shanxi University
Priority to CN202010154592.8A priority Critical patent/CN111309788A/zh
Publication of CN111309788A publication Critical patent/CN111309788A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及一种银行客户交易网络的社区结构发现方法及系统。包括以下步骤：S1、抽取客户交易数据构建银行客户交易网络；S2、对每个账户节点的局部子网络划分局部社区；S3、确定账户节点的社区标签传播顺序；S4、计算每个账户节点的社区确定度；S5、初始化所有账户节点的社区标签；S6、按照社区标签传播顺序对所有账户节点的社区标签进行更新；S7、检查各账户节点的社区标签是否发生变化，如有变化进行下一轮迭代更新，如无变化则划分到同一社区当中。本发明基于客户交易数据中蕴含的关联关系构建客户交易网络，通过识别发现其中的社区结构，避免了传统的依赖于客户属性的交易分析方法由于属性缺失而导致难以有效反映客户经济活动规律的问题。

Description

一种银行客户交易网络的社区结构发现方法及系统
技术领域
本发明属于金融科技技术领域，具体涉及一种银行客户交易网络的社区结构发现方法及系统。
背景技术
银行是人类经济生活的重要构成部分，银行业务的稳定运转与国民经济命脉密切相关，其中商业银行已逐渐发展成为高利润但同业竞争非常激烈的行业。信息技术在商业银行的业务中已经得到了深入而广泛的应用，多年来各商业银行积累了海量的客户交易数据，通过对其中蕴含的潜在规律进行充分挖掘，可以在很大程度上提升商业银行的管理水平与业务竞争力。此外，由于客户在银行开设账户时，提交给银行的个人信息比较有限，且难以有效反映客户的经济活动规律，相反账户开设以后客户的交易记录能较好地反映他们的经济活动规律。这些客户交易数据具有数据量庞大、数据类型繁杂以及随时间不断演变等特点，依据这些数据构建银行客户交易网络并识别发现其中的社区结构，将为挖掘客户交易数据中潜在的规律奠定重要的基础。例如银行业务人员可以通过社区结构更清楚地认识银行客户交易系统的拓扑结构；依据社区结构可以对客户进行分类，从而有效挖掘重要的客户；利用社区结构可以对不同客户群之间的关系进行更深入地研究与理解，以维持整个交易系统的连通性；社区结构可以帮助银行业务人员发现并理解银行客户交易网络的动力学行为特征，比如宏观资金流向等。
公开号为CN108876102A的专利《一种风险交易挖掘方法、装置及设备》公开了一种风险交易挖掘方法、装置及设备，在针对风险识别模型选取训练样本的过程中，可以将未被明确认定为风险交易的交易数据，作为待筛选交易数据，并将已经确认的风险交易作为参考，在待筛选交易数据中找到与风险交易具有相同共性的交易数据，显然，这些交易数据所对应的交易可认为同样是风险交易，从而实现从待筛选交易数据中挖掘出之前未被识别出的风险交易。公开号为CN110097451A的专利《一种银行业务的监控方法及装置》，该发明实施例涉及数据处理技术领域，尤其涉及一种银行业务的监控方法及装置，用以综合考虑业务的多维度属性，增加监控的准确性和说服力。本发明实施例包括：根据被监控业务的交易数据，确定被监控业务的业务标签，以及被监控业务的多个业务属性的值；针对被监控业务的多个业务属性中的任一业务属性，将业务属性作为一个像素点，生成被监控业务的业务画像；业务画像的一个像素点的值等于对应的业务属性的值；将被监控业务的业务画像输入卷积神经网络模型中，得到被监控业务属于不同业务种类的概率分布；卷积神经网络模型根据历史交易数据训练得到；将概率最大的业务种类与被监控业务的业务标签相比较，对被监控业务进行评判。公开号为CN110276692A的专利《一种处理交易数据的方法及装置》，该发明实施例提供了一种处理交易数据的方法及装置，涉及金融科技技术领域，该方法包括：预先在规则引擎中设置拆分规则、预设的数据记录规则、预设的数据映射规则，在接收到交易数据时，通过调用拆分规则对交易数据进行拆分，生成每个交易机构对应的子交易数据，然后调用预设的数据记录规则对子交易数据进行记录，获得每个交易机构对应的录入数据，之后再调用预设的数据映射规则对录入数据进行反算，获得每个交易机构的数据记录，实现自动生成银团中每个交易机构的数据记录。其次，采用单独的系统生成银团中每个交易机构的数据记录，故在交易量大的情况下不会影响数据的处理速度，也不会影响联机交易。
综上所述，现有的银行交易数据分析工作主要在客户属性数据的基础上通过传统的数据挖掘方法开展，而基于复杂网络分析视角开展的相关工作还很少见。因此如何充分利用银行交易数据蕴含的复杂关联信息，构建银行客户交易网络并识别发现其中的社区结构，对于挖掘客户交易数据中潜在的规律具有重要的理论价值和现实意义。
发明内容
本发明针对上述问题提供了一种银行客户交易网络的社区结构发现方法及系统。
为达到上述目的本发明采用了以下技术方案：
一种银行客户交易网络的社区结构发现方法，包括以下步骤：
S1、由银行支付系统中抽取客户交易数据，从中提取关键字段，依据账户间的交易关系构建银行客户交易网络；
S2、对于银行客户交易网络中的任一账户节点，其周围与之存在直接连边关系的邻居账户节点以及这些连边共同构成了该账户节点的局部子网络，利用最优模块度模型对银行客户交易网络中每个账户节点的局部子网络划分局部社区；
S3、计算银行客户交易网络中每个账户节点的信息熵，确定账户节点的社区标签传播顺序；
S4、计算银行客户交易网络中每个账户节点的社区确定度；
S5、为银行客户交易网络中的所有账户节点随机分配初始化社区标签，初始状态下每个账户节点各自位于不同的社区内；
S6、按照步骤S3中确定的社区标签传播顺序，对银行客户交易网络中所有账户节点的社区标签进行依次更新；
S7、检查银行客户交易网络中各账户节点的社区标签是否发生变化，如有变化则返回步骤S6对账户节点的社区标签进行下一轮迭代更新，如无变化则将具有相同社区标签的账户节点划分到同一社区当中，作为社区结构发现结果输出至银行业务人员，帮助其开展客户群体分类、重要客户挖掘以及交易行为分析等工作。
进一步，所述步骤S1由银行支付系统中抽取客户交易数据，从中提取关键字段，依据账户间的交易关系构建银行客户交易网络，具体步骤如下：
S11、由银行支付系统中抽取客户交易订单数据，将抽取出的交易数据以XML报文的形式存储，并从中提取每条交易数据的关键字段，包括：交易时间、交易金额、付款人姓名、付款人账号、收款人姓名以及收款人账号；
