CN111861733A - 基于地址模糊匹配的欺诈防控系统及方法 - Google Patents
基于地址模糊匹配的欺诈防控系统及方法 Download PDFInfo
- Publication number
- CN111861733A CN111861733A CN202010759949.5A CN202010759949A CN111861733A CN 111861733 A CN111861733 A CN 111861733A CN 202010759949 A CN202010759949 A CN 202010759949A CN 111861733 A CN111861733 A CN 111861733A
- Authority
- CN
- China
- Prior art keywords
- information
- address
- address information
- database
- standard
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06F16/242—Query formulation
-
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种基于地址模糊匹配的欺诈防控系统及方法,系统包括用户端、服务器和后台终端,所述服务器包括输入模块、预处理模块、数据库、处理模块和输出模块,其中:输入模块,用于接收若干条由用户端发送的信贷申请信息,并提取各条信贷申请信息中的地址信息,生成若干条原始地址信息;预处理模块,用于对每一条原始地址信息进行标准化处理,生成标准地址信息,并按照时间先后顺序依次将每一条标准地址信息存入数据库中;处理模块,用于处理各条标准地址信息,将先存入数据库的标准地址信息定义为入参地址,此后存入数据库中的标准地址信息均作为比对对象;采用本方案能够解决信贷欺诈分析结果准确性较低的问题。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种基于地址模糊匹配的欺诈防控系统及方法。
背景技术
随着社会和金融行业的快速发展,信贷业务活跃于市场。信贷机构在向贷款申请者进行放款前,需要根据贷款申请者提供的信息进行分析,以确定其欺诈风险性;目前,在处理客户贷款请求的过程中,主要是通过对数字类信息的匹配核实来进行风险识别,例如通过验证客户在贷款请求书中填入的证件号码、手机号码、邮箱号码等是否正确来判断是否存在欺诈风险。
例如,中国专利公开号为CN109636578A的文件中公开了一种信贷信息的风险检测方法、装置、设备及可读存储介质,可通过预设模型智能识别贷款申请者提供的信号号码类型,方便贷款申请者提供贷款资料,也减少了风控人员的审核工作量;同时,以“关系”的方式将贷款申请者的信贷号码与其它信息进行整合和关联,有利于确定信贷号码与其它信息之间的联系;并结合染黑(或染灰)的处理逻辑对信贷号码的风险性进行分析和检测,从而以大数据分析的方式对潜在信贷欺诈风险进行了有效预测,提高了信贷分析的准确性,能够更有效地对潜在风险进行预警,可尽早地发现并规避风险和降低贷款坏账率。
但是,现在的信贷产品具备小额、高频的特点,即在与客户交互过程中,会产生大量的地址数据信息,采用地址信息验证对欺诈风险的识别来说同样重要;而相关技术中,由于在文字上进行地址信息验证存在较大困难,如客户在填写地址时由于个人习惯或失误容易导致地址信息不规范,会影响到后续整体的分析和判断;地址数据仅被作为客户的普通申贷信息进行记载和储存,或是对各个地址信息进行单一分析,只确定其真实性即可,而忽略了各个地址之间的关联性,存在分析结果准确性较低的问题。
发明内容
本发明意在于提供一种基于地址模糊匹配的欺诈防控系统及方法,能够解决地址信息分析准确性较低的问题。
本发明提供的基础方案为:基于地址模糊匹配的欺诈防控系统,包括用户端、服务器和后台终端,所述服务器包括输入模块、预处理模块、数据库、处理模块和输出模块,其中:
输入模块,用于接收若干条由用户端发送的信贷申请信息,并提取各条信贷申请信息中的地址信息,生成若干条原始地址信息;
预处理模块,用于对每一条原始地址信息进行标准化处理,生成标准地址信息,并按照时间先后顺序依次将每一条标准地址信息存入数据库中;
处理模块,用于处理各条标准地址信息,将先存入数据库的标准地址信息定义为入参地址,此后存入数据库中的标准地址信息均作为比对对象;并根据比对算法计算比对对象与入参地址的匹配度信息;若匹配度信息大于第一预设阈值,则提取信贷申请信息中的个人身份信息和发起时间信息,若个人身份信息相同,且发起时间信息的差值小于第二预设阈值,则判断为高风险申请,生成提示信息;
输出模块,用于向后台终端发送提示信息。
本发明的工作原理及优点在于:
