CN111383027A - 一种账户的涉案检测方法、装置、设备及存储介质 - Google Patents
一种账户的涉案检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111383027A CN111383027A CN202010161453.8A CN202010161453A CN111383027A CN 111383027 A CN111383027 A CN 111383027A CN 202010161453 A CN202010161453 A CN 202010161453A CN 111383027 A CN111383027 A CN 111383027A
- Authority
- CN
- China
- Prior art keywords
- account
- case
- involved
- feature
- data
- 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
Images
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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种账户的涉案检测方法、装置、设备及存储介质。该方法包括：获取待检测账户的账户特征；将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的；根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。通过采用本发明实施例所提供的技术方案，可以解决诈骗案件通常具有金额不一、明细数量大等特点，提高了涉案账户检测的成本，降低了检测效率。并且由于违法犯罪手段具有隐蔽性，导致增加了检测账户是否涉案的时间和难度的问题，实现降低检测账户是否涉案的成本和难度，提高检测效率的效果。
Description
技术领域
本发明实施例涉及计算机技术，尤其涉及一种账户的涉案检测方法、装置、设备及存储介质。
背景技术
近年来随着通信工具的多样化，电信诈骗的方式和手段越来越多样化，诈骗所得的资金，会迅速、分多次、经多个银行的账户转出去，以逃避司法监管。
现有技术中往往通过人工查询、基于经验的识别等方式获取诈骗分子账户的交易明细，分析涉案资金的资金流向，追查涉案分子同伙间的转账，定位同伙账户，控制涉案资金，以挽回受害者的损失。
然而，由于诈骗案件通常具有金额不一、明细数量大等特点，因此提高了涉案账户检测的成本，降低了检测效率。并且由于违法犯罪手段不断翻新，趋于科技化、专业化、规模化，因此具有隐蔽性，导致增加了账户检测是否涉案的时间和难度。
发明内容
本发明实施例提供一种账户的涉案检测方法、装置、设备及存储介质，以实现降低检测账户是否涉案的成本和难度，提高检测效率。
第一方面，本发明实施例提供了一种账户的涉案检测方法，该方法包括：
获取待检测账户的账户特征；
将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的；
根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。
第二方面，本发明实施例还提供了一种账户的涉案检测装置，该装置包括：
账户特征获取模块，用于获取待检测账户的账户特征；
账户特征输入模块，用于将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的；
检测结果确定模块，用于根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。
第三方面，本发明实施例还提供了一种设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的账户的涉案检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的账户的涉案检测方法。
本发明实施例通过获取待检测账户的账户特征；将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的；根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。解决诈骗案件通常具有金额不一、明细数量大等特点，提高了涉案账户检测的成本，降低了检测效率。并且由于违法犯罪手段不断翻新，趋于科技化、专业化、规模化，因此具有隐蔽性，导致增加了检测账户是否涉案的时间和难度的问题，实现降低检测账户是否涉案的成本和难度，提高检测效率的效果。
附图说明
图1为本发明实施例一提供的一种账户的涉案检测方法的流程图；
图2为本发明实施例二提供的一种涉案检测模型的训练流程图；
图3为本申请实施例三提供的一种账户的涉案检测装置的结构示意图；
图4为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种账户的涉案检测方法的流程图，本实施例可适用于检测账户是否为涉案账户的情况，该方法可以由本发明实施例所提供的账户的涉案检测装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本实施例提供的账户的涉案检测方法，包括：
步骤110、获取待检测账户的账户特征。
其中，待检测账户包括实际涉案账户与疑似涉案账户，实际涉案账户为已经判定为涉案的账户，疑似涉案账户为与实际涉案账户存在关联的账户。实际涉案账户可以通过官方机构认证获取，例如在某起电信诈骗案件中，追踪到了犯罪嫌疑人的部分涉案账户，则该部分账户为实际涉案账户。待检测账户可以通过银行机构内部账户之间的关系获取。账户特征为与账户关联的特征，可以通过对历史涉案数据的分析获得，例如交易对手账户的开户机构号、开户地点集中在某几个机构；交易对手账户的开户时间集中在某一个时间段；交易发生时间，集中在某个时间段等，根据上述分析，获取涉案账户检测中可能与账户的涉案检测有关的账户特征。
在本实施例中，可选的，所述账户特征包括：账户交易特征、账户静态特征和账户风险特征。
其中，账户交易特征可以为交易时间、交易金额、交易笔数、交易对手账户、交易对手账户开户时间、交易对手账户开户机构号、交易对手账户名称、交易对手行名、交易IP、交易消息认证码、交易终端号、交易种类等。
还可以为账户之间的转账信息，例如，借方与贷方各自的：汇总金额、汇总笔数、时间段、每笔转账金额占汇总金额的比例、转账笔数占比等。
账户静态特征可以为账户对应的客户信息和账户本身的信息，其中，客户信息包括：客户地址、企业注册时间、企业注册地址、企业纳税号、个人或企业联系方式等。账户信息包括：开户机构、开户时间、开户地点、开户行等。
账户风险特征可以为：账户关联的客户被官方机构查询标志、账户被官方机构查询标志、账户被官方机构冻结标志、账户被官方机构扣划标志等。将账户特征分为账户交易特征、账户静态特征和账户风险特征的好处在于，更加细致地获取账户特征，提高涉案检测模型检测的准确率，从而提高账户涉案检测的准确率。
待检测账户的账户特征可以通过计算机程序对待检测账户的账户数据自动获取，也可以由人工进行抽取，本实施例对此不做限制。
步骤120、将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的。
其中，涉案检测模型用于对输入的待检测账户进行检测是否为涉案账户，可以为XGBoost、随机森林、逻辑回归算法等机器学习模型，本实施例对此并不进行任何限制。
将待检测账户的账户特征输入至预先训练得到的涉案检测模型，其中，涉案检测模型在训练过程中将账户特征分为涉案账户的账户特征和非涉案账户的账户特征。
步骤130、根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。
其中，涉案检测模型的输出结果可以为待检测账户是否为涉案账户为待检测账户的账户特征与涉案账户账户特征接近的程度，涉案检测结果，本实施例对此不做限制。例如待检测账户A的账户特征与涉案账户账户特征接近的程度为0.8，预设接近程度大于0.7则为涉案账户，则待检测账户A为涉案账户。
在本实施例中，可选的，在涉案检测模型确定待检测账户的涉案检测结果后，由人工对涉案检测结果做进一步核查，以提高账户的涉案检测的准确率。
本实施例所提供的技术方案，通过获取待检测账户的账户特征；将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的；根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。解决诈骗案件通常具有金额不一、明细数量大等特点，提高了涉案账户检测的成本，降低了检测效率。并且由于违法犯罪手段不断翻新，趋于科技化、专业化、规模化，因此具有隐蔽性，导致增加了检测账户是否涉案的时间和难度的问题，实现降低检测账户是否涉案的成本和难度，提高检测效率的效果。
实施例二
图2为本发明实施例二提供的一种涉案检测模型的训练流程图，本技术方案是针对涉案检测模型的训练过程进行补充说明的。与上述方案相比，本方案具体优化为，涉案检测模型的训练过程包括：
获取训练样本数据；所述训练样本数据包括涉案账户数据和非涉案账户数据；
提取所述涉案账户数据和非涉案账户数据的账户特征；对所述涉案账户和非涉案账户的账户特征进行特征标记，得到标记后的训练数据；
采用标记后的训练数据进行所述涉案检测模型的训练。
具体的，涉案检测模型的训练流程图如图2所示：
步骤210、获取训练样本数据；所述训练样本数据包括涉案账户数据和非涉案账户数据。
其中，可以将训练样本数据以涉案账户数据与不涉案账户数据按照9:1的比例随机分布，例如共10万笔数据，其中9万笔为涉案账户数据，1万笔为不涉案账户数据。再以8:1:1的比例，将10万笔数据拆分为训练集、验证集、测试集，用于构建涉案检测模型。
本实施例中，可选的，所述训练样本数据的来源，包括：官方机构和/或银行机构。
其中，官方机构为司法机关等有权查询以及留存涉案数据的机构，官方机构提供的训练样本数据可以包括:已经明确是司法涉案的账户数据，或者曾经做过司法查冻扣相关操作的账户数据，即历史涉案账户数据。银行机构为吸收公众存款的金融机构，由银行机构提供的训练样本数据可以为银行机构内部多年积累的客户信息、账户信息和交易信息等，即与历史涉案账户数据相关的更为详细的账户数据以及不涉案账户的数据。这样设置的好处在于，解决了数据来源的单一性，避免了仅仅依靠通过第三方机构的交易数据以及互联网上能够公开的数据进行模型训练；增加了数据之间的关联关系以及涉案数据的所处场景的复杂性，以提高账户的涉案检测正确率。
步骤220、提取所述涉案账户数据和非涉案账户数据的账户特征；对所述涉案账户和非涉案账户的账户特征进行特征标记，得到标记后的训练数据。
提取账户特征的方式与上述实施例中获取待检测账户的账户特征的方式相同。对涉案账户和非涉案账户的账户特征进行特征标记，例如0为不涉案账户数据，1为涉案账户数据，得到标记后的训练数据。
本实施例中，可选的，在提取所述涉案账户数据和非涉案账户数据的账户特征之后，所述方法还包括：
判断所述账户特征是否存在特征缺失状况；
若是，则根据存在特征缺失状况的账户特征类型，填充缺失账户特征；其中，所述账户特征类型包括：数值型账户特征和非数值型账户特征。
其中，在提取涉案账户数据和非涉案账户数据的账户特征时，可能存在账户数据缺失的状况，例如有的账户并没有发生过交易，也就没有与交易相关的数据。此时根据存在特征缺失状况的账户特征类型，填充缺失账户特征。
数值型账户特征为以数值的形式表现的特征，例如：企业注册时间、交易金额、交易笔数、交易时间、开户时间、汇总金额、汇总笔数、交易时间段等。
非数值型账户特征为除数值型账户特征以外的其它特征，例如：客户地址、开户机构、开户行、交易IP、交易消息认证码、交易终端号、交易种类、客户被司法查询标志、账户被司法查询标志、账户被司法冻结标志、账户被司法扣划标志等。
在本实施例中，可选的，根据存在特征缺失状况的账户特征类型，填充缺失账户特征，包括：
若所述账户特征类型为数值型账户特征，则根据与存在特征缺失状况的账户特征同类型的账户特征的平均值填充缺失账户特征；
若所述账户特征类型为非数值型账户特征，则根据与存在特征缺失状况的账户特征同类型的账户特征的众数值填充缺失账户特征。
其中，当账户特征类型为数值型账户特征时，则根据与存在特征缺失状况的账户特征同类型的账户特征的平均值填充缺失账户特征。例如账户A的交易金额这部分缺失，则将训练样本中其余账户的交易金额的平均值作为账户A的交易金额。
当账户特征类型为非数值型账户特征时，则根据与存在特征缺失状况的账户特征同类型的账户特征的众数值填充缺失账户特征。例如，账户B的交易IP，这部分缺失，则将训练样本中其余账户中的出现次数最多的交易IP作为账户A的交易IP。这样设置的好处在于，提高对训练样本账户数据特征提取的全面性，提高检测账户是否涉案的准确率。
步骤230、采用标记后的训练数据进行所述涉案检测模型的训练。
采用标记后的训练数据进行涉案检测模型的训练，使得涉案检测模型区分待检测账户是否为涉案账户。可以通过准确率、召回率、精确率综合评估模型的检测效果，从而选择最为合适的机器学习模型。
本实施例在上述实施例的基础上，通过训练的涉案检测模型检测涉案账户，从而获取待检测账户的是否涉案，提高涉案账户的检测的效率和准确率。
实施例三
图3为本申请实施例三提供的一种账户的涉案检测装置的结构示意图。该装置可以执行本发明任意实施例所提供的账户的涉案检测方法，具备执行方法相应的功能模块和有益效果。
如图3所示，一种账户的涉案检测装置，所述装置包括：
账户特征获取模块310，用于获取待检测账户的账户特征；
账户特征输入模块320，用于将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的；
检测结果确定模块330，用于根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。
本实施例所提供的技术方案，通过获取待检测账户的账户特征；将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的；根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。解决诈骗案件通常具有金额不一、明细数量大等特点，提高了涉案账户检测的成本，降低了检测效率。并且由于违法犯罪手段不断翻新，趋于科技化、专业化、规模化，因此具有隐蔽性，导致增加了检测账户是否涉案的时间和难度的问题，实现降低检测账户是否涉案的成本和难度，提高检测效率的效果。
在上述各技术方案的基础上，可选的，所述装置包括模型训练模块，所述模型训练模块包括：
数据获取单元，用于获取训练样本数据；所述训练样本数据包括涉案账户数据和非涉案账户数据；
特征提取单元，用于提取所述涉案账户数据和非涉案账户数据的账户特征；对所述涉案账户和非涉案账户的账户特征进行特征标记，得到标记后的训练数据；
模型训练单元，用于采用标记后的训练数据进行所述涉案检测模型的训练。
在上述各技术方案的基础上，可选的，所述装置还包括：
缺失状况判断单元，用于所述特征提取单元之后，判断所述账户特征是否存在特征缺失状况；
账户特征填充单元，用于若所述缺失状况判断单元判断为是，则根据存在特征缺失状况的账户特征类型，填充缺失账户特征；其中，所述账户特征类型包括：数值型账户特征和非数值型账户特征。
在上述各技术方案的基础上，可选的，所述账户特征填充单元，包括：
第一特征填充子单元，用于若所述账户特征类型为数值型账户特征，则根据与存在特征缺失状况的账户特征同类型的账户特征的平均值填充缺失账户特征；
第二特征填充子单元，用于若所述账户特征类型为非数值型账户特征，则根据与存在特征缺失状况的账户特征同类型的账户特征的众数值填充缺失账户特征。
在上述各技术方案的基础上，可选的，所述账户特征包括：账户交易特征、账户静态特征和账户风险特征。
在上述各技术方案的基础上，可选的，所述训练样本数据的来源，包括：官方机构和/或银行机构。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图，如图四所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的账户的涉案检测方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的账户的涉案检测方法。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种账户的涉案检测方法，该方法包括：
获取待检测账户的账户特征；
将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的；
根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的账户的涉案检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述账户的涉案检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种账户的涉案检测方法，其特征在于，包括：
获取待检测账户的账户特征；
将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的；
根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。
2.根据权利要求1所述的方法，其特征在于，涉案检测模型的训练过程包括：
获取训练样本数据；所述训练样本数据包括涉案账户数据和非涉案账户数据；
提取所述涉案账户数据和非涉案账户数据的账户特征；对所述涉案账户和非涉案账户的账户特征进行特征标记，得到标记后的训练数据；
采用标记后的训练数据进行所述涉案检测模型的训练。
3.根据权利要求2所述的方法，其特征在于，在提取所述涉案账户数据和非涉案账户数据的账户特征之后，所述方法还包括：
判断所述账户特征是否存在特征缺失状况；
若是，则根据存在特征缺失状况的账户特征类型，填充缺失账户特征；其中，所述账户特征类型包括：数值型账户特征和非数值型账户特征。
4.根据权利要求3所述的方法，其特征在于，根据存在特征缺失状况的账户特征类型，填充缺失账户特征，包括：
若所述账户特征类型为数值型账户特征，则根据与存在特征缺失状况的账户特征同类型的账户特征的平均值填充缺失账户特征；
若所述账户特征类型为非数值型账户特征，则根据与存在特征缺失状况的账户特征同类型的账户特征的众数值填充缺失账户特征。
5.根据权利要求1-4所述的方法，其特征在于，所述账户特征包括：账户交易特征、账户静态特征和账户风险特征。
6.根据权利要求2所述的方法，其特征在于，所述训练样本数据的来源，包括：官方机构和/或银行机构。
7.一种账户的涉案检测装置，其特征在于，包括：
账户特征获取模块，用于获取待检测账户的账户特征；
账户特征输入模块，用于将所述待检测账户的账户特征输入至预先训练得到的涉案检测模型；其中，所述涉案检测模型是采用预先标记的涉案账户的账户特征和非涉案账户的账户特征进行训练得到的；
检测结果确定模块，用于根据所述涉案检测模型的输出结果，确定所述待检测账户的涉案检测结果。
8.根据权利要求7所述的装置，其特征在于，模型训练模块，所述模型训练模块包括：
数据获取单元，用于获取训练样本数据；所述训练样本数据包括涉案账户数据和非涉案账户数据；
特征标记单元，用于提取所述涉案账户数据和非涉案账户数据的账户特征；对所述涉案账户和非涉案账户的账户特征进行特征标记，得到标记后的训练数据；
模型训练单元，用于采用标记后的训练数据进行所述涉案检测模型的训练。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的账户的涉案检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的账户的涉案检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010161453.8A CN111383027A (zh) | 2020-03-10 | 2020-03-10 | 一种账户的涉案检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010161453.8A CN111383027A (zh) | 2020-03-10 | 2020-03-10 | 一种账户的涉案检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111383027A true CN111383027A (zh) | 2020-07-07 |
Family
ID=71217241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010161453.8A Pending CN111383027A (zh) | 2020-03-10 | 2020-03-10 | 一种账户的涉案检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111383027A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150139A (zh) * | 2020-09-30 | 2020-12-29 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080290154A1 (en) * | 2007-05-22 | 2008-11-27 | Bank Of America Corporation | Fraud Protection |
| CN105389728A (zh) * | 2015-11-13 | 2016-03-09 | 中国建设银行股份有限公司 | 一种银行账户性质的检测方法及系统 |
| CN108805580A (zh) * | 2018-06-21 | 2018-11-13 | 上海银赛计算机科技有限公司 | 帐号分析方法、装置及存储介质 |
| CN110335144A (zh) * | 2019-07-10 | 2019-10-15 | 中国工商银行股份有限公司 | 个人电子银行账户安全检测方法及装置 |
| CN110648214A (zh) * | 2018-06-27 | 2020-01-03 | 银联数据服务有限公司 | 一种确定异常账户的方法及装置 |
-
2020
- 2020-03-10 CN CN202010161453.8A patent/CN111383027A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080290154A1 (en) * | 2007-05-22 | 2008-11-27 | Bank Of America Corporation | Fraud Protection |
| CN105389728A (zh) * | 2015-11-13 | 2016-03-09 | 中国建设银行股份有限公司 | 一种银行账户性质的检测方法及系统 |
| CN108805580A (zh) * | 2018-06-21 | 2018-11-13 | 上海银赛计算机科技有限公司 | 帐号分析方法、装置及存储介质 |
| CN110648214A (zh) * | 2018-06-27 | 2020-01-03 | 银联数据服务有限公司 | 一种确定异常账户的方法及装置 |
| CN110335144A (zh) * | 2019-07-10 | 2019-10-15 | 中国工商银行股份有限公司 | 个人电子银行账户安全检测方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112150139A (zh) * | 2020-09-30 | 2020-12-29 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
| CN112150139B (zh) * | 2020-09-30 | 2023-09-26 | 中国银行股份有限公司 | 一种数据分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829776B (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
| AU2012230299B2 (en) | An automated fraud detection method and system | |
| CN108053318B (zh) | 一种对异常交易进行识别的方法及装置 | |
| US7562814B1 (en) | System and method for identity-based fraud detection through graph anomaly detection | |
| US7458508B1 (en) | System and method for identity-based fraud detection | |
| CN108734380B (zh) | 风险账户判定方法、装置及计算设备 | |
| 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 | |
| CN108876133A (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
| CN109670837A (zh) | 债券违约风险的识别方法、装置、计算机设备和存储介质 | |
| US20060149674A1 (en) | System and method for identity-based fraud detection for transactions using a plurality of historical identity records | |
| US20110087495A1 (en) | Suspicious entity investigation and related monitoring in a business enterprise environment | |
| US20130185191A1 (en) | Systems and method for correlating transaction events | |
| US10339526B2 (en) | System and method for risk evaluation in EFT transactions | |
| US20200219187A1 (en) | System and method for electronic payment processing and risk analysis | |
| US20220215292A1 (en) | Method to identify incorrect account numbers | |
| CN111241161A (zh) | 发票信息挖掘方法、装置、计算机设备及存储介质 | |
| US20170316415A1 (en) | Systems and methods for extracting browser-obtained device information for authenticating user devices | |
| CN111383027A (zh) | 一种账户的涉案检测方法、装置、设备及存储介质 | |
| CN111582878A (zh) | 一种交易风险预测方法、装置及系统 | |
| CN114998001A (zh) | 业务类别识别方法、装置、设备、存储介质和程序产品 | |
| CN117952619B (zh) | 基于数字人民币钱包账户关联性的风险行为分析方法、系统及计算机可读介质 | |
| CN113159937A (zh) | 识别风险的方法、装置和电子设备 | |
| Kang | Fraud Detection in Mobile Money Transactions Using Machine Learning | |
| US20170109714A1 (en) | Method for detecting and tracking correspondent items from u.s. subsidiaries of international banks | |
| CN117952619A (zh) | 基于数字人民币钱包账户关联性的风险行为分析方法、系统及计算机可读介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220915 Address after: 25 Financial Street, Xicheng District, Beijing 100033 Applicant after: CHINA CONSTRUCTION BANK Corp. Address before: 25 Financial Street, Xicheng District, Beijing 100033 Applicant before: CHINA CONSTRUCTION BANK Corp. Applicant before: Jianxin Financial Science and Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |