CN111429144A - 非正常汇款交易识别方法及装置 - Google Patents
非正常汇款交易识别方法及装置 Download PDFInfo
- Publication number
- CN111429144A CN111429144A CN202010216769.2A CN202010216769A CN111429144A CN 111429144 A CN111429144 A CN 111429144A CN 202010216769 A CN202010216769 A CN 202010216769A CN 111429144 A CN111429144 A CN 111429144A
- Authority
- CN
- China
- Prior art keywords
- remittance
- abnormal
- transaction
- remittance transaction
- message information
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 337
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012546 transfer Methods 0.000 claims description 37
- 239000012634 fragment Substances 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 24
- 238000012545 processing Methods 0.000 description 30
- 238000010801 machine learning Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 23
- 238000013500 data storage Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
本申请提供了一种非正常汇款交易识别方法及装置,该非正常汇款交易识别方法包括:获取目标用户的汇款报文信息组,并根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值;将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型,并将该非正常汇款交易识别模型的输出结果作为所述目标用户的非正常汇款交易的预测值;若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则确定当前的汇款交易为非正常交易,所述非正常汇款交易包括汇款欺诈交易和/或非法所得合法化交易。本申请能够提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性。
Description
技术领域
本申请涉及汇款报文处理技术领域,尤其涉及一种非正常汇款交易识别方法及装置。
背景技术
目前金融交易的支付过程包含支付的产生、确认和发送,特别是对交易各方的身份确认、对支付工具的确认以及对支付能力的确认等,其中对交易各方的身份确认在当前及以后变得尤为重要,鉴于对汇款安全性的要求,需要进一步加强反欺诈和反非法所得合法化手段的有效性和可靠性。
识别汇款交易是否涉及欺诈和非法所得合法化是通过确认客户的身份信息、包含收付款人账户、名称和地址,收付款人开户行信息等等,对于汇款信息不完整或者故意隐瞒收付款人相关信息或者该汇款人有涉及非法所得合法化经历,需要进一步确认是否涉及欺诈和非法所得合法化行为。近年来,欺诈和非法所得合法化犯罪案件呈多发趋势,对金融企业和用户财产安全造成了很大的损失,一方面,随着支付领域技术快速发展,为汇款交易带来了便捷的同时,也给犯罪分子了可乘之机;另一方面,欺诈和非法所得合法化交易频发,各国对欺诈和非法所得合法化交易的监管要求也不断提高。这说明当前的非常正汇款交易识别方法还存在漏洞。
因此,亟需开发一种非正常汇款交易识别方法及装置,以便提高非正常汇款交易识别的准确性和效率,进而保证金融体系的稳健运行。
发明内容
针对现有技术中的问题,本申请提出了一种非正常汇款交易识别方法及装置,能够提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性。
为了解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种非正常汇款交易识别方法,包括:
获取目标用户的汇款报文信息组,并根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值;
将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型,并将该非正常汇款交易识别模型的输出结果作为所述目标用户的非正常汇款交易的预测值;
若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则确定当前的汇款交易为非正常交易,其中,所述非正常汇款交易包括汇款欺诈交易和/或非法所得合法化交易。
进一步地,在所述将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型之前,还包括:获取由多个历史客户的历史汇款报文信息组构成的总样本数据集;应用所述总样本数据集对非正常汇款交易识别模型进行训练,其中,该非正常汇款交易识别模型为多元线性回归模型。
进一步地,所述获取由多个历史客户的历史汇款报文信息组构成的总样本数据集,包括:获取多个历史用户对应的历史汇款报文信息组以及各个所述历史汇款报文信息组对应的汇款交易标签,其中,该汇款交易标签包括:非正常汇款交易标签和正常汇款交易标签;根据所述预存储的非正常汇款交易信息集确定各个所述历史汇款报文信息组中的历史汇款报文信息各自对应的历史最大匹配程度值;应用所述历史汇款报文信息组、汇款交易标签和历史最大匹配程度值生成所述总样本数据集,其中,所述总样本数据集中的各个样本分别由唯一对应的历史汇款报文信息组、该历史汇款报文信息组对应的汇款交易标签以及该历史汇款报文信息组中的各个历史汇款报文信息各自对应的历史最大匹配程度值构成。
进一步地,所述汇款报文信息包括:汇款报文类型和汇款报文数据;相对应的,所述根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值,包括:基于所述汇款报文类型从预存储的非正常汇款交易信息集中得到各个所述汇款报文信息各自对应的非正常汇款交易信息组;应用所述汇款报文数据和非正常汇款交易信息组计算得到所述汇款报文信息分别与对应的非正常汇款交易信息组中的各个非正常汇款交易信息之间的匹配程度值,并将该匹配程度值中的最大值作为所述汇款报文信息对应的最大匹配程度值。
进一步地,所述的非正常汇款交易识别方法还包括:若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则将该非正常汇款交易的预测值对应的汇款报文信息组存储在所述非正常汇款交易信息集中。
进一步地,所述的非正常汇款交易识别方法还包括:若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围外,则按照预设的拆分规则将所述汇款报文信息拆分为多个语汇片段;将所述语汇片段与多个预设的制裁关键字进行匹配,获得与所述语汇片段相匹配的匹配制裁关键字;计算所述语汇片段与对应的匹配制裁关键字之间的相似度,获得对应的相似度值;判断所述相似度值是否超出预设相似度阈值,若是,则确定当前的汇款交易为非正常交易。
第二方面,本申请提供一种非正常汇款交易识别装置,包括:
获取信息模块,用于获取目标用户的汇款报文信息组,并根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值;
应用非正常汇款交易识别模型模块,用于将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型,并将该非正常汇款交易识别模型的输出结果作为所述目标用户的非正常汇款交易的预测值;
输出模块,用于若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则确定当前的汇款交易为非正常交易,其中,所述非正常汇款交易包括汇款欺诈交易和/或非法所得合法化交易。
进一步地,所述的非正常汇款交易识别装置还包括:获取总样本数据集模块,用于获取由多个历史客户的历史汇款报文信息组构成的总样本数据集;训练模块,用于应用所述总样本数据集对非正常汇款交易识别模型进行训练,其中,该非正常汇款交易识别模型为多元线性回归模型。
进一步地,所述获取总样本数据集模块包括:获取历史信息单元,用于获取多个历史用户对应的历史汇款报文信息组以及各个所述历史汇款报文信息组对应的汇款交易标签,其中,该汇款交易标签包括:非正常汇款交易标签和正常汇款交易标签;确定历史最大匹配程度值单元,用于根据所述预存储的非正常汇款交易信息集确定各个所述历史汇款报文信息组中的历史汇款报文信息各自对应的历史最大匹配程度值;生成总样本数据集单元,用于应用所述历史汇款报文信息组、汇款交易标签和历史最大匹配程度值生成所述总样本数据集,其中,所述总样本数据集中的各个样本分别由唯一对应的历史汇款报文信息组、该历史汇款报文信息组对应的汇款交易标签以及该历史汇款报文信息组中的各个历史汇款报文信息各自对应的历史最大匹配程度值构成。
进一步地,所述汇款报文信息包括:汇款报文类型和汇款报文数据;相对应的,所述获取信息模块包括:确定非正常汇款交易信息组单元,用于基于所述汇款报文类型从预存储的非正常汇款交易信息集中得到各个所述汇款报文信息各自对应的非正常汇款交易信息组;最大匹配程度值计算单元,用于应用所述汇款报文数据和非正常汇款交易信息组计算得到所述汇款报文信息分别与对应的非正常汇款交易信息组中的各个非正常汇款交易信息之间的匹配程度值,并将该匹配程度值中的最大值作为所述汇款报文信息对应的最大匹配程度值。
进一步地,所述的非正常汇款交易识别装置还包括:存储模块,用于若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则将该非正常汇款交易的预测值对应的汇款报文信息组存储在所述非正常汇款交易信息集中。
进一步地,所述的非正常汇款交易识别装置还包括:语言切分模块,用于若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围外,则按照预设的拆分规则将所述汇款报文信息拆分为多个语汇片段;匹配模块,用于将所述语汇片段与多个预设的制裁关键字进行匹配,获得与所述语汇片段相匹配的匹配制裁关键字;相似度计算模块,用于计算所述语汇片段与对应的匹配制裁关键字之间的相似度,获得对应的相似度值;判断模块,用于判断所述相似度值是否超出预设相似度阈值,若是,则确定当前的汇款交易为非正常交易。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的非正常汇款交易识别方法。
第四方面,本申请提供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的非正常汇款交易识别方法。
由上述技术方案可知,本申请提供一种非正常汇款交易识别方法及装置。其中,该方法包括:获取目标用户的汇款报文信息组,并根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值;将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型,并将该非正常汇款交易识别模型的输出结果作为所述目标用户的非正常汇款交易的预测值;若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则确定当前的汇款交易为非正常交易,其中,所述非正常汇款交易包括汇款欺诈交易和/或非法所得合法化交易,能够提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性;具体地,还能够提高非正常汇款交易识别的自动化程度和智能化程度,实现对非正常汇款交易的实时监控,提高数据利用率,降低金融企业的交易风险。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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是本申请实施例中非正常汇款交易识别方法的流程示意图;
图2是本申请实施例中非正常汇款交易识别方法步骤021至步骤022的流程示意图;
图3是本申请实施例中非正常汇款交易识别方法步骤201至步骤203的流程示意图;
图4是本申请实施例中非正常汇款交易识别方法步骤101至步骤102的流程示意图;
图5是本申请实施例中非正常汇款交易识别装置的结构示意图;
图6是本申请又一实施例中非正常汇款交易识别装置的结构示意图;
图7是本申请具体应用实例中实时非正常汇款交易识别系统的结构示意图;
图8是本申请具体应用实例中机器学习装置的结构示意图;
图9是本申请具体应用实例中专家规则判断装置的结构示意图;
图10是本申请具体应用实例中数据存储装置的结构示意图;
图11是本申请具体应用实例中非正常汇款交易识别方法的流程示意图;
图12是本申请具体应用实例中机器学习装置的处理流程示意图;
图13是本申请具体应用实例中专家规则判断装置的处理流程示意图;
图14是本申请具体应用实例中审核处理流程示意图;
图15为本申请实施例的电子设备9600的系统构成示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性,本申请实施例提供一种非正常汇款交易识别装置,该装置可以是一服务器或客户端设备,所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备和智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表和智能手环等。