现在信贷产品的被使用频次较高,且申请信贷的客户通常还需要在申请书中填入相应的地址信息;所以为了充分利用信贷申请中的地址信息,本方案中由输入模块对信贷申请信息中的地址信息进行提取,生成若干原始地址信息;同时,针对地址信息不规范的问题,由预处理模块对采集到的原始地址信息进行标准化处理,得到标准地址信息后按照时间先后顺序存储在数据库中;并定义出其中的入参地址和比对对象,根据比对算法计算出比对对象和入参地址的匹配度信息,当匹配度大于第一预设阈值时,说明这两个信贷申请的地址非常相近,它们之间可能存在一定的关联性;于是,提取信贷申请信息中填入的个人身份信息和发起时间信息进行判断,若两个信贷申请中的个人身份信息相同,而且发起时间信息的差值小于第二预设阈值,则说明该客户在一定时间内发起信贷申请中地址信息存在矛盾的风险,可能为高风险申请,并发送到后台终端提示工作人员。
综上,本系统中通过对客户填入的原始地址信息进行标准化处理,能够有效剔除干扰项,得到规范的地址信息,便于后续的分析和判断;其次,相较于现有技术中的匹配核实数字类信息,或是仅通过确定地址信息真实性来进行风险识别来说,本方案从若干份信贷申请中的地址信息入手,判断它们之间的关联性,并针对关联性较高的对象,辅以信贷申请中的个人身份信息以及发起时间,能够鉴别出高风险申请,从而提升分析结果准确性。
进一步,处理模块,还用于将标准地址信息输入到预先建立的电子地图中,得到各个对比对象与入参地址的距离信息;并统计距离信息小于第三预设阈值的对比对象个数。
有益效果:本方案中,将标准化后的地址还原到电子地图中,通过计算地址间的距离,能够反映出各信贷申请的地址聚集程度,便于工作人员了解地址集中性的情况,有助于完成团体欺诈的识别。
进一步,数据库,还用于预先存储标准化地址;预处理模块,还用于根据标准化地址对原始地址信息进行补全和纠正,得到标准地址信息。
有益效果:采用本方案,通过将客户填写的原始地址信息与数据库中预存的标准化地址进行匹配,能够实现对原始地址信息的错别字纠正和信息补全;能够在计算匹配度信息前解决地址不规范或者地址填写错误的问题。
进一步,处理模块,还用于正则提取入参地址中的划类关键字,并根据划类关键字处理比对对象,统计比对对象中划类关键词的个数,生成匹配度信息;所述划类关键字包括省级地址、市级地址、县区级地址和详细地址信息。
有益效果:使用正则表达式能够切割出地址字符串中的省级地址、市级地址、县区级地址以及详细地址信息,并通过统计比对对象中划类关键词的个数,对匹配度进行量化,便于后续匹配度的比较和判断。
进一步,所述数据库还用于接收并存储黑名单用户信息和逾期用户信息,所述黑名单用户信息和逾期用户信息分别包括第一地址信息和第二地址信息,处理模块,还用于向电子地图中输入第一地址信息和第二地址信息,并选取基准地址坐标,计算第一地址信息和基准地址坐标的距离信息以及第二地址信息和基准地址坐标的距离信息,统计距离信息小于第三预设阈值的第一地址信息和第二地址信息。
有益效果:采用本方案,能够利用已有的数据,如黑名单用户信息和逾期用户信息,根据其中的地址信息,选取基准地址坐标,然后由电子地图分别得到第一地址信息和第二地址信息与基准地址的距离信息,统计距离信息小于第三预设阈值的个数,从而完成对地址集中性的监测和分析。
本发明还提供了基于地址模糊匹配的欺诈防控方法,包括如下步骤:
S1、接收若干条由用户端发送的信贷申请信息,并提取各条信贷申请信息中的地址信息,生成若干条原始地址信息;
S2、对每一条原始地址信息进行标准化处理,生成标准地址信息,并按照时间先后顺序依次将每一条标准地址信息存入数据库中;
S3、处理各条标准地址信息,将先存入数据库的标准地址信息定义为入参地址,此后存入数据库中的标准地址信息均作为比对对象;并根据比对算法计算比对对象与入参地址的匹配度信息;若匹配度信息大于第一预设阈值,则提取信贷申请信息中的个人身份信息和发起时间信息,若个人身份信息相同,且发起时间信息的差值小于第二预设阈值,则判断为高风险申请,生成提示信息;
S4、向后台终端发送提示信息。
有益效果:本方案中,首先处理客户填入的原始地址信息,生成标准地址信息,能够有效剔除干扰项,得到规范的地址信息,便于后续的分析和判断;其次,相较于现有技术中的匹配核实数字类信息,或是仅通过确定地址信息真实性来进行风险识别来说,本方案从若干份信贷申请中的地址信息入手,判断它们之间的关联性,并针对关联性较高的对象,辅以信贷申请中的个人身份信息以及发起时间,能够鉴别出高风险申请,从而提升分析结果准确性。
进一步,所述步骤S3中还包括步骤S31、通过将标准地址信息输入到预先建立的电子地图中,得到各个对比对象与入参地址的距离信息;并统计距离信息小于第三预设阈值的对比对象个数。
有益效果:可以通过将标准化后的地址还原到电子地图中,由电子地图生成地址间的距离,能够反映出各信贷申请的地址聚集程度,有助于完成团体欺诈的识别。
进一步,所述步骤S2中还包括步骤S21、根据数据库中预存的标准化地址对原始地址信息进行补全和纠正,得到标准地址信息。
有益效果:采用本方案可以在计算匹配度信息前解决地址不规范或者地址填写错误的问题。
进一步,所述步骤S3中还包括步骤S31、正则提取入参地址中的划类关键字,并根据划类关键字处理比对对象,统计比对对象中划类关键词的个数,生成匹配度信息。
有益效果:能够由正则表达式来切割出地址字符串中的各级地址信息,并统计出比对对象中划类关键词的个数。
进一步,所述步骤S31中的划类关键字具体包括省级地址、市级地址、县区级地址和详细地址信息。
有益效果:本方案中需由划类关键字对匹配度信息进行量化,通过设置多级划类关键词,能够提高匹配度计算结果的准确性。
附图说明
图1为本发明基于地址模糊匹配的欺诈防控系统及方法实施例一的系统框图。
图2为本发明基于地址模糊匹配的欺诈防控系统及方法实施例一的流程图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例一
基于地址模糊匹配的欺诈防控系统,包括用户端、服务器和后台终端,服务器采用戴尔易安信PowerEdgeT30微塔式服务器,用户端和后台终端均采用联想一体机电脑;如图1所示,服务器包括输入模块、预处理模块、数据库、处理模块和输出模块,其中:
输入模块,用于接收若干条由用户端发送的信贷申请信息,并提取各条信贷申请信息中的地址信息,生成若干条原始地址信息;具体的,本实施例中,选取客户A、客户B、客户C、客户D分别通过各自的用户端发送信贷申请信息,即可从这四份信贷申请信息中得到原始地址信息“重庆渝北财富东路2号富民银行”“重庆财富东路”、“重庆财富东路2好”以及“重庆市渝北重庆涉外商务区B1栋”;
预处理模块,用于对每一条原始地址信息进行标准化处理,生成标准地址信息,并按照时间先后顺序依次将每一条标准地址信息存入数据库中;本实施例中,由于数据库中预先存储有标准化地址,如“重庆市渝北区财富东路2号涉外商务区B1栋重庆富民银行”,每一条原始地址信息在进行标准化处理的过程中,通过关键字匹配,从数据库中找到与之相对应的标准化地址,由预处理模块根据标准化地址对原始地址进行补全和纠正,从而得到标准地址信息,如表一所示;
表一
处理模块,用于处理各条标准地址信息,将先存入数据库的标准地址信息定义为入参地址,此后存入数据库中的标准地址信息均作为比对对象;并根据比对算法计算比对对象与入参地址的匹配度信息;若匹配度信息大于第一预设阈值,则提取信贷申请信息中的个人身份信息和发起时间信息,若个人身份信息相同,且发起时间信息的差值小于第二预设阈值,则判断为高风险申请,生成提示信息;具体的,由于服务器会记录各条信贷申请发起的时间信息,在本实施例中,客户A的信贷申请发起时间均先于客户B、C、D;所以“重庆市渝北区财富东路2号涉外商务区B1栋重庆富民银行”被选定为入参地址,比对算法的基本逻辑为:先采用类似于现有的写正则的方法解析出入参地址中的省级地址、市级地址、区县级地址和详细地址信息,如本实施例中的根据入参地址“重庆市渝北区财富东路2号涉外商务区B1栋重庆富民银行”分别得到“重庆市”、“渝北区”、“财富东路2号涉外商务区B1栋重庆富民银行”,然后对详细地址进一步细分,从中提取出街道地址、街道号、所属区域、区域号以及公司名称,分别为“财富东路”、“2号”、“涉外商务区”、“B1栋”以及“重庆富民银行”,整合上述省市级地址和县区级地址共计7级地址,由此,得到每一级地址中的划类关键字分别为“市”、“区”、“路”、“号”、“区”、“栋”、“银行”;再根据如上关键字分别从如下三个比对对象“重庆市渝北区财富东路”、“重庆市渝北区财富东路2号”以及“重庆市渝北区财富东路2号涉外商务区B1栋”中,统计出其中划类关键词的个数分别为3个、4个以及6个,从而得到它们各自的匹配度信息为3/7、4/7和6/7;由于第一预设阈值为1/2,通过比较比对,发现客户C和D的匹配度信息均大于第一预设阈值;再提取他们信贷申请书中的个人身份信息和发起时间信息,发现其中客户D和客户A的名字相同,极有可能是同一个人;且从时间信息来看,间隔时间为一周,间隔时间小于第一个月(第二预设阈值);填入的地址信息存在前后矛盾的问题,所以判定为高风险申请,生成提示信息“该信贷申请存在风险,请警惕!”。
输出模块,用于向后台终端发送提示信息。
值得一提的是,处理模块还用于将标准地址信息输入到预先建立的电子地图中,得到各个对比对象与入参地址的距离信息,并统计距离信息小于第三预设阈值的对比对象个数;电子地图采用高德地图,能够降低系统的开发成本,第三预设阈值定义为100米,从而统计出方圆100米的申请数量。
基于地址模糊匹配的欺诈防控方法,上述系统基于本方法,基本执行流程如图2所示,本实施中具体包括以下步骤:
S1、接收若干条由用户端发送的信贷申请信息,并提取各条信贷申请信息中的地址信息,生成若干条原始地址信息;
S2、对每一条原始地址信息进行标准化处理,生成标准地址信息,并按照时间先后顺序依次将每一条标准地址信息存入数据库中;
S3、处理各条标准地址信息,将先存入数据库的标准地址信息定义为入参地址,此后存入数据库中的标准地址信息均作为比对对象;并根据比对算法计算比对对象与入参地址的匹配度信息;若匹配度信息大于第一预设阈值,则提取信贷申请信息中的个人身份信息和发起时间信息,若个人身份信息相同,且发起时间信息的差值小于第二预设阈值,则判断为高风险申请,生成提示信息;
S31、通过将标准地址信息输入到预先建立的电子地图中,得到各个对比对象与入参地址的距离信息;并统计距离信息小于第三预设阈值的对比对象个数;
S4、向后台终端发送提示信息。
具体的,步骤S2中具体包括步骤S21、根据数据库中预存的标准化地址对原始地址信息进行补全和纠正,得到标准地址信息;步骤S3中具体包括步骤S31、正则提取入参地址中的划类关键字,并根据划类关键字处理比对对象,统计比对对象中划类关键词的个数,生成匹配度信息;其中,划类关键字包括省级地址、市级地址、县区级地址和详细地址信息。
实施例二
与实施例一相比,不同之处仅在于,在其他实施例中,数据库还用于接收并存储黑名单用户信息和逾期用户信息,黑名单用户信息和逾期用户信息分别包括第一地址信息和第二地址信息,处理模块,还用于向电子地图中输入第一地址信息和第二地址信息,并选取基准地址坐标,计算第一地址信息和基准地址坐标的距离信息以及第二地址信息和基准地址坐标的距离信息,统计距离信息小于第三预设阈值的第一地址信息和第二地址信息;采用本方案,能够利用已有的数据,如黑名单用户信息和逾期用户信息,根据其中的地址信息,选取基准地址坐标,然后由电子地图分别得到第一地址信息和第二地址信息与基准地址的距离信息,统计距离信息小于第三预设阈值的个数,从而完成对地址集中性的监测和分析。
实施例三
与实施例一相比,不同之处仅在于,用户端采用的华为P40手机,输入模块,还用于获取用户端的短信数据;预处理模块,还用于对用户端中的短信数据进行筛选,提取短信数据中的关键词信息,提取其中关键词包含金融或信贷的短信数据,生成待核验目标;处理模块,还用于对待核验目标进行语义分析,当语义分析的结果为正向结果时,则记录为正一分;反之,则记为负一分;输出模块,还用于接收数据库中预存的标准分数,根据语义分析结果统计分数,得到得分信息;若得分信息小于第一预设阈值,则将该用户标记为高风险用户,并将用户信息发送至用户终端;
除了根据地址信息判断是否存在欺诈风险,本方案意在提供另一种鉴别风险用户的手段;用户在进行金融借贷行为时,通常会填写个人的电话资料,而金融借贷或还款的相关内容也会以短信的信息通知客户。预处理模块会对用户端接收到的短信进行筛选,具体的,筛查方式为筛选出短信内容带有金融或借贷相关的关键词,以及金融机构发信人的短信。通过这样的方式,能够筛选出用户和借贷行为相关的短信。此后,用户端将筛选出的短信进行语义分析,当语义分析的结果为正向结果时(如按期还款、提前还款等),记录为正一分;当语义分析的结果为负向结果时(如逾期还款等),记录为负一分。当筛选时间超过预设时间后,用户端对用户进行金融标记。具体的,用户端进行得分统计,当统计得分低于预设分值时,将用户标记为问题用户;否则将用户标记为正常用户。
采用本方案,金融机构的工作人员可以准确的了解该用户的真实借贷情况;除此之外,由于本系统只是对涉及金融或借贷的相关短信进行分析和判断,并不提取和处理用户的其他短信数据,不仅可以尊重用户的隐私;还可以降低数据处理的数量和难度。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于地址模糊匹配的欺诈防控系统,包括用户端、服务器和后台终端,其特征在于,所述服务器包括输入模块、预处理模块、数据库、处理模块和输出模块,其中:
输入模块,用于接收若干条由用户端发送的信贷申请信息,并提取各条信贷申请信息中的地址信息,生成若干条原始地址信息;
预处理模块,用于对每一条原始地址信息进行标准化处理,生成标准地址信息,并按照时间先后顺序依次将每一条标准地址信息存入数据库中;
处理模块,用于处理各条标准地址信息,将先存入数据库的标准地址信息定义为入参地址,此后存入数据库中的标准地址信息均作为比对对象;并根据比对算法计算比对对象与入参地址的匹配度信息;若匹配度信息大于第一预设阈值,则提取信贷申请信息中的个人身份信息和发起时间信息,若个人身份信息相同,且发起时间信息的差值小于第二预设阈值,则判断为高风险申请,生成提示信息;
输出模块,用于向后台终端发送提示信息。
2.根据权利要求1所述的基于地址模糊匹配的欺诈防控系统,其特征在于:处理模块,还用于将标准地址信息输入到预先建立的电子地图中,得到各个对比对象与入参地址的距离信息;并统计距离信息小于第三预设阈值的对比对象个数。
3.根据权利要求1所述的基于地址模糊匹配的欺诈防控系统,其特征在于:数据库,还用于预先存储标准化地址;预处理模块,还用于根据标准化地址对原始地址进行补全和纠正,得到标准地址信息。
4.根据权利要求2所述的基于地址模糊匹配的欺诈防控系统,其特征在于:处理模块,还用于正则提取入参地址中的划类关键字,并根据划类关键字处理比对对象,统计比对对象中划类关键词的个数,生成匹配度信息;所述划类关键字包括省级地址、市级地址、县区级地址和详细地址信息。
5.根据权利要求2所述的基于地址模糊匹配的欺诈防控系统,其特征在于:所述数据库还用于接收并存储黑名单用户信息和逾期用户信息,所述黑名单用户信息和逾期用户信息分别包括第一地址信息和第二地址信息,处理模块,还用于向电子地图中输入第一地址信息和第二地址信息,并选取基准地址坐标,计算第一地址信息和基准地址坐标的距离信息以及第二地址信息和基准地址坐标的距离信息,统计距离信息小于第三预设阈值的第一地址信息和第二地址信息。
6.基于地址模糊匹配的欺诈防控方法,其特征在于,包括如下步骤:
S1、接收若干条由用户端发送的信贷申请信息,并提取各条信贷申请信息中的地址信息,生成若干条原始地址信息;
S2、对每一条原始地址信息进行标准化处理,生成标准地址信息,并按照时间先后顺序依次将每一条标准地址信息存入数据库中;
S3、处理各条标准地址信息,将先存入数据库的标准地址信息定义为入参地址,此后存入数据库中的标准地址信息均作为比对对象;并根据比对算法计算比对对象与入参地址的匹配度信息;若匹配度信息大于第一预设阈值,则提取信贷申请信息中的个人身份信息和发起时间信息,若个人身份信息相同,且发起时间信息的差值小于第二预设阈值,则判断为高风险申请,生成提示信息;
S4、向后台终端发送提示信息。
7.根据权利要求6所述的基于地址模糊匹配的欺诈防控方法,其特征在于:所述步骤S3之后还包括步骤S31、通过将标准地址信息输入到预先建立的电子地图中,得到各个对比对象与入参地址的距离信息;并统计距离信息小于第三预设阈值的对比对象个数。
8.根据权利要求6所述的基于地址模糊匹配的欺诈防控方法,其特征在于:所述步骤S2中还包括步骤S21、根据数据库中预存的标准化地址对原始地址信息进行补全和纠正,得到标准地址信息。
9.根据权利要求6所述的基于地址模糊匹配的欺诈防控方法,其特征在于:所述步骤S3中还包括步骤S31、正则提取入参地址中的划类关键字,并根据划类关键字处理比对对象,统计比对对象中划类关键词的个数,生成匹配度信息。
10.根据权利要求9所述的基于地址模糊匹配的欺诈防控方法,其特征在于:所述步骤S31中的划类关键字具体包括省级地址、市级地址、县区级地址和详细地址信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010759949.5A CN111861733B (zh) | 2020-07-31 | 2020-07-31 | 基于地址模糊匹配的欺诈防控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010759949.5A CN111861733B (zh) | 2020-07-31 | 2020-07-31 | 基于地址模糊匹配的欺诈防控系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861733A true CN111861733A (zh) | 2020-10-30 |
CN111861733B CN111861733B (zh) | 2023-09-15 |
Family
ID=72953899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010759949.5A Active CN111861733B (zh) | 2020-07-31 | 2020-07-31 | 基于地址模糊匹配的欺诈防控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861733B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11616809B1 (en) * | 2020-08-18 | 2023-03-28 | Wells Fargo Bank, N.A. | Fuzzy logic modeling for detection and presentment of anomalous messaging |
CN116843432A (zh) * | 2023-05-10 | 2023-10-03 | 北京微聚智汇科技有限公司 | 一种基于地址文本信息的反欺诈方法和装置 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156279A (zh) * | 2016-06-24 | 2016-11-23 | 深圳前海征信中心股份有限公司 | 基于经纬度及文本比对的地址相似度识别方法及系统 |
CN106254222A (zh) * | 2016-08-31 | 2016-12-21 | 北京乐动卓越科技有限公司 | 一种网络社交对象身份提示方法和装置 |
CN107045686A (zh) * | 2017-03-16 | 2017-08-15 | 上海二三四五金融科技有限公司 | 一种基于地理集中度的检测方法 |
CN107145577A (zh) * | 2017-05-08 | 2017-09-08 | 上海东方网络金融服务有限公司 | 地址标准化方法、装置、存储介质及计算机 |
CN107578331A (zh) * | 2017-09-19 | 2018-01-12 | 马上消费金融股份有限公司 | 一种贷后风险监控的方法和系统 |
US20180024943A1 (en) * | 2015-04-09 | 2018-01-25 | Alibaba Group Holding Limited | Risk identification based on address matching |
CN107679046A (zh) * | 2016-08-01 | 2018-02-09 | 上海前隆信息科技有限公司 | 一种欺诈用户的检测方法及装置 |
CN108364224A (zh) * | 2018-01-12 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 信贷风险联控方法、装置、设备及可读存储介质 |
CN109191281A (zh) * | 2018-08-21 | 2019-01-11 | 重庆富民银行股份有限公司 | 一种基于知识图谱的团体欺诈识别系统 |
CN109408736A (zh) * | 2018-08-28 | 2019-03-01 | 北京三快在线科技有限公司 | 地址确定方法及装置、电子设备及可读存储介质 |
CN109522923A (zh) * | 2018-09-25 | 2019-03-26 | 中国平安人寿保险股份有限公司 | 客户地址聚合方法、装置及计算机可读存储介质 |
CN109584041A (zh) * | 2018-10-25 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 信贷欺诈分析方法、装置、设备及计算机可读存储介质 |
CN109919624A (zh) * | 2019-02-28 | 2019-06-21 | 杭州师范大学 | 一种基于时空集中性的网贷欺诈团伙识别与预警方法 |
CN110111106A (zh) * | 2019-05-06 | 2019-08-09 | 无线生活(北京)信息技术有限公司 | 交易风险监控方法及装置 |
CN110413707A (zh) * | 2019-07-22 | 2019-11-05 | 百融云创科技股份有限公司 | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 |
CN110427365A (zh) * | 2019-06-25 | 2019-11-08 | 深圳市跨越新科技有限公司 | 提高合单准确性的地址合并方法及系统 |
CN110503546A (zh) * | 2019-07-15 | 2019-11-26 | 平安普惠企业管理有限公司 | 基于信息安全的定位信息防欺诈方法及相关设备 |
CN110517262A (zh) * | 2019-09-02 | 2019-11-29 | 上海联影医疗科技有限公司 | 目标检测方法、装置、设备及存储介质 |
CN110826311A (zh) * | 2020-01-13 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 对象识别方法以及装置 |
CN111159974A (zh) * | 2019-12-30 | 2020-05-15 | 北京明略软件系统有限公司 | 地址信息的标准化方法、装置、存储介质及电子设备 |
-
2020
- 2020-07-31 CN CN202010759949.5A patent/CN111861733B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180024943A1 (en) * | 2015-04-09 | 2018-01-25 | Alibaba Group Holding Limited | Risk identification based on address matching |
CN106156279A (zh) * | 2016-06-24 | 2016-11-23 | 深圳前海征信中心股份有限公司 | 基于经纬度及文本比对的地址相似度识别方法及系统 |
CN107679046A (zh) * | 2016-08-01 | 2018-02-09 | 上海前隆信息科技有限公司 | 一种欺诈用户的检测方法及装置 |
CN106254222A (zh) * | 2016-08-31 | 2016-12-21 | 北京乐动卓越科技有限公司 | 一种网络社交对象身份提示方法和装置 |
CN107045686A (zh) * | 2017-03-16 | 2017-08-15 | 上海二三四五金融科技有限公司 | 一种基于地理集中度的检测方法 |
CN107145577A (zh) * | 2017-05-08 | 2017-09-08 | 上海东方网络金融服务有限公司 | 地址标准化方法、装置、存储介质及计算机 |
CN107578331A (zh) * | 2017-09-19 | 2018-01-12 | 马上消费金融股份有限公司 | 一种贷后风险监控的方法和系统 |
CN108364224A (zh) * | 2018-01-12 | 2018-08-03 | 深圳壹账通智能科技有限公司 | 信贷风险联控方法、装置、设备及可读存储介质 |
CN109191281A (zh) * | 2018-08-21 | 2019-01-11 | 重庆富民银行股份有限公司 | 一种基于知识图谱的团体欺诈识别系统 |
CN109408736A (zh) * | 2018-08-28 | 2019-03-01 | 北京三快在线科技有限公司 | 地址确定方法及装置、电子设备及可读存储介质 |
CN109522923A (zh) * | 2018-09-25 | 2019-03-26 | 中国平安人寿保险股份有限公司 | 客户地址聚合方法、装置及计算机可读存储介质 |
CN109584041A (zh) * | 2018-10-25 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 信贷欺诈分析方法、装置、设备及计算机可读存储介质 |
CN109919624A (zh) * | 2019-02-28 | 2019-06-21 | 杭州师范大学 | 一种基于时空集中性的网贷欺诈团伙识别与预警方法 |
CN110111106A (zh) * | 2019-05-06 | 2019-08-09 | 无线生活(北京)信息技术有限公司 | 交易风险监控方法及装置 |
CN110427365A (zh) * | 2019-06-25 | 2019-11-08 | 深圳市跨越新科技有限公司 | 提高合单准确性的地址合并方法及系统 |
CN110503546A (zh) * | 2019-07-15 | 2019-11-26 | 平安普惠企业管理有限公司 | 基于信息安全的定位信息防欺诈方法及相关设备 |
CN110413707A (zh) * | 2019-07-22 | 2019-11-05 | 百融云创科技股份有限公司 | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 |
CN110517262A (zh) * | 2019-09-02 | 2019-11-29 | 上海联影医疗科技有限公司 | 目标检测方法、装置、设备及存储介质 |
CN111159974A (zh) * | 2019-12-30 | 2020-05-15 | 北京明略软件系统有限公司 | 地址信息的标准化方法、装置、存储介质及电子设备 |
CN110826311A (zh) * | 2020-01-13 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 对象识别方法以及装置 |
Non-Patent Citations (2)
Title |
---|
吴朝平: ""互联网+"背景下电信诈骗的发展变化及其防控" * |
程昌秀等: "一种基于规则的模糊中文地址分词匹配方法" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11616809B1 (en) * | 2020-08-18 | 2023-03-28 | Wells Fargo Bank, N.A. | Fuzzy logic modeling for detection and presentment of anomalous messaging |
CN116843432A (zh) * | 2023-05-10 | 2023-10-03 | 北京微聚智汇科技有限公司 | 一种基于地址文本信息的反欺诈方法和装置 |
CN116843432B (zh) * | 2023-05-10 | 2024-03-22 | 北京微聚智汇科技有限公司 | 一种基于地址文本信息的反欺诈方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111861733B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
US11055727B1 (en) | Account fraud detection | |
US7693767B2 (en) | Method for generating predictive models for a business problem via supervised learning | |
US20210158355A1 (en) | Preempting or resolving fraud disputes relating to billing aliases | |
WO2019218699A1 (zh) | 欺诈交易判断方法、装置、计算机设备和存储介质 | |
US7720751B2 (en) | System and method of continuous assurance for internal control | |
US20140258169A1 (en) | Method and system for automated verification of customer reviews | |
US20040064401A1 (en) | Systems and methods for detecting fraudulent information | |
Schreyer et al. | Detection of accounting anomalies in the latent space using adversarial autoencoder neural networks | |
WO2020177478A1 (zh) | 一种基于信用的资质信息审核方法、装置及设备 | |
CN110659961A (zh) | 一种用于识别线下商户的方法和装置 | |
CN112419030B (zh) | 财务舞弊风险评估的方法、系统及设备 | |
CN111861733A (zh) | 基于地址模糊匹配的欺诈防控系统及方法 | |
CN112819611A (zh) | 欺诈识别方法、装置、电子设备和计算机可读存储介质 | |
CN111046184A (zh) | 文本的风险识别方法、装置、服务器和存储介质 | |
CN115063228A (zh) | 一种反洗钱管理平台及反洗钱方法 | |
CN110991650A (zh) | 训练养卡识别模型、识别养卡行为的方法及装置 | |
CN113051257B (zh) | 一种业务数据清洗方法及装置 | |
CN110766091B (zh) | 一种套路贷团伙的识别方法及系统 | |
CN113343685A (zh) | 一种消息异常检测方法及装置 | |
US11270230B1 (en) | Self learning machine learning transaction scores adjustment via normalization thereof | |
CN115713399B (zh) | 一种结合第三方数据源的用户信用评估系统 | |
Kang | Fraud Detection in Mobile Money Transactions Using Machine Learning | |
US11694208B2 (en) | Self learning machine learning transaction scores adjustment via normalization thereof accounting for underlying transaction score bases relating to an occurrence of fraud in a transaction | |
US11915313B2 (en) | Using email history to estimate creditworthiness for applicants having insufficient credit history |
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 |