S12、利用上述客户交易数据中的交易关系构建银行客户交易网络，具体而言，银行客户交易网络由大量账户节点和连边共同构成：将由账号和姓名确定的账户作为账户节点，若两个账户之间存在交易关系，则这两个账户对应的账户节点之间存在一条连边，并以这两个账户间的累计交易金额作为连边的权值；将银行客户交易网络记作G(V,E)，其中V＝(v1,v2,…,vm)表示客户交易网络中所有账户节点构成的集合，vi表示客户交易网络中第i个账户节点(1≤i≤m)，m为客户交易网络中账户节点的数量，E＝(e1,e2,…,en)表示客户交易网络中所有连边构成的集合，ej表示客户交易网络中第j条连边(1≤j≤n)，其取值为该连边的权值，即ej连接的两个账户节点之间的累计交易金额，n为客户交易网络中所有连边的数量；利用L＝(l1,l2,…,lm)表示客户交易网络中所有账户节点的社区标签构成的集合，li(1≤i≤m)为账户节点vi的社区标签，表示账户节点vi属于社区li，若两个账户节点的社区标签取值相同，则表示这两个账户节点属于同一社区。
再进一步，所述步骤S2中利用最优模块度模型对银行客户交易网络中每个账户节点的局部子网络划分局部社区，具体步骤如下：
S21、初始化局部子网络Gi的局部社区分布，为每个账户节点随机分配局部社区标签，将局部子网络中的账户节点随机划分到不同的局部社区中；
S22、利用式(1)计算账户节点vi的局部子网络Gi的模块度Qi：
Figure BDA0002403630130000051
其中mi为账户节点vi的局部子网络Gi中包含的账户节点数量，ni为账户节点vi的局部子网络Gi中所有连边的权值之和；1≤p≠q≤mi是账户节点vi的局部子网络Gi中任意两个账户节点的序号；A为账户节点vi的局部子网络Gi的邻接矩阵，其元素Apq表示Gi中两个账户节点p和q之间的关联关系，若账户节点p和q之间存在连边，则Apq取值为1，否则Apq取值为0；kp表示账户节点vi的局部子网络Gi中账户节点p的度，即账户节点p的连边数量；kq表示账户节点vi的局部子网络Gi中账户节点q的度，即账户节点q的连边数量；
Figure BDA0002403630130000052
为账户节点p的局部社区标签，
Figure BDA0002403630130000053
为账户节点q的局部社区标签，若账户节点p和q同属一个局部社区，则
Figure BDA0002403630130000054
否则
Figure BDA0002403630130000055
S23、对账户节点vi的局部子网络Gi中具有连边关系的局部社区进行两两合并，合并后的局部社区具有相同的局部社区标签；
S24、利用式(1)计算局部社区合并后账户节点vi的局部子网络Gi的模块度，记此时的模块度为
Figure BDA0002403630130000056
若
Figure BDA0002403630130000057
则令
Figure BDA0002403630130000058
并返回步骤S23继续进行社区合并，否则进入步骤S25；
S25、记录账户节点vi的局部子网络Gi中所有账户节点的局部社区标签，完成Gi的局部社区划分，记Gi的局部社区数量为Ni，此时Gi的最优模块度为
Figure BDA0002403630130000059
更进一步，所述步骤S3计算银行客户交易网络中每个账户节点的信息熵，确定账户节点的社区标签传播顺序，具体步骤如下：
S31、计算银行客户交易网络中每个账户节点的信息熵，其中账户节点vi的信息熵计算方法如式(2)所示：
Figure BDA0002403630130000061
其中，Hi表示客户交易网络中第i个账户节点vi的信息熵，Ni为通过步骤S25得到的Gi的局部社区数量，1≤a≤Ni表示Gi中局部社区的序号，ωa表示Gi中第a个局部社区的分布概率，其计算方法如式(3)：
Figure BDA0002403630130000062
其中，
Figure BDA0002403630130000063
表示局部子网络Gi中第a个局部社区中的账户节点数；
S32、按照S31计算出的信息熵对银行客户交易网络中的全部账户节点进行升序排列，以此作为账户节点的社区标签传播顺序，即以信息熵最小的账户节点作为社区标签传播的起点。
更进一步，所述步骤S4计算银行客户交易网络中每个账户节点的社区确定度，其中客户交易网络中账户节点vi的社区确定度的计算方法如式(4)所示：
Figure BDA0002403630130000064
其中，Ωi表示客户交易网络中账户节点vi的社区确定度，其取值越大表明账户节点vi的局部子网络中社区结构的确定性越高，
Figure BDA0002403630130000065
为步骤S25获得的账户节点vi的局部子网络Gi的最优模块度，Hi为步骤S31获得的账户节点vi的信息熵。
更进一步，所述步骤S6按照步骤S3中确定的社区标签传播顺序，对银行客户交易网络中所有账户节点的社区标签进行依次更新，具体步骤如下：
S61、选出与账户节点vi存在直接连边关系的邻居账户节点集合Vi中社区确定度最大的账户节点，记作oi；
S62、比较账户节点oi的社区标签与账户节点vi的社区标签是否一致，如不一致则将vi的社区标签替换为oi的社区标签；
S63、按照步骤S3确定的标签传播顺序对客户交易网络中所有账户节点的社区标签依次执行步骤S61和S62。
一种银行客户交易网络的社区结构发现系统，包括客户交易数据存取单元、计算机处理器和内存、客户交易网络构建单元、局部社区划分单元、信息熵计算单元、社区确定度计算单元、社区标签更新单元和结果输出单元，所述客户交易数据存取单元执行步骤S11，从银行交易支付系统中采集客户交易数据；计算机处理器和内存执行步骤S12，从客户交易数据存取单元读取收集到的客户交易数据；客户交易网络构建单元根据计算机处理器和内存读取到的客户交易数据执行步骤S13，构建银行客户交易网络；局部社区划分单元根据客户交易数据存取单元构建的银行客户交易网络执行步骤S2，对银行客户交易网络中每个账户节点的局部子网络划分局部社区结构；信息熵计算单元依据银行客户交易网络中每个账户节点的局部社区结构划分情况执行步骤S3，计算每个账户节点的信息熵，从而确定账户节点的社区标签传播顺序；社区确定度计算单元依据银行客户交易网络中每个账户节点的信息熵和局部子网络的最优模块度执行步骤S4，计算每个账户节点的社区确定度；社区标签更新单元依据社区标签传播顺序执行步骤S5和步骤S6，对银行客户交易网络中所有账户节点的社区标签进行依次更新；结果输出单元依据更新完毕的账户节点社区标签执行步骤S7，将社区结构发现结果输出至银行业务人员，帮助其开展客户群体分类、重要客户挖掘以及交易行为分析等工作；所述客户交易数据存取单元、计算机处理器和内存、客户交易网络构建单元、局部社区划分单元、信息熵计算单元、社区确定度计算单元、社区标签更新单元和结果输出单元的数据处理和计算工作均由计算机处理器完成，且均与计算机内存中的数据进行交互。
与现有技术相比本发明具有以下优点：
1、本发明基于客户交易数据中蕴含的关联关系构建客户交易网络，通过识别发现其中的社区结构，为挖掘客户交易数据中潜在的规律奠定重要的基础，避免了传统的依赖于客户属性的交易分析方法由于属性缺失而导致难以有效反映客户经济活动规律的问题；
2、本发明对客户交易网络进行社区发现的过程分为两个阶段：在第一个阶段中，利用模块度优化模型对客户交易网络中每个账户节点的局部子网络进行社区划分；在第二个阶段中，基于账户节点的局部子网络的社区划分结果确定账户节点的社区标签传播顺序和每个账户节点社区标签的更新规则；特别是，在对账户节点的社区标签进行传播更新时，其传播顺序不再是随机的，而是利用信息熵衡量每个账户节点的信息量，从信息熵最低的账户节点开始进行标签传播，从而避免了随机性和不确定性导致的精度降低问题；同时，账户节点社区标签的更新原则也不再是简单的依赖于标签出现频率，而是利用最优模块度和信息熵对节点标签的社区确定度进行综合评估，从而避免了社区标签更新的盲目性；该方法具有较高的计算效率，又克服了传统方法传播顺序不确定和标签更新盲目的缺陷，能够同时保证社区发现的精度和计算复杂度，对于银行交易数据分析与挖掘具有较高实用价值。
附图说明
图1为本发明的系统结构图；
图2为本发明的流程图。
具体实施方式
为了进一步阐述本发明的技术方案，下面通过实施例对本发明进行进一步说明。
如图2所示，一种银行客户交易网络的社区结构发现方法，包括以下步骤：
S1、由银行支付系统中抽取客户交易数据，从中提取关键字段，依据账户间的交易关系构建银行客户交易网络，具体步骤如下：
S11、由银行支付系统中抽取客户交易订单数据，将抽取出的交易数据以XML报文的形式存储，并从中提取每条交易数据的关键字段，包括：交易时间、交易金额、付款人姓名、付款人账号、收款人姓名以及收款人账号；
S12、利用上述客户交易数据中的交易关系构建银行客户交易网络，具体而言，银行客户交易网络由大量账户节点和连边共同构成：将由账号和姓名确定的账户作为账户节点，若两个账户之间存在交易关系，则这两个账户对应的账户节点之间存在一条连边，并以这两个账户间的累计交易金额作为连边的权值；将银行客户交易网络记作G(V,E)，其中V＝(v1,v2,…,vm)表示客户交易网络中所有账户节点构成的集合，vi表示客户交易网络中第i个账户节点(1≤i≤m)，m为客户交易网络中账户节点的数量，E＝(e1,e2,…,en)表示客户交易网络中所有连边构成的集合，ej表示客户交易网络中第j条连边(1≤j≤n)，其取值为该连边的权值，即ej连接的两个账户节点之间的累计交易金额，n为客户交易网络中所有连边的数量；利用L＝(l1,l2,…,lm)表示客户交易网络中所有账户节点的社区标签构成的集合，li(1≤i≤m)为账户节点vi的社区标签，表示账户节点vi属于社区li，若两个账户节点的社区标签取值相同，则表示这两个账户节点属于同一社区。
S2、对于银行客户交易网络中的任一账户节点，其周围与之存在直接连边关系的邻居账户节点以及这些连边共同构成了该账户节点的局部子网络，利用最优模块度模型对银行客户交易网络中每个账户节点的局部子网络划分局部社区，具体步骤如下：
S21、初始化局部子网络Gi的局部社区分布，为每个账户节点随机分配局部社区标签，将局部子网络中的账户节点随机划分到不同的局部社区结构中；
S22、利用式(1)计算账户节点vi的局部子网络Gi的模块度Qi：
Figure BDA0002403630130000101
其中mi为账户节点vi的局部子网络Gi中包含的账户节点数量，ni为账户节点vi的局部子网络Gi中所有连边的权值之和；1≤p≠q≤mi是账户节点vi的局部子网络Gi中任意两个账户节点的序号；A为账户节点vi的局部子网络Gi的邻接矩阵，其元素Apq表示Gi中两个账户节点p和q之间的关联关系，若账户节点p和q之间存在连边，则Apq取值为1，否则Apq取值为0；kp表示账户节点vi的局部子网络Gi中账户节点p的度，即账户节点p的连边数量；kq表示账户节点vi的局部子网络Gi中账户节点q的度，即账户节点q的连边数量；
Figure BDA0002403630130000102
为账户节点p的局部社区标签，
Figure BDA0002403630130000103
为账户节点q的局部社区标签，若账户节点p和q同属一个局部社区，则
Figure BDA0002403630130000104
否则
Figure BDA0002403630130000109
S23、对账户节点vi的局部子网络Gi中具有连边关系的局部社区进行两两合并，合并后的局部社区具有相同的局部社区标签；
S24、利用式(1)计算局部社区合并后账户节点vi的局部子网络Gi的模块度，记此时的模块度为
Figure BDA0002403630130000106
若
Figure BDA0002403630130000107
则令
Figure BDA0002403630130000108
并返回步骤S23继续进行社区合并，否则进入步骤S25；
S25、记录账户节点vi的局部子网络Gi中所有账户节点的局部社区标签，完成Gi的局部社区划分，记Gi的局部社区数量为Ni，此时Gi的最优模块度为
Figure BDA0002403630130000116
S3、计算银行客户交易网络中每个账户节点的信息熵，确定账户节点的社区标签传播顺序，具体步骤如下：
S31、计算银行客户交易网络中每个账户节点的信息熵，其中账户节点vi的信息熵计算方法如式(2)所示：
Figure BDA0002403630130000111
其中，Hi表示客户交易网络中第i个账户节点vi的信息熵，Ni为通过步骤S25得到的Gi的局部社区数量，1≤a≤Ni表示Gi中局部社区的序号，ωa表示Gi中第a个局部社区的分布概率，其计算方法如式(3)：
Figure BDA0002403630130000112
其中，
Figure BDA0002403630130000113
表示局部子网络Gi中第a个局部社区中的账户节点数；
S32、按照S31计算出的信息熵对银行客户交易网络中的全部账户节点进行升序排列，以此作为账户节点的社区标签传播顺序，即以信息熵最小的账户节点作为社区标签传播的起点。
S4、计算银行客户交易网络中每个账户节点的社区确定度，其中客户交易网络中账户节点vi的社区确定度的计算方法如式(4)所示：
Figure BDA0002403630130000114
其中，Ωi表示客户交易网络中账户节点vi的社区确定度，其取值越大表明账户节点vi的局部子网络中社区结构的确定性越高，
Figure BDA0002403630130000115
为步骤S25获得的账户节点vi的局部子网络Gi的最优模块度，Hi为步骤S31获得的账户节点vi的信息熵。
S5、为银行客户交易网络中的所有账户节点随机分配初始化社区标签，初始状态下每个账户节点各自位于不同的社区内；
S6、按照步骤S3中确定的社区标签传播顺序，对银行客户交易网络中所有账户节点的社区标签进行依次更新，具体步骤如下：
S61、选出与账户节点vi存在直接连边关系的邻居账户节点集合Vi中社区确定度最大的账户节点，记作oi；
S62、比较账户节点oi的社区标签与账户节点vi的社区标签是否一致，如不一致则将vi的社区标签替换为oi的社区标签；
S63、按照步骤S3确定的标签传播顺序对客户交易网络中所有账户节点的社区标签依次执行步骤S61和S62。
S7、检查银行客户交易网络中各账户节点的社区标签是否发生变化，如有变化则返回步骤S6对账户节点的社区标签进行下一轮迭代更新，如无变化则将具有相同社区标签的账户节点划分到同一社区当中，作为社区结构发现结果输出至银行业务人员，帮助其开展客户群体分类、重要客户挖掘以及交易行为分析等工作。
如图1所示，一种银行客户交易网络的社区结构发现系统，包括客户交易数据存取单元、计算机处理器和内存、客户交易网络构建单元、局部社区划分单元、信息熵计算单元、社区确定度计算单元、社区标签更新单元和结果输出单元，所述客户交易数据存取单元执行步骤S11，从银行交易支付系统中采集客户交易数据；计算机处理器和内存执行步骤S12，从客户交易数据存取单元读取收集到的客户交易数据；客户交易网络构建单元根据计算机处理器和内存读取到的客户交易数据执行步骤S13，构建银行客户交易网络；局部社区划分单元根据客户交易数据存取单元构建的银行客户交易网络执行步骤S2，对银行客户交易网络中每个账户节点的局部子网络划分局部社区结构；信息熵计算单元依据银行客户交易网络中每个账户节点的局部社区结构划分情况执行步骤S3，计算每个账户节点的信息熵，从而确定账户节点的社区标签传播顺序；社区确定度计算单元依据银行客户交易网络中每个账户节点的信息熵和局部子网络的最优模块度执行步骤S4，计算每个账户节点的社区确定度；社区标签更新单元依据社区标签传播顺序执行步骤S5和步骤S6，对银行客户交易网络中所有账户节点的社区标签进行依次更新；结果输出单元依据更新完毕的账户节点社区标签执行步骤S7，将社区结构发现结果输出至银行业务人员，帮助其开展客户群体分类、重要客户挖掘以及交易行为分析等工作；所述客户交易数据存取单元、计算机处理器和内存、客户交易网络构建单元、局部社区划分单元、信息熵计算单元、社区确定度计算单元、社区标签更新单元和结果输出单元的数据处理和计算工作均由计算机处理器完成，且均与计算机内存中的数据进行交互。
实施例2
本发明所述的一种银行客户交易网络的社区结构发现方法通过计算机程序实施，下面将按照图2所示流程详述本发明提出的技术方案的具体实施方式，使用本发明的技术方案对来自某商业银行支付系统中2018年第1季度的客户交易数据进行社区结构发现。该数据集中的交易记录以XML报文的形式存储，由发生在264436个交易账户间的960300条交易记录构成，其中大额交易记录为384788条，小额交易记录为475512条。本实施例将阐述如何通过本发明提出的技术方案依据该数据集构建银行客户交易网络，并进行社区结构的发现，其实施方式主要包含以下关键内容：
S1、由银行支付系统中抽取客户交易数据，从中提取关键字段，依据账户间的交易关系构建银行客户交易网络，具体步骤如下：
S11、由该商业银行的大额支付系统和小额支付系统中分别抽取2018年第1季度的客户交易数据进行分别抽取：对于大额支付系统中的交易业务采取逐笔实时处理的方法，全额清算资金；对于小额支付系统中的交易业务采取小额批量处理的方法，支付信息定时或实时转发，资金在日间规定时点轧差清算；将抽取出的交易数据以XML报文的形式存储，并从中提取每条交易数据的关键字段，包括：交易时间、交易金额、付款人姓名、付款人账号、收款人姓名以及收款人账号；依据账户间的交易关系构建银行客户交易网络；
S12、利用上述客户交易数据中的交易关系构建银行客户交易网络，具体而言，银行客户交易网络由大量账户节点和连边共同构成：将由账号和姓名确定的账户作为账户节点，若两个账户之间存在交易关系，则这两个账户对应的账户节点之间存在一条连边，并以这两个账户间的累计交易金额作为连边的权值；将银行客户交易网络记作G(V,E)，其中V＝(v1,v2,…,vm)表示客户交易网络中所有账户节点构成的集合，vi表示客户交易网络中第i个账户节点(1≤i≤m)，m＝264436为客户交易网络中账户节点的数量，E＝(e1,e2,…,en)表示客户交易网络中所有连边构成的集合，ej表示客户交易网络中第j条连边(1≤j≤n)，其取值为该连边的权值，即ej连接的两个账户节点之间的累计交易金额，n＝315572为利用该数据集构建的客户交易网络中所有连边的数量；利用L＝(l1,l2,…,lm)表示客户交易网络中所有账户节点的社区标签构成的集合，li(1≤i≤m)为账户节点vi的社区标签，表示账户节点vi属于社区li，若两个账户节点的社区标签取值相同，则表示这两个账户节点属于同一社区；
S2、对于银行客户交易网络中的任一账户节点，其周围与之存在直接连边关系的邻居账户节点以及这些连边共同构成了该账户节点的局部子网络，利用最优模块度模型对银行客户交易网络中每个账户节点的局部子网络划分局部社区结构，其中客户交易网络中账户节点vi的局部子网络Gi的局部社区划分具体步骤如下：
S21、初始化局部子网络Gi的局部社区分布，为每个账户节点随机分配局部社区标签，将局部子网络中的账户节点随机划分到不同的局部社区结构中；
S22、利用式(1)计算账户节点vi的局部子网络Gi的模块度Qi：
Figure BDA0002403630130000151
其中mi为账户节点vi的局部子网络Gi中包含的账户节点数量，ni为账户节点vi的局部子网络Gi中所有连边的权值之和；1≤p≠q≤mi是账户节点vi的局部子网络Gi中任意两个账户节点的序号；A为账户节点vi的局部子网络Gi的邻接矩阵，其元素Apq表示Gi中两个账户节点p和q之间的关联关系，若账户节点p和q之间存在连边，则Apq取值为1，否则Apq取值为0；kp表示账户节点vi的局部子网络Gi中账户节点p的度，即账户节点p的连边数量；kq表示账户节点vi的局部子网络Gi中账户节点q的度，即账户节点q的连边数量；
Figure BDA0002403630130000152
为账户节点p的局部社区标签，
Figure BDA0002403630130000153
为账户节点q的局部社区标签，若账户节点p和q同属一个局部社区，则
Figure BDA0002403630130000154
否则
Figure BDA0002403630130000155
S23、对账户节点vi的局部子网络Gi中具有连边关系的局部社区进行两两合并，合并后的局部社区具有相同的局部社区标签；
S24、利用式(1)计算局部社区合并后账户节点vi的局部子网络Gi的模块度，记此时的模块度为
Figure BDA0002403630130000156
若
Figure BDA0002403630130000157
则令
Figure BDA0002403630130000158
并返回步骤S23继续进行社区合并，否则进入步骤S25；
S25、记录账户节点vi的局部子网络Gi中所有账户节点的局部社区标签，完成Gi的局部社区划分，记Gi的局部社区数量为Ni，此时Gi的最优模块度为
Figure BDA0002403630130000159
S3、计算银行客户交易网络中每个账户节点的信息熵，确定账户节点的社区标签传播顺序，具体步骤如下；
S31、计算银行客户交易网络中每个账户节点的信息熵，其中账户节点vi的信息熵计算方法如式(2)所示：
Figure BDA0002403630130000161
其中，Hi表示客户交易网络中第i个账户节点vi的信息熵，Ni为通过步骤S25得到的Gi的局部社区数量，1≤a≤Ni表示Gi中局部社区的序号，ωa表示Gi中第a个局部社区的分布概率，其计算方法如式(3)：
Figure BDA0002403630130000162
其中，
Figure BDA0002403630130000163
表示局部子网络Gi中第a个局部社区中的账户节点数；
S32、按照S31计算出的信息熵对银行客户交易网络中的全部账户节点进行升序排列，以此作为账户节点的社区标签传播顺序，即以信息熵最小的账户节点作为社区标签传播的起点；
S4、计算银行客户交易网络中每个账户节点的社区确定度，其中客户交易网络中账户节点vi的社区确定度的计算方法如式(4)所示：
Figure BDA0002403630130000164
其中，Ωi表示客户交易网络中账户节点vi的社区确定度，其取值越大表明账户节点vi的局部子网络中社区结构的确定性越高，
Figure BDA0002403630130000165
为步骤S25获得的账户节点vi的局部子网络Gi的最优模块度，Hi为步骤S31获得的账户节点vi的信息熵；
S5、为银行客户交易网络中的所有账户节点随机分配初始化社区标签，初始状态下每个账户节点各自位于不同的社区内；
S6、按照步骤S3中确定的社区标签传播顺序，对银行客户交易网络中所有账户节点的社区标签进行依次更新，具体步骤如下：
S61、选出与账户节点vi存在直接连边关系的邻居账户节点集合Vi中社区确定度最大的账户节点，记作oi；
S62、比较账户节点oi的社区标签与账户节点vi的社区标签是否一致，如不一致则将vi的社区标签替换为oi的社区标签；
S63、按照步骤S3确定的标签传播顺序对客户交易网络中所有账户节点的社区标签依次执行步骤S61和S62；
S7、检查银行客户交易网络中各账户节点的社区标签是否发生变化，如有变化则返回步骤S6对账户节点的社区标签进行下一轮迭代更新，如无变化则将具有相同社区标签的账户节点划分到同一社区当中，作为社区结构发现结果输出至银行业务人员，帮助其开展客户群体分类、重要客户挖掘以及交易行为分析等工作。
技术效果评价：
为验证本发明提出技术方案的有效性和先进性，选取几种已有的社区结构发现方法进行对比：标签传播方法、最优模块度法、谱分析方法、层次聚类方法。以标准化互信息(Normalized mutual information,NMI)和执行时间为评价指标，通过实施例2中的客户交易数据对上述方法的社区结构发现结果进行评价，结果如表1所示：
Figure BDA0002403630130000171
由表中结果可以看出，本发明技术方案在进行银行客户交易网络的社区结构发现时，能获得精度性优于已有方法的社区结构发现结果，并且具有相对较高的执行效率。
如图1所示，一种银行客户交易网络的社区结构发现系统，包括客户交易数据存取单元、计算机处理器和内存、客户交易网络构建单元、局部社区划分单元、信息熵计算单元、社区确定度计算单元、社区标签更新单元和结果输出单元，所述客户交易数据存取单元执行步骤S11，从银行交易支付系统中采集客户交易数据；计算机处理器和内存执行步骤S12，从客户交易数据存取单元读取收集到的客户交易数据；客户交易网络构建单元根据计算机处理器和内存读取到的客户交易数据执行步骤S13，构建银行客户交易网络；局部社区划分单元根据客户交易数据存取单元构建的银行客户交易网络执行步骤S2，对银行客户交易网络中每个账户节点的局部子网络划分局部社区结构；信息熵计算单元依据银行客户交易网络中每个账户节点的局部社区结构划分情况执行步骤S3，计算每个账户节点的信息熵，从而确定账户节点的社区标签传播顺序；社区确定度计算单元依据银行客户交易网络中每个账户节点的信息熵和局部子网络的最优模块度执行步骤S4，计算每个账户节点的社区确定度；社区标签更新单元依据社区标签传播顺序执行步骤S5和步骤S6，对银行客户交易网络中所有账户节点的社区标签进行依次更新；结果输出单元依据更新完毕的账户节点社区标签执行步骤S7，将社区结构发现结果输出至银行业务人员，帮助其开展客户群体分类、重要客户挖掘以及交易行为分析等工作；所述客户交易数据存取单元、计算机处理器和内存、客户交易网络构建单元、局部社区划分单元、信息熵计算单元、社区确定度计算单元、社区标签更新单元和结果输出单元的数据处理和计算工作均由计算机处理器完成，且均与计算机内存中的数据进行交互。
以上显示和描述了本发明的主要特征和优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种银行客户交易网络的社区结构发现方法，其特征在于：包括以下步骤：
S1、由银行支付系统中抽取客户交易数据，从中提取关键字段，依据账户间的交易关系构建银行客户交易网络；
S2、对于银行客户交易网络中的任一账户节点，其周围与之存在直接连边关系的邻居账户节点以及这些连边共同构成了该账户节点的局部子网络，利用最优模块度模型对银行客户交易网络中每个账户节点的局部子网络划分局部社区；
S3、计算银行客户交易网络中每个账户节点的信息熵，确定账户节点的社区标签传播顺序；
S4、计算银行客户交易网络中每个账户节点的社区确定度；
S5、为银行客户交易网络中的所有账户节点随机分配初始化社区标签，初始状态下每个账户节点各自位于不同的社区内；
S6、按照步骤S3中确定的社区标签传播顺序，对银行客户交易网络中所有账户节点的社区标签进行依次更新；
S7、检查银行客户交易网络中各账户节点的社区标签是否发生变化，如有变化则返回步骤S6对账户节点的社区标签进行下一轮迭代更新，如无变化则将具有相同社区标签的账户节点划分到同一社区当中，作为社区结构发现结果输出至银行业务人员，帮助其开展客户群体分类、重要客户挖掘以及交易行为分析等工作。
2.根据权利要求1所述的一种银行客户交易网络的社区结构发现方法，其特征在于：所述步骤S1由银行支付系统中抽取客户交易数据，从中提取关键字段，依据账户间的交易关系构建银行客户交易网络，具体步骤如下：
S11、由银行支付系统中抽取客户交易订单数据，将抽取出的交易数据以XML报文的形式存储，并从中提取每条交易数据的关键字段，包括：交易时间、交易金额、付款人姓名、付款人账号、收款人姓名以及收款人账号；
S12、利用上述客户交易数据中的交易关系构建银行客户交易网络，具体而言，银行客户交易网络由大量账户节点和连边共同构成：将由账号和姓名确定的账户作为账户节点，若两个账户之间存在交易关系，则这两个账户对应的账户节点之间存在一条连边，并以这两个账户间的累计交易金额作为连边的权值；将银行客户交易网络记作G(V,E)，其中V＝(v1,v2,…,vm)表示客户交易网络中所有账户节点构成的集合，vi表示客户交易网络中第i个账户节点(1≤i≤m)，m为客户交易网络中账户节点的数量，E＝(e1,e2,…,en)表示客户交易网络中所有连边构成的集合，ej表示客户交易网络中第j条连边(1≤j≤n)，其取值为该连边的权值，即ej连接的两个账户节点之间的累计交易金额，n为客户交易网络中所有连边的数量；利用L＝(l1,l2,…,lm)表示客户交易网络中所有账户节点的社区标签构成的集合，li(1≤i≤m)为账户节点vi的社区标签，表示账户节点vi属于社区li，若两个账户节点的社区标签取值相同，则表示这两个账户节点属于同一社区。
3.根据权利要求1所述的一种银行客户交易网络的社区结构发现方法，其特征在于：所述步骤S2中利用最优模块度模型对银行客户交易网络中每个账户节点的局部子网络划分局部社区，具体步骤如下：
S21、初始化局部子网络Gi的局部社区分布，为每个账户节点随机分配局部社区标签，将局部子网络中的账户节点随机划分到不同的局部社区中；
S22、利用式(1)计算账户节点vi的局部子网络Gi的模块度Qi：
Figure FDA0002403630120000031
其中mi为账户节点vi的局部子网络Gi中包含的账户节点数量，ni为账户节点vi的局部子网络Gi中所有连边的权值之和；1≤p≠q≤mi是账户节点vi的局部子网络Gi中任意两个账户节点的序号；A为账户节点vi的局部子网络Gi的邻接矩阵，其元素Apq表示Gi中两个账户节点p和q之间的关联关系，若账户节点p和q之间存在连边，则Apq取值为1，否则Apq取值为0；kp表示账户节点vi的局部子网络Gi中账户节点p的度，即账户节点p的连边数量；kq表示账户节点vi的局部子网络Gi中账户节点q的度，即账户节点q的连边数量；
Figure FDA0002403630120000032
为账户节点p的局部社区标签，
Figure FDA0002403630120000033
为账户节点q的局部社区标签，若账户节点p和q同属一个局部社区，则
Figure FDA0002403630120000034
否则
Figure FDA0002403630120000035
S23、对账户节点vi的局部子网络Gi中具有连边关系的局部社区进行两两合并，合并后的局部社区具有相同的局部社区标签；
S24、利用式(1)计算局部社区合并后账户节点vi的局部子网络Gi的模块度，记此时的模块度为
Figure FDA0002403630120000036
若
Figure FDA0002403630120000037
则令
Figure FDA0002403630120000038
并返回步骤S23继续进行社区合并，否则进入步骤S25；
S25、记录账户节点vi的局部子网络Gi中所有账户节点的局部社区标签，完成Gi的局部社区划分，记Gi的局部社区数量为Ni，此时Gi的最优模块度为
Figure FDA0002403630120000039
4.根据权利要求1所述的一种银行客户交易网络的社区结构发现方法，其特征在于：所述步骤S3计算银行客户交易网络中每个账户节点的信息熵，确定账户节点的社区标签传播顺序，具体步骤如下：
S31、计算银行客户交易网络中每个账户节点的信息熵，其中账户节点vi的信息熵计算方法如式(2)所示：
Figure FDA0002403630120000041
其中，Hi表示客户交易网络中第i个账户节点vi的信息熵，Ni为通过步骤S25得到的Gi的局部社区数量，1≤a≤Ni表示Gi中局部社区的序号，ωa表示Gi中第a个局部社区的分布概率，其计算方法如式(3)：
Figure FDA0002403630120000042
其中，
Figure FDA0002403630120000043
表示局部子网络Gi中第a个局部社区中的账户节点数；
S32、按照S31计算出的信息熵对银行客户交易网络中的全部账户节点进行升序排列，以此作为账户节点的社区标签传播顺序，即以信息熵最小的账户节点作为社区标签传播的起点。
5.根据权利要求1所述的一种银行客户交易网络的社区结构发现方法，其特征在于：所述步骤S4计算银行客户交易网络中每个账户节点的社区确定度，其中客户交易网络中账户节点vi的社区确定度的计算方法如式(4)所示：
Figure FDA0002403630120000044
其中，Ωi表示客户交易网络中账户节点vi的社区确定度，其取值越大表明账户节点vi的局部子网络中社区结构的确定性越高，
Figure FDA0002403630120000045
为步骤S25获得的账户节点vi的局部子网络Gi的最优模块度，Hi为步骤S31获得的账户节点vi的信息熵。
6.根据权利要求1所述的一种银行客户交易网络的社区结构发现方法，其特征在于：所述步骤S6按照步骤S3中确定的社区标签传播顺序，对银行客户交易网络中所有账户节点的社区标签进行依次更新，具体步骤如下：
S61、选出与账户节点vi存在直接连边关系的邻居账户节点集合Vi中社区确定度最大的账户节点，记作oi；
S62、比较账户节点oi的社区标签与账户节点vi的社区标签是否一致，如不一致则将vi的社区标签替换为oi的社区标签；
S63、按照步骤S3确定的标签传播顺序对客户交易网络中所有账户节点的社区标签依次执行步骤S61和S62。
7.利用权利要求1所述银行客户交易网络的社区结构发现方法的一种银行客户交易网络的社区结构发现系统，其特征在于：包括客户交易数据存取单元、计算机处理器和内存、客户交易网络构建单元、局部社区划分单元、信息熵计算单元、社区确定度计算单元、社区标签更新单元和结果输出单元，所述客户交易数据存取单元执行步骤S11，从银行交易支付系统中采集客户交易数据；计算机处理器和内存执行步骤S12，从客户交易数据存取单元读取收集到的客户交易数据；客户交易网络构建单元根据计算机处理器和内存读取到的客户交易数据执行步骤S13，构建银行客户交易网络；局部社区划分单元根据客户交易数据存取单元构建的银行客户交易网络执行步骤S2，对银行客户交易网络中每个账户节点的局部子网络划分局部社区结构；信息熵计算单元依据银行客户交易网络中每个账户节点的局部社区结构划分情况执行步骤S3，计算每个账户节点的信息熵，从而确定账户节点的社区标签传播顺序；社区确定度计算单元依据银行客户交易网络中每个账户节点的信息熵和局部子网络的最优模块度执行步骤S4，计算每个账户节点的社区确定度；社区标签更新单元依据社区标签传播顺序执行步骤S5和步骤S6，对银行客户交易网络中所有账户节点的社区标签进行依次更新；结果输出单元依据更新完毕的账户节点社区标签执行步骤S7，将社区结构发现结果输出至银行业务人员，帮助其开展客户群体分类、重要客户挖掘以及交易行为分析等工作；所述客户交易数据存取单元、计算机处理器和内存、客户交易网络构建单元、局部社区划分单元、信息熵计算单元、社区确定度计算单元、社区标签更新单元和结果输出单元的数据处理和计算工作均由计算机处理器完成，且均与计算机内存中的数据进行交互。
CN202010154592.8A 2020-03-08 2020-03-08 一种银行客户交易网络的社区结构发现方法及系统 Pending CN111309788A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010154592.8A CN111309788A (zh) 2020-03-08 2020-03-08 一种银行客户交易网络的社区结构发现方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010154592.8A CN111309788A (zh) 2020-03-08 2020-03-08 一种银行客户交易网络的社区结构发现方法及系统

Publications (1)

Publication Number Publication Date
CN111309788A true CN111309788A (zh) 2020-06-19

Family

ID=71160517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010154592.8A Pending CN111309788A (zh) 2020-03-08 2020-03-08 一种银行客户交易网络的社区结构发现方法及系统

Country Status (1)

Country Link
CN (1) CN111309788A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116403A (zh) * 2020-09-28 2020-12-22 中国建设银行股份有限公司 一种信息推荐方法、装置及设备
CN113159918A (zh) * 2021-04-09 2021-07-23 福州大学 一种基于联邦团渗透的银行客户群体挖掘方法
CN113205117A (zh) * 2021-04-15 2021-08-03 索信达(北京)数据技术有限公司 社区划分方法、装置、计算机设备及存储介质
CN113487427A (zh) * 2021-04-20 2021-10-08 微梦创科网络科技（中国）有限公司 一种交易风险识别方法、装置及系统
CN113516480A (zh) * 2021-08-19 2021-10-19 支付宝(杭州)信息技术有限公司 一种支付风险识别方法、装置及设备
CN113570464A (zh) * 2021-09-07 2021-10-29 北京科技大学 一种数字货币交易社区识别方法、系统、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080133417A1 (en) * 1999-10-18 2008-06-05 Emergent Music Llc System to determine quality through reselling of items
CN104199832A (zh) * 2014-08-01 2014-12-10 西安理工大学 基于信息熵的金融网络异常交易社区发现方法
CN104933103A (zh) * 2015-05-29 2015-09-23 上海交通大学 整合结构聚类和属性分类的多目标社区发现方法
CN105931046A (zh) * 2015-12-16 2016-09-07 中国银联股份有限公司 一种可疑交易节点集合侦测方法及装置
CN107784598A (zh) * 2017-11-21 2018-03-09 山西大学 一种网络社区发现方法
CN108073944A (zh) * 2017-10-18 2018-05-25 南京邮电大学 一种基于局部影响力的标签传播社区发现方法
CN109559230A (zh) * 2018-12-13 2019-04-02 中科曙光南京研究院有限公司 基于重叠社区发现算法的银行交易群体发现方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080133417A1 (en) * 1999-10-18 2008-06-05 Emergent Music Llc System to determine quality through reselling of items
CN104199832A (zh) * 2014-08-01 2014-12-10 西安理工大学 基于信息熵的金融网络异常交易社区发现方法
CN104933103A (zh) * 2015-05-29 2015-09-23 上海交通大学 整合结构聚类和属性分类的多目标社区发现方法
CN105931046A (zh) * 2015-12-16 2016-09-07 中国银联股份有限公司 一种可疑交易节点集合侦测方法及装置
CN108073944A (zh) * 2017-10-18 2018-05-25 南京邮电大学 一种基于局部影响力的标签传播社区发现方法
CN107784598A (zh) * 2017-11-21 2018-03-09 山西大学 一种网络社区发现方法
CN109559230A (zh) * 2018-12-13 2019-04-02 中科曙光南京研究院有限公司 基于重叠社区发现算法的银行交易群体发现方法和系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116403A (zh) * 2020-09-28 2020-12-22 中国建设银行股份有限公司 一种信息推荐方法、装置及设备
CN113159918A (zh) * 2021-04-09 2021-07-23 福州大学 一种基于联邦团渗透的银行客户群体挖掘方法
CN113159918B (zh) * 2021-04-09 2022-06-07 福州大学 一种基于联邦团渗透的银行客户群体挖掘方法
CN113205117A (zh) * 2021-04-15 2021-08-03 索信达(北京)数据技术有限公司 社区划分方法、装置、计算机设备及存储介质
CN113205117B (zh) * 2021-04-15 2023-07-04 索信达(北京)数据技术有限公司 社区划分方法、装置、计算机设备及存储介质
CN113487427A (zh) * 2021-04-20 2021-10-08 微梦创科网络科技（中国）有限公司 一种交易风险识别方法、装置及系统
CN113516480A (zh) * 2021-08-19 2021-10-19 支付宝(杭州)信息技术有限公司 一种支付风险识别方法、装置及设备
CN113516480B (zh) * 2021-08-19 2024-04-26 支付宝(杭州)信息技术有限公司 一种支付风险识别方法、装置及设备
CN113570464A (zh) * 2021-09-07 2021-10-29 北京科技大学 一种数字货币交易社区识别方法、系统、设备及存储介质
CN113570464B (zh) * 2021-09-07 2022-06-03 北京科技大学 一种数字货币交易社区识别方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111309788A (zh) 一种银行客户交易网络的社区结构发现方法及系统
CN104199832B (zh) 基于信息熵的金融网络异常交易社区发现方法
CN106897918A (zh) 一种混合式机器学习信用评分模型构建方法
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
Rodriguez et al. Patent clustering and outlier ranking methodologies for attributed patent citation networks for technology opportunity discovery
CN113344562B (zh) 基于深度神经网络的以太坊钓鱼诈骗账户检测方法与装置
CN108734565A (zh) 一种征信分实时调整处理方法、装置及处理服务器
CN103678659A (zh) 一种基于随机森林算法的电子商务网站欺诈用户识别方法及系统
CN109754258A (zh) 一种基于个体行为建模的面向线上交易欺诈检测方法
CN111444232A (zh) 挖掘数字货币交易所地址的方法以及存储介质
CN109829721A (zh) 基于异质网络表征学习的线上交易多主体行为建模方法
CN111105240A (zh) 资源敏感的联合金融欺诈检测模型训练方法及检测方法
CN113642923A (zh) 基于历史催收数据的不良资产包价值评估方法
Zhu et al. Loan default prediction based on convolutional neural network and LightGBM
Negi et al. Cryptocurrency Price Analysis using Deep Learning
El Ayeb et al. Community detection for mobile money fraud detection
CN111797942A (zh) 用户信息的分类方法及装置、计算机设备、存储介质
CN116822628A (zh) 一种基于优化知识图谱的犯罪团伙挖掘分析方法
CN115375480A (zh) 基于图神经网络的异常虚拟币钱包地址检测方法
CN115496364A (zh) 幌子企业识别方法及装置、存储介质及电子设备
CN111091410B (zh) 一种结合节点嵌入和用户行为特征的网点销量预测方法
CN112150285B (zh) 基于邻域拓扑结构的异常金融组织层次划分系统及方法
CN114328668A (zh) 放款风险控制策略的生成方法、装置、终端及存储介质
CN113112357A (zh) 一种针对以太坊平台的交易行为追踪方法及系统
Siregar et al. Classification data for direct marketing using deep learning

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: 20200619

RJ01 Rejection of invention patent application after publication