在实际应用中,进行非正常汇款交易识别的部分可以在如上述内容所述的服务器侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、 UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、 REST协议(Representational State Transfer,表述性状态转移协议)等。
具体通过下述各个实施例进行说明。
如图1所示,为了提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性,本实施例提供一种执行主体是非正常汇款交易识别装置的非正常汇款交易识别方法,具体包含有如下内容:
步骤100:获取目标用户的汇款报文信息组,并根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值。
其中,所述目标用户的汇款报文信息组包含有多个汇款报文信息,举例来说,所述汇款报文信息组包含有发报行、收报行、付款人账户、付款人名字、付款人地址、收款人账户、收款人名称和收款人地址信息;所述非正常汇款交易信息集包含有涉及非正常汇款的多个历史用户的非正常汇款交易信息,将各个类型的非正常汇款交易信息分为对应的非正常汇款交易信息组,每个非正常汇款交易信息组中的非正常汇款交易信息的类型相同;非正常汇款交易信息的类型至少对应有所述汇款报文信息组的类型,即非正常汇款交易信息至少包含有涉及非正常汇款的历史用户的发报行、收报行、付款人账户、付款人名字、付款人地址、收款人账户、收款人名称和收款人地址信息。
步骤200:将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型,并将该非正常汇款交易识别模型的输出结果作为所述目标用户的非正常汇款交易的预测值。
步骤300:若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则确定当前的汇款交易为非正常交易,其中,所述非正常汇款交易包括汇款欺诈交易和/或非法所得合法化交易。
具体地,在确定当前的汇款交易为非正常交易之后,可以中止当前的汇款交易,并将针对所述目标用户的非正常汇款交易报警信息发送至一联网报警系统以实现对非正常汇款交易的实时监控。所述非正常汇款交易阈值范围可根据实际情况进行设置,本申请对此不作限制。
在一个举例中,若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则将各个所述汇款报文信息、各自对应的最大匹配程度值和非正常汇款交易标签存储在所述总样本数据集中,以对该非正常汇款交易识别模型进行训练。
参见图2,为了进一步提高非正常汇款交易识别的准确性和效率,在本申请一个实施例中,在步骤200之前还包括:
步骤021:获取由多个历史客户的历史汇款报文信息组构成的总样本数据集。
步骤023:应用所述总样本数据集对非正常汇款交易识别模型进行训练,其中,该非正常汇款交易识别模型为多元线性回归模型。
参见图3,为了进一步提高总样本数据集的准确性和可靠性,进而提高非正常汇款交易识别模型训练的准确性和可靠性,在本申请一个实施例中,步骤200包含有:
步骤201:获取多个历史用户对应的历史汇款报文信息组以及各个所述历史汇款报文信息组对应的汇款交易标签,其中,该汇款交易标签包括:非正常汇款交易标签和正常汇款交易标签。
步骤202:根据所述预存储的非正常汇款交易信息集确定各个所述历史汇款报文信息组中的历史汇款报文信息各自对应的历史最大匹配程度值。
步骤203:应用所述历史汇款报文信息组、汇款交易标签和历史最大匹配程度值生成所述总样本数据集,其中,所述总样本数据集中的各个样本分别由唯一对应的历史汇款报文信息组、该历史汇款报文信息组对应的汇款交易标签以及该历史汇款报文信息组中的各个历史汇款报文信息各自对应的历史最大匹配程度值构成。
为了进一步提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性,在本申请一个实施例中,所述汇款报文信息包括:汇款报文类型和汇款报文数据;
相对应的,参见图4,步骤100中的所述根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值,包括:
步骤101:基于所述汇款报文类型从预存储的非正常汇款交易信息集中得到各个所述汇款报文信息各自对应的非正常汇款交易信息组。
具体地,所述非正常汇款交易信息集中的各个非正常汇款交易信息组分别对应唯一的汇款报文类型。
步骤102:应用所述汇款报文数据和非正常汇款交易信息组计算得到所述汇款报文信息分别与对应的非正常汇款交易信息组中的各个非正常汇款交易信息之间的匹配程度值,并将该匹配程度值中的最大值作为所述汇款报文信息对应的最大匹配程度值。
具体地,应用编辑距离(Levenshtein)算法,得到各个所述汇款报文信息转换成各自对应的各个非正常汇款交易信息的最少编辑操作次数;根据所述最少编辑操作次数确定所述汇款报文信息分别与对应的各个非正常汇款交易信息之间的匹配程度值。
为了进一步提高非正常汇款交易信息集的可靠性,提高非正常汇款交易识别的准确性和效率,在本申请一个实施例中,所述的非正常汇款交易识别方法还包含有:
步骤400:若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则将该非正常汇款交易的预测值对应的汇款报文信息组存储在所述非正常汇款交易信息集中。
为了进一步提高非正常汇款交易识别的可靠性,在本申请一个实施例中,所述的非正常汇款交易识别方法还包括:
步骤500:若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围外,则按照预设的拆分规则将所述汇款报文信息拆分为多个语汇片段。
步骤600:将所述语汇片段与多个预设的制裁关键字进行匹配,获得与所述语汇片段相匹配的匹配制裁关键字。
具体地,应用编辑距离(Levenshtein)算法,得到所述语汇片段与各个所述预设的制裁关键字之间的匹配程度值,若制裁关键字对应的匹配程度值大于最小匹配程度阈值,则将该制裁关键字作为与所述语汇片段相匹配的匹配制裁关键字。所述制裁关键字可根据实际情况进行设置,本申请对此不作限制。
步骤700:计算所述语汇片段与对应的匹配制裁关键字之间的相似度,获得对应的相似度值。
步骤800:判断所述相似度值是否超出预设相似度阈值,若是,则确定当前的汇款交易为非正常交易。
具体地,应用编辑距离(Levenshtein)算法,得到所述语汇片段与各个所述匹配制裁关键字之间的相似度值,若匹配制裁关键字对应的相似度值超出预设相似度阈值,则确定当前的汇款交易为非正常交易。所述相似度阈值可根据实际情况进行设置,本申请对此不作限制。可以理解的是,若经判断得到所述相似度值未超出预设相似度阈值,则确定当前的汇款交易为正常交易,执行所述汇款报文信息组对应的汇款交易过程。
在一举例中,“汇款报文信息”为字符串a,相同类型的各个“非正常汇款交易信息”(比如地址一类)为字符串b、c、d...,通过编辑距离算法,获得将字符串a分别转换成字符串b、c、d...的各个相似度值,取最大的相似度值作为该汇款报文信息与制裁关键字之间的相似度值。
在一举例中,判断所述相似度值是否超出预设相似度阈值,若是,则将各个所述汇款报文信息、各自对应的最大匹配程度值和非正常汇款交易标签存储在所述总样本数据集中,以对该非正常汇款交易识别模型进行训练;若经判断得到所述相似度值未超出预设相似度阈值,则将各个所述汇款报文信息、各自对应的最大匹配程度值和正常汇款交易标签存储在所述总样本数据集中,以对该非正常汇款交易识别模型进行训练。
在一个实施例中,将步骤500至步骤800作为专家规则识别过程;应用所述非正常汇款交易识别模型和专家规则识别过程判断目标用户是否为非正常汇款交易;根据所述判断结果、对应的汇款报文信息组和该汇款报文组中的各个汇款报文信息对应的最大匹配程度值对非正常汇款交易识别模型进行训练;当所述非正常汇款交易识别模型的检测准确性达到预设的准确性阈值范围内,则仅应用所述非正常汇款交易识别模型判断用户的汇款过程是否为非正常汇款交易,能够提高甄别的准确率,实现非正常汇款交易的人工智能检测,降低银行金融风险,能够提高金融系统的安全性。
从软件层面来说,为了提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性,本申请提供一种用于实现所述非正常汇款交易识别方法中全部或部分内容的非正常汇款交易识别装置的实施例,参见图5,所述非正常汇款交易识别装置具体包含有如下内容:
获取信息模块10,用于获取目标用户的汇款报文信息组,并根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值。
应用非正常汇款交易识别模型模块20,用于将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型,并将该非正常汇款交易识别模型的输出结果作为所述目标用户的非正常汇款交易的预测值。
输出模块30,用于若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则确定当前的汇款交易为非正常交易,其中,所述非正常汇款交易包括汇款欺诈交易和/或非法所得合法化交易。
参见图6,在本申请一个实施例中,所述的非正常汇款交易识别装置还包括:
获取总样本数据集模块40,用于获取由多个历史客户的历史汇款报文信息组构成的总样本数据集。
训练模块50,用于应用所述总样本数据集对非正常汇款交易识别模型进行训练,其中,该非正常汇款交易识别模型为多元线性回归模型。
在本申请一个实施例中,所述获取总样本数据集模块包括:
获取历史信息单元,用于获取多个历史用户对应的历史汇款报文信息组以及各个所述历史汇款报文信息组对应的汇款交易标签,其中,该汇款交易标签包括:非正常汇款交易标签和正常汇款交易标签。
确定历史最大匹配程度值单元,用于根据所述预存储的非正常汇款交易信息集确定各个所述历史汇款报文信息组中的历史汇款报文信息各自对应的历史最大匹配程度值。
生成总样本数据集单元,用于应用所述历史汇款报文信息组、汇款交易标签和历史最大匹配程度值生成所述总样本数据集,其中,所述总样本数据集中的各个样本分别由唯一对应的历史汇款报文信息组、该历史汇款报文信息组对应的汇款交易标签以及该历史汇款报文信息组中的各个历史汇款报文信息各自对应的历史最大匹配程度值构成。
在本申请一个实施例中,所述汇款报文信息包括:汇款报文类型和汇款报文数据;相对应的,所述获取信息模块包括:
确定非正常汇款交易信息组单元,用于基于所述汇款报文类型从预存储的非正常汇款交易信息集中得到各个所述汇款报文信息各自对应的非正常汇款交易信息组。
最大匹配程度值计算单元,用于应用所述汇款报文数据和非正常汇款交易信息组计算得到所述汇款报文信息分别与对应的非正常汇款交易信息组中的各个非正常汇款交易信息之间的匹配程度值,并将该匹配程度值中的最大值作为所述汇款报文信息对应的最大匹配程度值。
在本申请一个实施例中,所述的非正常汇款交易识别装置还包括:
存储模块,用于若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则将该非正常汇款交易的预测值对应的汇款报文信息组存储在所述非正常汇款交易信息集中。
在本申请一个实施例中,所述的非正常汇款交易识别装置还包括:
语言切分模块,用于若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围外,则按照预设的拆分规则将所述汇款报文信息拆分为多个语汇片段。
匹配模块,用于将所述语汇片段与多个预设的制裁关键字进行匹配,获得与所述语汇片段相匹配的匹配制裁关键字。
相似度计算模块,用于计算所述语汇片段与对应的匹配制裁关键字之间的相似度,获得对应的相似度值。
判断模块,用于判断所述相似度值是否超出预设相似度阈值,若是,则确定当前的汇款交易为非正常交易。
本说明书提供的非正常汇款交易识别装置的实施例具体可以用于执行上述非正常汇款交易识别方法的实施例的处理流程,其功能在此不再赘述,可以参照上述非正常汇款交易识别方法实施例的详细描述。
为了进一步说明本方案,本申请还提供一种应用实时非正常汇款交易识别系统实现非正常汇款交易识别方法的具体应用实例,该实时非正常汇款交易识别系统实现的功能相当于上述非正常汇款交易识别装置实现的功能。
所述实时非正常汇款交易识别系统可以独立于汇款业务处理系统,通过报文采集装置,经过报文解析装置,机器学习装置和专家规则判断装置对汇款信息进行检查,首先应用机器学习装置进行汇款信息检测,如果检测结果在预设的非正常汇款交易阈值范围内,则将检测结果发送至审核装置,通过审核装置进一步确认是否涉及汇款欺诈交易和/或非法所得合法化交易,如果涉及汇款欺诈交易和/或非法所得合法化交易则将相关信息推送至数据存储装置,如果检测结果在预设的非正常汇款交易阈值范围外,则继续进行专家规则检查,根据专家规则检查确定与多个行业规则匹配,则将匹配的相关信息推送至数据存储装置,同时将检查结果反馈给汇款业务处理系统。其中,机器学习装置定时从数据存储装置抓取数据进行模型训练。
图7为实时非正常汇款交易识别系统的结构示意图,所述实时非正常汇款交易识别系统包括报文采集装置1、报文解析装置2、机器学习装置3、专家规则判断装置4、审核装置5和数据存储装置6,该实时非正常汇款交易识别系统与汇款业务处理系统相连接,该汇款业务处理系统可以是银行业务处理系统。报文采集装置1接收汇款业务处理系统发送的待甄别报文,然后经过报文解析装置2实现报文信息拆分,通过机器学习装置3进行模型分析,如果得到的结果是没有涉及非正常汇款交易则继续进入专家规则判断装置4进行专家判断,如果专家规则判断也不涉及非正常汇款交易,则将结果反馈给汇款业务处理系统进行后续流程处理,如果前面机器学习装置3或专家规则判断装置4分析出来是涉及非正常汇款交易则进入审核装置5进行进一步识别,同时把匹配的相关信息推送至数据存储装置6。其中:
报文采集装置1,负责接收汇款业务处理系统汇款过程待甄别的报文,并将报文传递给报文解析装置2。
报文解析装置2,负责对报文采集装置1接收到的报文进行解析,按金融行业汇款欺诈交易和/或非法所得合法化交易检查要求从各报文项中抓取收付款人唯一标识、汇款相关账号、户名以及地址信息、收付款人开户行信息、客户附言和汇款金额等内容,并将解析后的检查项推送至机器学习装置3。
机器学习装置3,负责将报文解析装置2推送过来的报文进行汇款欺诈交易和/ 或非法所得合法化交易模型分析。如果分析结果认为不涉及汇款欺诈交易和/或非法所得合法化交易,则将报文解析装置2推送过来的报文传给专家规则判断装置4继续判断;否则将结果反馈给审核装置5。同时机器学习定时从数据存储装置6抓取数据进行模型训练。
专家规则判断装置4,负责接收机器学习装置3传过来的报文进行专家判断,如果检查通过则将结果反馈给汇款业务处理系统,否则将结果反馈给审核装置5,同时把匹配的相关信息推送至数据存储装置6。
审核装置5,负责接收机器学习装置3或专家规则判断装置4的结果,并根据该结果进一步确认是否涉及汇款欺诈交易和/或非法所得合法化交易,同时将结果反馈给汇款业务处理系统。
数据存储装置6,负责保存由机器学习装置3和/或专家规则判断装置4推送的结果。在一种举例中,该数据存储装置的数据存储结构如表1所示。
表1
字段描述 | 说明 |
客户证件号 | 存储客户的证件编号 |
客户的银行账户 | 存储客户的银行账户 |
客户中文名称 | 存储客户的中文名字 |
客户英文名称 | 存储客户的英文名字 |
客户住址 | 存储客户的住址信息 |
客户汇款的附言 | 存储客户汇款的附言 |
客户的汇款金额 | 存储客户汇款的金额 |
汇款银行 | 存储客户汇款的银行 |
图8为机器学习装置的结构示意图,如图8所示,机器学习装置包含数据采集单元21、模型切割单元22、模型诊断单元23和数据推送单元24,模型训练单元25和模型调优单元26,其中:
数据采集单元21负责从报文解析装置2接收待检查的报文内容。
模型切割单元22负责对上一单元传递过来的待检查的报文内容进行合理的语义切割。
模型诊断单元23负责应用模型确定是否命中非正常汇款交易。
数据推送单元24负责将检测结果推送给专家规则判断装置4或审核装置5。
模型训练单元25负责提取存储单元的数据并根据该数据训练模型。
模型调优单元26负责根据模型诊断单元23得出的结果进一步调优模型,需要不断的尝试,从而达到最优的状态。
图9为专家规则判断装置的结构示意图,如图9所示,专家规则判断装置包含语义切分单元31、匹配单元32、相似度评估单元33和相似度阈值判断单元34,其中:
语义切分单元31负责根据标点符号、介词和连词等语义切分分隔符将英文语句切分为若干个语汇片段。
匹配单元32负责将语义切分单元31输出的语汇片段与规则定义做对比匹配。
相似度评估单元33负责计算所检测的语汇片段与其命中的涉敏关键字之间的相似度。
相似度阈值判断单元34负责根据相似度评估单元33计算出的相似度与预设相似度阈值比较,以确定是否需要将命中汇款欺诈交易和/或非法所得合法化交易名单的待检查内容提交至审核装置审核。
图10为数据存储装置的结构示意图,如图10所示,数据存储装置包含客户信息维护处理单元61,客户信息维护处理单元61为客户信息存储单元提供批量导入、以及联机单笔增删改的维护方式对客户信息进行维护,所述客户信息包括表1的字段。
图11为本具体应用实例中,非正常汇款交易识别方法的流程示意图,该非正常汇款交易识别方法具体包括:
步骤S101:待检测汇款报文信息采集。报文采集装置1从汇款业务处理系统中接收待检测汇款报文,其中,待检测汇款报文即金融企业之间资金清算的一种报文,包含发报行、收报行、付款人账户、付款人名字、付款人地址、收款人账户、收款人名字、收款人地址、银行间的附言和汇款人的附言等信息,这些信息能够直观反映这笔汇款的来源,中间清算金融机构和最终收款人,对非正常汇款交易识别具有重要影响。
步骤S102:解析待检测汇款报文并获取待检测报文项内容。报文解析装置2从步骤S101获取待检测报文,按照报文标准拆分成相应的待检测报文项内容。待检测报文项内容即各个独立的报文项。
步骤S103:机器学习模型处理。机器学习装置3从步骤S102获取待检测报文项内容,将待检测报文项内容输入该机器学习模型并根据输出结果判断是否命中数据,同时负责模型训练。
步骤S104:专家规则判断处理。机器学习模型装置3将没有命中的数据传给专家规则判断装置4,其中,没有命中的数据为模型认为没有涉及非正常汇款交易,需要继续通过专家规则来判断的报文,专家规则判断装置通过语意切分将一些特殊字符或者干扰项排除,剩下具有实际含义的片段,并将这些片段匹配关键字,比如IRAN 和Bin Landen都是具有非正常汇款交易意向的关键字,同时根据相似度评估确定是否命中非正常汇款交易。
步骤S105:审核处理。审核装置接收步骤S103或者步骤S104的检查结果,判断是否涉及汇款欺诈交易和/或非法所得合法化交易,同时将审核结果反馈给汇款业务处理系统,并将涉及汇款欺诈交易和/或非法所得合法化交易的客户信息推送到数据存储装置。
步骤S106:数据存储。保存涉及汇款欺诈交易和/或非法所得合法化交易的客户相关信息。
图12是机器学习装置的处理流程示意图,具体处理流程包括:
步骤S201:接收待检测报文项内容。
步骤S202:模型诊断。本模型采用一种多元线性回归模型算法,由各个待检测报文项内容的匹配度组合计算得到非正常汇款交易的预测值Z。这个算法表示如下:
Z=α×n1+β×n2+γ×n3+δ×n4+……
α、β、γ和δ为报文各个独立的检测项和机器学习的样本数据进行比较后得出的匹配度,比如α代表人名的匹配度,α是通过存在于客户信息存储单元中的人名的样本数据计算得来。
n1、n2、n3和n4为各个待检测报文项内容所占的权重,可根据实际需要进行设置;通过设置各个待检测报文项内容所占的权重,能够进一步提高非正常汇款交易识别的准确性;举例来说,由于名字可能存在重复,仅命中一个人名并不能确认该笔汇款为非正常汇款交易,另外,若已知用户有非正常汇款交易,但是该用户通过其他账号汇款,或者通过第三方机构绕道最终才到达A的收款账户,直接根据人名无法准确判断是否非法所得合法化,因此,根据各个待检测报文项内容判断是否涉及非正常汇款交易能够提高非正常汇款交易识别的准确性。
应用非正常汇款交易的预测值Z和系统设置的预测值进行比较,如果落到预测值区间以内,则认为有非正常汇款交易倾向。
步骤S203:推送检查结果。负责将检测结果推送给专家规则判断装置或审核装置,若机器学习模型判定是非正常汇款交易,则不会再推送待检测报文项给专家规则处理装置,将命中的结果发送至审核装置。
图13是专家规则判断装置的处理流程示意图,主要包括S301对待检测汇款报文进行语义切分、S302将切分后的语汇片段与制裁关键字做比较、S303相似度评估、 S304裁决是否涉及非正常汇款交易和S305推送检测结果。具体描述如下:
步骤S301:对待检测汇款报文进行语义切分。按照户名或者地址方式拆分,将连续的语句切分成若干语汇片段。
步骤S302:将切分后的语汇片段与制裁关键字做比较。逐条扫描关键字数据库,模糊匹配各汇款欺诈交易和/或非法所得合法化交易制裁关键字,其中制裁关键字可以预存储在涉及非正常汇款交易的黑名单中,同时可以通过规则配置将缺少汇款人地址或名字的语汇片段对应的汇款过程被判定为非正常汇款交易过程。
步骤S303:相似度评估。获取制裁关键字长度、命中信息关键字长度、制裁关键字和命中信息关键字中存在差异的字符个数,并根据制裁关键字长度、命中信息关键字长度、制裁关键字和命中信息关键字中存在差异的字符个数计算出报文信息命中制裁关键字的匹配率作为相似度。
步骤S304:裁决是否涉及非正常汇款交易。将相似度与阈值进行比较,判断是否命中制裁关键字。其中可以设置多个相似度阈值参数,且各个相似度阈值参数分别对应各个制裁关键字;也可以设置一个相似度阈值参数,该相似度阈值参数对应各个制裁关键字。
步骤S305:推送检测结果。将命中信息关键字信息、制裁关键字信息传给审核装置,供后续人工审核、尽职调查等合规处理环节查看。
图14是审核处理流程示意图,主要包含S401接收机器学习模型或专家规则的判断结果,S402复核和S403推送最终结果。
步骤S401:接收机器学习模型或专家规则的判断结果。接收内容包含两部分,一部分是报文检测项,另外部分是检测结果,这两部分主要作为判断是否是非正常汇款交易的依据。
步骤S402:复核。根据S401的报文检测项和检测结果进行审核。
步骤S403:推送最终结果。如果最终确定是非正常汇款交易,则将这笔报文项推送至数据存储装置作为判断非正常汇款交易的特征,供模型后续训练,同时,推送至业务处理系统。
由上述描述可知,本申请提供的非正常汇款交易识别方法及装置,能够提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性;具体地,还能够提高非正常汇款交易识别的自动化程度和智能化程度,实现对非正常汇款交易的实时监控,提高数据利用率,降低金融企业的交易风险。
从硬件层面来说,为了提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性,本申请提供一种用于实现所述非正常汇款交易识别方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现所述非正常汇款交易识别装置以及用户终端等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例用于实现所述非正常汇款交易识别方法的实施例及用于实现所述非正常汇款交易识别装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图15为本申请实施例的电子设备9600的系统构成的示意框图。如图15所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图15是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
在本申请一个或多个实施例中,非正常汇款交易识别功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤100:获取目标用户的汇款报文信息组,并根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值。
步骤200:将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型,并将该非正常汇款交易识别模型的输出结果作为所述目标用户的非正常汇款交易的预测值。
步骤300:若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则确定当前的汇款交易为非正常交易,其中,所述非正常汇款交易包括汇款欺诈交易和/或非法所得合法化交易。
从上述描述可知,本申请的实施例提供的电子设备,能够提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性。
在另一个实施方式中,非正常汇款交易识别装置可以与中央处理器9100分开配置,例如可以将非正常汇款交易识别装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现非正常汇款交易识别功能。
如图15所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图15中所示的所有部件;此外,电子设备9600还可以包括图15中没有示出的部件,可以参考现有技术。
如图15所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备 9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140 存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140 还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器 9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110 还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130 还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
上述描述可知,本申请的实施例提供的电子设备,能够提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性。
本申请的实施例还提供能够实现上述实施例中的非正常汇款交易识别方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的非正常汇款交易识别方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:获取目标用户的汇款报文信息组,并根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值。
步骤200:将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型,并将该非正常汇款交易识别模型的输出结果作为所述目标用户的非正常汇款交易的预测值。
步骤300:若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则确定当前的汇款交易为非正常交易,其中,所述非正常汇款交易包括汇款欺诈交易和/或非法所得合法化交易。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够提高非正常汇款交易识别的准确性和效率,进而提高汇款过程的安全性。
本申请中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请中应用了具体实施例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种非正常汇款交易识别方法,其特征在于,包括:
获取目标用户的汇款报文信息组,并根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值;
将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型,并将该非正常汇款交易识别模型的输出结果作为所述目标用户的非正常汇款交易的预测值;
若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则确定当前的汇款交易为非正常交易,其中,所述非正常汇款交易包括汇款欺诈交易和/或非法所得合法化交易。
2.根据权利要求1所述的非正常汇款交易识别方法,其特征在于,在所述将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型之前,还包括:
获取由多个历史客户的历史汇款报文信息组构成的总样本数据集;
应用所述总样本数据集对非正常汇款交易识别模型进行训练,其中,该非正常汇款交易识别模型为多元线性回归模型。
3.根据权利要求2所述的非正常汇款交易识别方法,其特征在于,所述获取由多个历史客户的历史汇款报文信息组构成的总样本数据集,包括:
获取多个历史用户对应的历史汇款报文信息组以及各个所述历史汇款报文信息组对应的汇款交易标签,其中,该汇款交易标签包括:非正常汇款交易标签和正常汇款交易标签;
根据所述预存储的非正常汇款交易信息集确定各个所述历史汇款报文信息组中的历史汇款报文信息各自对应的历史最大匹配程度值;
应用所述历史汇款报文信息组、汇款交易标签和历史最大匹配程度值生成所述总样本数据集,其中,所述总样本数据集中的各个样本分别由唯一对应的历史汇款报文信息组、该历史汇款报文信息组对应的汇款交易标签以及该历史汇款报文信息组中的各个历史汇款报文信息各自对应的历史最大匹配程度值构成。
4.根据权利要求1所述的非正常汇款交易识别方法,其特征在于,所述汇款报文信息包括:汇款报文类型和汇款报文数据;
相对应的,所述根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值,包括:
基于所述汇款报文类型从预存储的非正常汇款交易信息集中得到各个所述汇款报文信息各自对应的非正常汇款交易信息组;
应用所述汇款报文数据和非正常汇款交易信息组计算得到所述汇款报文信息分别与对应的非正常汇款交易信息组中的各个非正常汇款交易信息之间的匹配程度值,并将该匹配程度值中的最大值作为所述汇款报文信息对应的最大匹配程度值。
5.根据权利要求1所述的非正常汇款交易识别方法,其特征在于,还包括:
若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则将该非正常汇款交易的预测值对应的汇款报文信息组存储在所述非正常汇款交易信息集中。
6.根据权利要求1所述的非正常汇款交易识别方法,其特征在于,还包括:
若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围外,则按照预设的拆分规则将所述汇款报文信息拆分为多个语汇片段;
将所述语汇片段与多个预设的制裁关键字进行匹配,获得与所述语汇片段相匹配的匹配制裁关键字;
计算所述语汇片段与对应的匹配制裁关键字之间的相似度,获得对应的相似度值;
判断所述相似度值是否超出预设相似度阈值,若是,则确定当前的汇款交易为非正常交易。
7.一种非正常汇款交易识别装置,其特征在于,包括:
获取信息模块,用于获取目标用户的汇款报文信息组,并根据预存储的非正常汇款交易信息集确定该汇款报文信息组中的各个汇款报文信息对应的最大匹配程度值;
应用非正常汇款交易识别模型模块,用于将各个所述汇款报文信息和各自对应的最大匹配程度值输入预设的非正常汇款交易识别模型,并将该非正常汇款交易识别模型的输出结果作为所述目标用户的非正常汇款交易的预测值;
输出模块,用于若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则确定当前的汇款交易为非正常交易,其中,所述非正常汇款交易包括汇款欺诈交易和/或非法所得合法化交易。
8.根据权利要求7所述的非正常汇款交易识别装置,其特征在于,还包括:
获取总样本数据集模块,用于获取由多个历史客户的历史汇款报文信息组构成的总样本数据集;
训练模块,用于应用所述总样本数据集对非正常汇款交易识别模型进行训练,其中,该非正常汇款交易识别模型为多元线性回归模型。
9.根据权利要求8所述的非正常汇款交易识别装置,其特征在于,所述获取总样本数据集模块包括:
获取历史信息单元,用于获取多个历史用户对应的历史汇款报文信息组以及各个所述历史汇款报文信息组对应的汇款交易标签,其中,该汇款交易标签包括:非正常汇款交易标签和正常汇款交易标签;
确定历史最大匹配程度值单元,用于根据所述预存储的非正常汇款交易信息集确定各个所述历史汇款报文信息组中的历史汇款报文信息各自对应的历史最大匹配程度值;
生成总样本数据集单元,用于应用所述历史汇款报文信息组、汇款交易标签和历史最大匹配程度值生成所述总样本数据集,其中,所述总样本数据集中的各个样本分别由唯一对应的历史汇款报文信息组、该历史汇款报文信息组对应的汇款交易标签以及该历史汇款报文信息组中的各个历史汇款报文信息各自对应的历史最大匹配程度值构成。
10.根据权利要求7所述的非正常汇款交易识别装置,其特征在于,所述汇款报文信息包括:汇款报文类型和汇款报文数据;
相对应的,所述获取信息模块包括:
确定非正常汇款交易信息组单元,用于基于所述汇款报文类型从预存储的非正常汇款交易信息集中得到各个所述汇款报文信息各自对应的非正常汇款交易信息组;
最大匹配程度值计算单元,用于应用所述汇款报文数据和非正常汇款交易信息组计算得到所述汇款报文信息分别与对应的非正常汇款交易信息组中的各个非正常汇款交易信息之间的匹配程度值,并将该匹配程度值中的最大值作为所述汇款报文信息对应的最大匹配程度值。
11.根据权利要求7所述的非正常汇款交易识别装置,其特征在于,还包括:
存储模块,用于若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围内,则将该非正常汇款交易的预测值对应的汇款报文信息组存储在所述非正常汇款交易信息集中。
12.根据权利要求7所述的非正常汇款交易识别装置,其特征在于,还包括:
语言切分模块,用于若所述非正常汇款交易的预测值在预设的非正常汇款交易阈值范围外,则按照预设的拆分规则将所述汇款报文信息拆分为多个语汇片段;
匹配模块,用于将所述语汇片段与多个预设的制裁关键字进行匹配,获得与所述语汇片段相匹配的匹配制裁关键字;
相似度计算模块,用于计算所述语汇片段与对应的匹配制裁关键字之间的相似度,获得对应的相似度值;
判断模块,用于判断所述相似度值是否超出预设相似度阈值,若是,则确定当前的汇款交易为非正常交易。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至6任一项所述的非正常汇款交易识别方法。
14.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被执行时实现权利要求1至6任一项所述的非正常汇款交易识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010216769.2A CN111429144B (zh) | 2020-03-25 | 2020-03-25 | 非正常汇款交易识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010216769.2A CN111429144B (zh) | 2020-03-25 | 2020-03-25 | 非正常汇款交易识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429144A true CN111429144A (zh) | 2020-07-17 |
CN111429144B CN111429144B (zh) | 2024-04-12 |
Family
ID=71549474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010216769.2A Active CN111429144B (zh) | 2020-03-25 | 2020-03-25 | 非正常汇款交易识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429144B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049851A (zh) * | 2012-12-27 | 2013-04-17 | 中国建设银行股份有限公司 | 一种基于交易数据的反欺诈监控方法和装置 |
US20180365665A1 (en) * | 2017-06-16 | 2018-12-20 | Nec Laboratories America, Inc. | Banking using suspicious remittance detection through financial behavior analysis |
CN109146440A (zh) * | 2017-06-16 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 交易结算方法、装置、服务器以及存储介质 |
CN110147999A (zh) * | 2019-04-16 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种交易风险识别方法及装置 |
CN110390589A (zh) * | 2019-07-26 | 2019-10-29 | 中国工商银行股份有限公司 | 汇款数据的处理方法、装置、系统、电子设备及存储介质 |
CN110910198A (zh) * | 2019-10-16 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 非正常对象预警方法、装置、电子设备及存储介质 |
-
2020
- 2020-03-25 CN CN202010216769.2A patent/CN111429144B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049851A (zh) * | 2012-12-27 | 2013-04-17 | 中国建设银行股份有限公司 | 一种基于交易数据的反欺诈监控方法和装置 |
US20180365665A1 (en) * | 2017-06-16 | 2018-12-20 | Nec Laboratories America, Inc. | Banking using suspicious remittance detection through financial behavior analysis |
CN109146440A (zh) * | 2017-06-16 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 交易结算方法、装置、服务器以及存储介质 |
CN110147999A (zh) * | 2019-04-16 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 一种交易风险识别方法及装置 |
CN110390589A (zh) * | 2019-07-26 | 2019-10-29 | 中国工商银行股份有限公司 | 汇款数据的处理方法、装置、系统、电子设备及存储介质 |
CN110910198A (zh) * | 2019-10-16 | 2020-03-24 | 支付宝(杭州)信息技术有限公司 | 非正常对象预警方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111429144B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109255499B (zh) | 投诉、投诉案件处理方法、装置及设备 | |
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN110992167B (zh) | 银行客户业务意图识别方法及装置 | |
CN110442712B (zh) | 风险的确定方法、装置、服务器和文本审理系统 | |
US20230099864A1 (en) | User profiling based on transaction data associated with a user | |
CN111275546A (zh) | 金融客户欺诈风险识别方法及装置 | |
KR102051350B1 (ko) | 암호화폐 거래를 분석하기 위한 데이터 획득 방법 및 장치 | |
CN111931189B (zh) | Api接口转用风险检测方法、装置和api服务系统 | |
CN111161054A (zh) | 作业风险监测方法及系统 | |
CN112036890A (zh) | 客户身份认证方法及装置 | |
CN111932268A (zh) | 企业风险识别方法及装置 | |
CN112581259A (zh) | 账户风险识别方法及装置、存储介质、电子设备 | |
WO2019237208A1 (en) | System and process for electronic payments | |
CN111401906A (zh) | 转账风险检测方法及系统 | |
CN115409518A (zh) | 用户交易风险预警方法及装置 | |
CN111353891A (zh) | 资金交易数据中可疑团伙的识别辅助方法及装置 | |
CN112950357B (zh) | 交易异常团伙识别方法及装置 | |
CN105631669A (zh) | 校验支付数据的方法及设备 | |
CN111429144B (zh) | 非正常汇款交易识别方法及装置 | |
CN112330328A (zh) | 一种基于特征提取的信用卡欺诈检测方法 | |
CN115619534A (zh) | 企业贷款请求处理方法及装置 | |
CN114708090A (zh) | 基于大数据的银行支付业务风险识别装置 | |
CN113327161A (zh) | 一种用于信贷业务的智能风控决策系统 | |
CN113222303A (zh) | 一种银行印鉴卡外带风险预测方法及装置 | |
CN112766254A (zh) | 凭证信息录入的自动化测试方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |