CN111932273A - 一种交易风险识别方法、装置、设备及介质 - Google Patents
一种交易风险识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111932273A CN111932273A CN202011041842.3A CN202011041842A CN111932273A CN 111932273 A CN111932273 A CN 111932273A CN 202011041842 A CN202011041842 A CN 202011041842A CN 111932273 A CN111932273 A CN 111932273A
- Authority
- CN
- China
- Prior art keywords
- node
- transaction
- nodes
- trading
- vector
- 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
- 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
本说明书实施例公开了一种交易风险识别方法,包括:对任一待进行风险识别的交易,获取所述交易的各个交易节点对应的子图数据;将所述交易的各个交易节点对应的子图数据进行融合,确定融合后的图数据;根据所述融合后的图数据确定交易节点关系向量;根据所述交易节点关系向量确定所述交易的风险概率,根据所述风险概率判定所述交易是否存在风险。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种交易风险识别方法、装置、设备及介质。
背景技术
现有技术中,互联网交易已成为人们的常用交易方式,相应的,网络交易相关的交易安全问题也不断发生。如何对网络交易业务进行风险识别,已成为网络安全的重要课题。
有鉴于此,需要更有效和更高效的交易风险识别方案。
发明内容
本说明书实施例提供一种交易风险识别方法、装置、设备及介质,用以解决如何更有效和更高效地进行交易风险识别的技术方案。
为解决上述技术问题,本说明书实施例提供如下技术方案:
本说明书实施例提供一种交易风险识别方法,包括:
对任一待进行风险识别的交易,获取所述交易的各个交易节点对应的子图数据;
将所述交易的各个交易节点对应的子图数据进行融合,确定融合后的图数据;
根据所述融合后的图数据确定交易节点关系向量;
根据所述交易节点关系向量确定所述交易的风险概率,根据所述风险概率判定所述交易是否存在风险。
本说明书实施例提供一种交易风险识别装置,包括:
图数据模块,用于对任一待进行风险识别的交易,获取所述交易的各个交易节点对应的子图数据;
图融合模块,用于将所述交易的各个交易节点对应的子图数据进行融合,确定融合后的图数据;
向量表征模块,用于根据所述融合后的图数据确定交易节点关系向量;
风险判定模块,用于根据所述交易节点关系向量确定所述交易的风险概率,根据所述风险概率判定所述交易是否存在风险。
本说明书实施例提供一种交易风险识别设备,包括:
至少一个处理器;
以及,
与所述至少一个处理器通信连接的存储器;
其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,使所述至少一个处理器能够执行上述的交易风险识别方法。
本说明书实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现上述的交易风险识别方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过子图数据融合,能够更加准确、全面地确定交易节点之间的关系向量,即更加准确、全面地确定交易节点之间的关联关系,并能够将当前交易信息纳入风险识别过程,从而能够提高风险识别效率和效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书第一个实施例中的交易风险识别方法的执行主体示意图。
图2是本说明书第一个实施例中的交易风险识别方法的流程示意图。
图3是本说明书第一个实施例中的一种聚合关系向量确定示意图。
图4是本说明书第一个实施例中的另一种聚合关系向量确定示意图。
图5是本说明书第一个实施例中的一种交易节点关系向量确定示意图。
图6是本说明书第一个实施例中的另一种交易节点关系向量确定示意图。
图7是本说明书第一个实施例中的交易风险识别过程示意图。
图8是本说明书第二个实施例中的交易风险识别装置示意图。
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,下面将结合本说明书实施例中的附图,对本说明书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。基于本说明书实施例,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,都应当属于本申请保护的范围。
目前,交易风险识别手段包括两阶段模型和wide&deep结构。两阶段模型首先分别对节点(例如账户、卡、商户)用图神经网络进行表征,然后将节点的表征向量与常规行为特征结合输入树模型进行交易风险分类识别。这种方案将图表征与实时识别分开预测,不能满足交易风险识别的实时性要求。wide&deep结构是获取交易的两个节点各自的图信息,分别进行图神经网络表征,然后与常规特征拼接后,接一个全链接层进行类别概率输出。这种方案对交易节点进行单独的图表征,没有涵盖当前交易的信息。
本说明书第一个实施例(以下简称“本实施例”)提供了一种交易风险识别方法,本实施例的执行主体可以是终端(包括但不限于手机、计算机、pad、电视)或者服务器或者操作系统或者相应的交易风险识别平台或者交易风险识别系统等,即执行主体可以是多种多样的,可以根据需要设置、使用或者变换执行主体。另外,也可以有第三方应用程序协助所述执行主体执行本实施例。例如图1所示,可以由服务器来执行本实施例中的交易风险识别方法,并且可以在(用户所持有的)终端上安装(与所述服务器)相对应的应用程序,终端或应用程序与服务器之间可以进行数据传输,通过终端或应用程序来进行数据的采集或输入或输出或(向用户)进行页面或信息展示,从而辅助服务器执行本实施例中的交易风险识别方法。
如图2和图7所示,本实施例所提供的交易风险识别方法包括:
S101:(执行主体)对任一待进行风险识别的交易,获取所述交易的各个交易节点对应的子图数据;
本实施例中,执行主体可以将任一笔交易作为待进行风险识别的交易。具体的,执行主体可以设置交易触发条件,当触发交易触发条件后,执行主体确定有交易被触发,并将被触发的交易作为待进行风险识别的交易。从交易触发到交易完成需要经历一定时间,例如用户操作的时间。交易触发一般代表用户想要进行交易,但交易触发时一般交易尚未完成。
交易触发条件可以是用户点击终端上的预设按钮,从而终端向执行主体发送预设的交易触发数据。这里的交易包括但不限于消费、转账、借贷、理财。例如用户A想要向用户B转账,当用户A点击转账按钮后,触发该笔转账交易,但此时用户A尚未完成该笔转账交易。
任一笔交易(不妨称为目标交易)被触发后,即使该笔交易尚未完成,执行主体也可以定位该笔交易,包括但不限于定位该笔交易的各个交易方,交易方包括但不限于该笔交易涉及到的交易账户、卡等,交易方可以称为交易主体或交易节点。
实际上,在互联网环境中,存在着各种各样的主体,包括但不限于用户账户、银行卡、支付服务方服务器、终端等,这些统称为节点。本实施例中,可以基于节点、边、特征等,(通过图神经网络等)构建所述主体之间的有向关系图(即图7中的构图),每个主体都是有向关系图中的节点。有向关系图中节点之间的边代表节点之间的关联关系,关联关系包括但不限于交易关系、介质关联或绑定关系、社交关系等。可以(通过图神经网络等)确定有向关系图中的节点的节点特征(向量)和边的边特征(向量)。
在确定了有向关系图后,可以对上述节点特征和/或边特征进行归一化处理(即图7中的图信息预处理),便于后续图融合等操作。
本实施例中,确定了目标交易的交易节点后,执行主体可以获取各个交易节点对应的子图数据(子图即图7中的交易节点图)。由于目标交易触发前,交易节点也是节点,故交易节点可以存在于有向关系图中,故可以从有向关系图中抽取交易节点所在的子图,例如,将交易节点在预定时间段(例如过去一周)内的交易数据所形成的子图从有向关系图中抽取出来作为交易节点对应的子图数据。
另外,也可以事先对各个节点分别构建子图,例如根据节点在预定时间段(例如过去一周)内的交易数据构建节点的子图。当节点成为交易节点后,则执行主体获取交易节点对应的子图数据。
另外,可以在确定了交易节点后,构建交易节点的子图,从而执行主体可以获取交易节点的子图。具体的,可以根据节点在预定时间段(例如过去一周)内的交易数据构建节点的子图。
构建有向关系图或子图可以由执行主体或其他主体执行。
下面通过示例对上述子图获取过程进行说明:假设节点X为存在于有向关系图中的任一节点,当节点X成为目标交易的交易节点后,可以从有向关系图中抽取节点X的子图。或者,可以构建节点X的子图,当节点X成为目标交易的交易节点后,则执行主体获取节点X的子图数据。或者,可以确定了节点X为交易节点后,构建并获取节点X的子图。
在确定了目标交易的任一交易节点的子图后,可以确定该交易节点对应的子图数据,该交易节点对应的子图数据包括但不限于该交易节点对应的子图本身、该交易节点对应的子图的节点表、边表等。
以下如无特别说明,所述的交易节点均属于同一笔待进行风险识别的交易,即目标交易。
S103:(执行主体)将所述交易的各个交易节点对应的子图数据进行融合,确定融合后的图数据;
在确定了目标交易的各个交易节点对应的子图数据后,执行主体可以将目标交易的各个交易节点对应的子图数据进行融合(即图7中的图融合),确定融合后的图数据。
本实施例中,对任两个交易节点的子图数据进行融合可以包括:若该两个交易节点存在公共的邻居节点,则可以基于公共的邻居节点将两个子图进行拼接;或者,可以为任一交易节点与其他交易节点的邻居节点建立虚拟边,以便将两个子图进行合并;或者,若该两个交易节点没有关联关系,则为该两个交易节点建立双向虚拟边,以便将两个子图进行合并。
S105:(执行主体)根据所述融合后的图数据确定交易节点关系向量(图7中以GNN来进行边识别,确定交易节点关系向量);
在确定融合后的图数据后,执行主体可以根据融合后的图数据确定交易节点关系向量,交易节点关系向量用于表征目标交易的各交易节点的关联关系。
本实施例中,根据所述融合后的图数据确定交易节点关系向量可以包括:
S1051:对所述交易的任一所述交易节点,根据所述融合后的图数据确定该交易节点对应的节点关系向量;
一笔交易一般发生在两个交易节点之间,例如账户M向账户N转账,则账户M和账户N即为交易节点。假设目标交易具有两个交易节点,交易节点A和交易节点E,交易节点A或交易节点E可以指代任一交易节点(交易节点A和交易节点E即为图7中的节点1和节点2)。以下以交易节点A为例进行说明。
对于交易节点A,交易节点A对应的节点关系向量可以包括交易节点A与“交易节点A的邻居节点”的聚合关系向量和/或“目标交易其他交易节点(即交易节点E)的邻居节点”与交易节点A的聚合关系向量。下面分1.1和1.2进行说明:
1.1、交易节点A对应的节点关系向量可以包括交易节点A与“交易节点A的邻居节点”的聚合关系向量
若交易节点A交易节点对应的节点关系向量包括交易节点A与其邻居节点的聚合关系向量,则对交易节点A,根据所述融合后的图数据确定交易节点A对应的节点关系向量可以包括:
确定交易节点A与交易节点A的各个邻居节点的边向量,根据交易节点A与交易节点A的各个邻居节点的边向量确定“交易节点A与交易节点A的邻居节点的聚合关系向量”。
具体的,根据交易节点A与交易节点A的各个邻居节点的边向量确定“交易节点A与交易节点A的邻居节点的聚合关系向量”可以包括:
将交易节点A与交易节点A的各个邻居节点的边向量进行平均或求和,以确定交易节点A与交易节点A的邻居节点的聚合关系向量。其中,可以将交易节点A与交易节点A的各个邻居节点的边向量的求平均结果或求和结果作为交易节点A与交易节点A的邻居节点的聚合关系向量。交易节点A与交易节点A的邻居节点的聚合关系向量用于表征交易节点A与其邻居节点的普遍关联关系或基础关联关系。
同理,可以确定交易节点E与“交易节点E的邻居节点”的聚合关系向量。
例如图3所示,在融合后的图数据中,交易节点A和交易节点E分别聚合各自的邻居节点。假设交易节点A具有B、C、D三个邻居节点,则可以确定交易节点A与节点B的边向量【A,B】,交易节点A与节点C的边向量【A,C】,交易节点A与节点D的边向量【A,D】,然后将【A,B】和【A,C】以及【A,D】进行求平均或求和,将求平均或求和结果作为交易节点A与其邻居节点B、C、D的聚合关系向量。
交易节点E同理,假设交易节点E有D、G、H三个邻居节点,可以确定交易节点E与邻居节点有D、G、H的聚合关系向量。
1.2、交易节点A对应的节点关系向量可以包括“目标交易其他交易节点(即交易节点E)的邻居节点”与交易节点A的聚合关系向量
若交易节点A对应的节点关系向量包括“目标交易其他交易节点(即交易节点E)的邻居节点”与交易节点A的聚合关系向量,则对交易节点A,根据所述融合后的图数据确定交易节点A对应的节点关系向量可以包括:
确定交易节点E的各个邻居节点与交易节点A的边向量,根据交易节点E的各个邻居节点与交易节点A的边向量确定交易节点E的邻居节点与交易节点A的聚合关系向量。
具体的,根据交易节点E的各个邻居节点与交易节点A的边向量确定交易节点E的邻居节点与交易节点A的聚合关系向量可以包括:
将交易节点E的各个邻居节点与交易节点A的边向量进行平均或求和,以确定交易节点E的邻居节点与交易节点A的聚合关系向量。其中,可以将交易节点E的各个邻居节点与交易节点A的边向量的求平均结果或求和结果作为交易节点E的邻居节点与交易节点A的聚合关系向量。交易节点E的邻居节点与交易节点A的聚合关系向量用于表征交易节点E的邻居节点与交易节点A的普遍关联关系或基础关联关系。
同理,可以确定“目标交易其他交易节点(即交易节点A)的邻居节点”与交易节点E的聚合关系向量。
例如图3所示,以交易节点E为例,在融合后的图数据中,交易节点A具有B、C、D三个邻居节点,则可以将交易节点E与节点B、C、D进行交互关注,即交互attention,从而可以确定交易节点E与节点B的边向量【E,B】,交易节点E与节点C的边向量【E,C】,交易节点E与节点D的边向量【E,D】,然后将【E,B】和【E,C】以及【E,D】进行求平均或求和,将求平均或求和结果作为“交易节点A的邻居节点B、C、D”与交易节点E的聚合关系向量。
交易节点A同理,假设交易节点E有D、G、H三个邻居节点,可以确定“交易节点E的邻居节点D、G、H”与交易节点A的聚合关系向量,该部分图3中未表示。
1.2中建立“目标交易其他交易节点(即交易节点E)的邻居节点”与交易节点A的聚合关系向量相当于在“目标交易其他交易节点(即交易节点E)的邻居节点”与交易节点A建立了边关系。
特别的,交易节点A和交易节点E可能在目标交易触发前产生过关联关系,则在融合后的图数据中,交易节点A和交易节点E具有边连接,两者互为邻居节点。当然,交易节点A和交易节点E可能在目标交易触发前未产生过关联关系,则在融合后的图数据中,交易节点A和交易节点E没有边连接。
特别的,如前所述,可以为在进行子图融合时,对所述交易的任两个交易节点,若该两个交易节点在所述交易触发前未产生关联关系,则将该两个交易节点的子图数据进行融合包括:为该两个交易节点添加双向边(如图4中的双向边),以使该两个交易节点成为邻居节点。故若在融合后的图数据中,交易节点A和交易节点E没有边连接,则可以为交易节点A和E添加双向边,以使两者成为邻居节点,如图4所示。在交易节点A和E成为邻居节点的基础上,再按照上述1.1和/或1.2确定交易节点A和E对应的节点关系向量。
特别的,在添加双向边使交易节点A和E成为邻居节点的情况下,可以只按照1.1确定交易节点A和E对应的节点关系向量。
特别的,融合后的图中的各个边都可以有权重,即上述1.1和/或1.2中的边向量都可以有权重。其中,不同交易节点对应的图数据的公共边和非公共边的权重可以不同,其中公共边的权重可以高于非公边的权重。例如图3中节点D与交易节点A和交易节点E都有边,则1.1中交易节点A与节点D的边向量【A,D】的权重可以高于【A,B】和【A,C】,1.2中易节点E与节点D的边向量【E,D】的权重可以高于【E,B】和【E,C】。边权重越高,表示可信度越强,从而使得交易节点对应的节点关系向量更加可信。
在边向量有权重的情况下,1.1和/或1.2中的求平均或求和也就可以是加权平均或加权求和,将交易节点A与交易节点A的各个邻居节点的边向量的加权求平均结果或加权求和结果作为交易节点A与交易节点A的邻居节点的聚合关系向量;将交易节点E的各个邻居节点与交易节点A的边向量的加权求平均结果或加权求和结果作为交易节点E的邻居节点与交易节点A的聚合关系向量。
特别的,可以对边向量进行分类,确定边向量的分类结构(即图7中的边分类结构),通过对边向量进行分类,有利于确定边向量的权重或筛选可用边向量。
上述的邻居节点可以是一度或一阶邻居节点,也可以是多度或多阶邻居节点。
S1053:根据各个交易节点对应的节点关系向量确定交易节点关系向量
在确定了各个交易节点对应的节点关系向量后,可以根据各个交易节点对应的节点关系向量确定交易节点关系向量。
本实施例中,根据各个交易节点对应的节点关系向量确定交易节点关系向量可以包括:
确定各个交易节点对应的节点关系向量后,将各个交易节点对应的节点关系向量与所述交易的交易信息表征向量进行融合,以得到交易节点关系向量。其中,交易信息表征向量用于表征目标交易的特征,例如目标交易的触发时间信息、触发位置信息等。
具体的,将各个交易节点对应的节点关系向量与所述交易的交易信息表征向量进行融合可以包括:
将各个交易节点对应的节点关系向量与所述交易的交易信息表征向量进行拼接。
沿用上例,假设交易节点A对应的节点关系向量可以包括交易节点A与“交易节点A的邻居节点”的聚合关系向量和“交易节点E的邻居节点”与交易节点A的聚合关系向量,交易节点E对应的节点关系向量可以包括交易节点E与“交易节点E的邻居节点”的聚合关系向量和“交易节点A的邻居节点”与交易节点E的聚合关系向量,则交易节点关系向量可以是交易节点A对应的节点关系向量、交易节点E对应的节点关系向量以及目标交易的交易信息表征向量进行融合(拼接)后得到的,例如图5所示。
与图4对应,在交易节点A和E建立双向边的情况下(即图中两个节点连接图融合的情况下),交易节点关系向量可以是交易节点A与其邻居节点的聚合关系向量、交易节点E与其邻居节点的聚合关系向量以及目标交易的交易信息表征向量进行融合(拼接)后得到的,例如图6所示。
以上是按照目标交易包含两个交易节点来说明的,当目标交易包含两个以上交易节点时同理,上述1.2中,对所述交易的任一所述交易节点,根据所述融合后的图数据确定该交易节点对应的节点关系向量包括:
对所述交易的任一所述交易节点,确定所述交易其他交易节点的各个邻居节点与该交易节点的边向量,根据所述交易其他交易节点的各个邻居节点与该交易节点的边向量确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
根据所述交易其他交易节点的各个邻居节点与该交易节点的边向量确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量包括:
将所述交易其他交易节点的各个邻居节点与该交易节点的边向量进行求平均或求和,以确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
根据所述交易其他交易节点的各个邻居节点与该交易节点的边向量确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量包括:
确定所述交易其他交易节点的各个邻居节点与该交易节点的边权重,根据所述交易其他交易节点的各个邻居节点与该交易节点的边权重,将所述交易其他交易节点的各个邻居节点与该交易节点的边向量进行加权平均或加权求和,以确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
例如,目标交易包含交易节点A、E、I,则对交易节点A,根据所述融合后的图数据确定交易节点A对应的节点关系向量包括:
对交易节点A,确定交易节点E和I的各个邻居节点与该交易节点的边向量,根据交易节点E和I的各个邻居节点与交易节点A的边向量确定交易节点E和I的邻居节点与交易节点A的聚合关系向量。
S107:(执行主体)根据所述交易节点关系向量确定所述交易的风险概率,根据所述风险概率判定所述交易是否存在风险。
在确定了交易节点关系向量后,可以根据所述交易节点关系向量确定所述交易的风险概率。具体的,根据交易节点关系向量确定所述交易的风险概率包括:
将所述交易节点关系向量转化为风险概率值,所述风险概率值为所述交易的风险概率。例如,将交易节点关系向量接入softmax,转化为0-1之间的风险概率值。当前,还可以通过其他方式确定所述风险概率值。例如图5和图6所示,将交易节点关系向量接入输出层,得到风险概率;图7中输出数据代表风险概率。
在确定风险概率后,可以根据所述风险概率判定所述交易是否存在风险。例如若风险概率小于等于(小于)第一预设阈值,则判定所述交易不存在风险;和/或,若风险概率大于(大于等于)第二预设阈值,则判定所述交易存在风险。
如前所述,从交易触发到交易完成需要经过一段时间,本实施例中,从交易触发后到交易完成前即可快速判断交易是否存在风险;或者,交易触发后,交易是否存在风险判定完成前,可以通过用户终端的页面提醒或暂时使页面不可操作或其他方式促使(交易发起或交易触发)用户暂停交易操作,以便交易风险判定完成后,向(交易发起或交易触发)用户反馈风险判定结果。
特别的,若判定交易存在风险,则可以对交易进行拦截或预警(包括但不限于用户终端的页面预警)。
本实施例中,通过子图融合,能够确定交易节点对应的节点关系向量,进而确定交易节点关系向量。交易节点关系向量能够表征交易节点之间的边连接关系或关联关系,从而将交易节点和非交易节点的点特征升级为交易节点之间的边特征,根据边特征确定风险概率,有效提高交易风险识别效率和效果。
特别的,交易节点对应的节点关系向量代表了交易节点与自身邻居节点和/或其他交易节点的邻居节点的关联关系,也就代表了交易节点与非交易节点之间的关联关系,而目标交易的交易信息表征向量代表了当前交易的各项信息。将交易节点对应的节点关系向量与交易信息表征向量进行融合,所得到的交易节点关系向量兼顾交易节点与非交易节点的关系以及目标交易的交易特征,能够提高交易风险识别效率和效果。
本实施例中,对向量的各项操作可以通过图神经网络进行,通过图神经网络以及图结构可有效挖掘节点间的图关系。通过子图融合,能够将节点间的信息在进行融合和传播,且交易节点的共同邻居(例如图3和图4中的节点D)有相同的特征表达,提高交易节点关系向量的准确性;子图融合是针对交易节点的子图进行的,而交易节点是取决于当前交易的,这样就把当前交易的交易信息或特征纳入到节点关系表征中,使得节点之间的关联关系和传播的信息更加丰富和有效,提高交易节点关系向量的准确性;通过边向量权重,能够提高交易节点对应的节点关系向量的可信度。
如图8所示,本说明书第二个实施例提供了一种交易风险识别装置,包括:
图数据模块202,用于对任一待进行风险识别的交易,获取所述交易的各个交易节点对应的子图数据;
图融合模块204,用于将所述交易的各个交易节点对应的子图数据进行融合,确定融合后的图数据;
向量表征模块206,用于根据所述融合后的图数据确定交易节点关系向量;
风险判定模块208,用于根据所述交易节点关系向量确定所述交易的风险概率,根据所述风险概率判定所述交易是否存在风险。
可选的,根据所述融合后的图数据确定交易节点关系向量包括:
对所述交易的任一所述交易节点,根据所述融合后的图数据确定该交易节点对应的节点关系向量;
根据各个交易节点对应的节点关系向量确定交易节点关系向量。
可选的,对任一所述交易节点,该交易节点对应的节点关系向量包括该交易节点与该交易节点的邻居节点的聚合关系向量和/或所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
可选的,对任一所述交易节点,该交易节点对应的节点关系向量包括该交易节点与该交易节点的邻居节点的聚合关系向量;
对所述交易的任一所述交易节点,根据所述融合后的图数据确定该交易节点对应的节点关系向量包括:
对所述交易的任一所述交易节点,确定该交易节点与该交易节点的各个邻居节点的边向量,根据该交易节点与该交易节点的各个邻居节点的边向量确定该交易节点与该交易节点的邻居节点的聚合关系向量。
可选的,根据该交易节点与该交易节点的各个邻居节点的边向量确定该交易节点与该交易节点的邻居节点的聚合关系向量包括:
将该交易节点与该交易节点的各个邻居节点的边向量进行求平均或求和,以确定该交易节点与该交易节点的邻居节点的聚合关系向量。
可选的,根据该交易节点与该交易节点的各个邻居节点的边向量确定该交易节点与该交易节点的邻居节点的聚合关系向量包括:
确定该交易节点与该交易节点的各个邻居节点的边权重,根据该交易节点与该交易节点的各个邻居节点的边权重,将该交易节点与该交易节点的各个邻居节点的边向量进行加权平均或加权求和,以确定该交易节点与该交易节点的邻居节点的聚合关系向量。
可选的,对任一所述交易节点,该交易节点对应的节点关系向量包括所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量;
对所述交易的任一所述交易节点,根据所述融合后的图数据确定该交易节点对应的节点关系向量包括:
对所述交易的任一所述交易节点,确定所述交易其他交易节点的各个邻居节点与该交易节点的边向量,根据所述交易其他交易节点的各个邻居节点与该交易节点的边向量确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
可选的,根据所述交易其他交易节点的各个邻居节点与该交易节点的边向量确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量包括:
将所述交易其他交易节点的各个邻居节点与该交易节点的边向量进行求平均或求和,以确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
可选的,根据所述交易其他交易节点的各个邻居节点与该交易节点的边向量确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量包括:
确定所述交易其他交易节点的各个邻居节点与该交易节点的边权重,根据所述交易其他交易节点的各个邻居节点与该交易节点的边权重,将所述交易其他交易节点的各个邻居节点与该交易节点的边向量进行加权平均或加权求和,以确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
可选的,对所述交易的任两个交易节点,若该两个交易节点在所述交易触发前未产生关联关系,则将该两个交易节点的子图数据进行融合包括:
为该两个交易节点添加双向边,以使该两个交易节点成为邻居节点。
可选的,对所述交易的任两个交易节点,若该两个交易节点在所述交易触发前未产生关联关系,则将该两个交易节点的子图数据进行融合包括:
为该两个交易节点添加双向边,以使该两个交易节点成为邻居节点;
在为所述交易的交易节点之间添加双向边后,对任一所述交易节点,该交易节点对应的节点关系向量包括该交易节点与该交易节点的邻居节点的聚合关系向量;
对所述交易的任一所述交易节点,根据所述融合后的图数据确定该交易节点对应的节点关系向量包括:
对所述交易的任一所述交易节点,确定该交易节点与该交易节点的各个邻居节点的边向量,根据该交易节点与该交易节点的各个邻居节点的边向量确定该交易节点与该交易节点的邻居节点的聚合关系向量。
可选的,根据各个交易节点对应的节点关系向量确定交易节点关系向量包括:
确定各个交易节点对应的节点关系向量后,将各个交易节点对应的节点关系向量与所述交易的交易信息表征向量进行融合,以得到交易节点关系向量。
可选的,将各个交易节点对应的节点关系向量与所述交易的交易信息表征向量进行融合包括:
将各个交易节点对应的节点关系向量与所述交易的交易信息表征向量进行拼接。
可选的,根据交易节点关系向量确定所述交易的风险概率包括:
将所述交易节点关系向量转化为风险概率值,所述风险概率值为所述交易的风险概率。
可选的,所述交易节点关系向量用于表征各交易节点的关联关系。
可选的,所述装置还包括:
图构建模块,用于确定节点间的有向关系图。
可选的,所述图构建模块还用于确定节点间的有向关系图后,对所述有向关系图的节点特征和/或边特征进行归一化处理。
可选的,对所述交易的任一所述交易节点,该交易节点对应的子图数据从所述有向关系图中抽取。
可选的,对任一节点,该节点对应的子图数据对应该节点在预定时间段内的交易数据。
可选的,所述风险判定模块208还用于任一交易触发后,将所述交易作为待进行风险识别的交易;
以及若所述交易存在风险,则对所述交易进行拦截或预警。
本说明书第三个实施例提供一种交易风险识别设备,包括:
至少一个处理器;
以及,
与所述至少一个处理器通信连接的存储器;
其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,使所述至少一个处理器能够执行第一个实施例所述的交易风险识别方法。
本说明书第四个实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现第一个实施例所述的交易风险识别方法。
上述各实施例可以结合使用,不同实施例之间名称相同的模块可相同可不同。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中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。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中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。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (23)
1.一种交易风险识别方法,包括:
对任一待进行风险识别的交易,获取所述交易的各个交易节点对应的子图数据;
将所述交易的各个交易节点对应的子图数据进行融合,确定融合后的图数据;
根据所述融合后的图数据确定交易节点关系向量;
根据所述交易节点关系向量确定所述交易的风险概率,根据所述风险概率判定所述交易是否存在风险。
2.如权利要求1所述的方法,根据所述融合后的图数据确定交易节点关系向量包括:
对所述交易的任一所述交易节点,根据所述融合后的图数据确定该交易节点对应的节点关系向量;
根据各个交易节点对应的节点关系向量确定交易节点关系向量。
3.如权利要求2所述的方法,对任一所述交易节点,该交易节点对应的节点关系向量包括该交易节点与该交易节点的邻居节点的聚合关系向量和/或所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
4.如权利要求2所述的方法,对任一所述交易节点,该交易节点对应的节点关系向量包括该交易节点与该交易节点的邻居节点的聚合关系向量;
对所述交易的任一所述交易节点,根据所述融合后的图数据确定该交易节点对应的节点关系向量包括:
对所述交易的任一所述交易节点,确定该交易节点与该交易节点的各个邻居节点的边向量,根据该交易节点与该交易节点的各个邻居节点的边向量确定该交易节点与该交易节点的邻居节点的聚合关系向量。
5.如权利要求4所述的方法,根据该交易节点与该交易节点的各个邻居节点的边向量确定该交易节点与该交易节点的邻居节点的聚合关系向量包括:
将该交易节点与该交易节点的各个邻居节点的边向量进行求平均或求和,以确定该交易节点与该交易节点的邻居节点的聚合关系向量。
6.如权利要求4所述的方法,根据该交易节点与该交易节点的各个邻居节点的边向量确定该交易节点与该交易节点的邻居节点的聚合关系向量包括:
确定该交易节点与该交易节点的各个邻居节点的边权重,根据该交易节点与该交易节点的各个邻居节点的边权重,将该交易节点与该交易节点的各个邻居节点的边向量进行加权平均或加权求和,以确定该交易节点与该交易节点的邻居节点的聚合关系向量。
7.如权利要求2所述的方法,对任一所述交易节点,该交易节点对应的节点关系向量包括所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量;
对所述交易的任一所述交易节点,根据所述融合后的图数据确定该交易节点对应的节点关系向量包括:
对所述交易的任一所述交易节点,确定所述交易其他交易节点的各个邻居节点与该交易节点的边向量,根据所述交易其他交易节点的各个邻居节点与该交易节点的边向量确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
8.如权利要求7所述的方法,根据所述交易其他交易节点的各个邻居节点与该交易节点的边向量确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量包括:
将所述交易其他交易节点的各个邻居节点与该交易节点的边向量进行求平均或求和,以确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
9.如权利要求7所述的方法,根据所述交易其他交易节点的各个邻居节点与该交易节点的边向量确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量包括:
确定所述交易其他交易节点的各个邻居节点与该交易节点的边权重,根据所述交易其他交易节点的各个邻居节点与该交易节点的边权重,将所述交易其他交易节点的各个邻居节点与该交易节点的边向量进行加权平均或加权求和,以确定所述交易其他交易节点的邻居节点与该交易节点的聚合关系向量。
10.如权利要求1所述的方法,对所述交易的任两个交易节点,若该两个交易节点在所述交易触发前未产生关联关系,则将该两个交易节点的子图数据进行融合包括:
为该两个交易节点添加双向边,以使该两个交易节点成为邻居节点。
11.如权利要求2所述的方法,对所述交易的任两个交易节点,若该两个交易节点在所述交易触发前未产生关联关系,则将该两个交易节点的子图数据进行融合包括:
为该两个交易节点添加双向边,以使该两个交易节点成为邻居节点;
在为所述交易的交易节点之间添加双向边后,对任一所述交易节点,该交易节点对应的节点关系向量包括该交易节点与该交易节点的邻居节点的聚合关系向量;
对所述交易的任一所述交易节点,根据所述融合后的图数据确定该交易节点对应的节点关系向量包括:
对所述交易的任一所述交易节点,确定该交易节点与该交易节点的各个邻居节点的边向量,根据该交易节点与该交易节点的各个邻居节点的边向量确定该交易节点与该交易节点的邻居节点的聚合关系向量。
12.如权利要求1所述的方法,根据各个交易节点对应的节点关系向量确定交易节点关系向量包括:
确定各个交易节点对应的节点关系向量后,将各个交易节点对应的节点关系向量与所述交易的交易信息表征向量进行融合,以得到交易节点关系向量。
13.如权利要求12所述的方法,将各个交易节点对应的节点关系向量与所述交易的交易信息表征向量进行融合包括:
将各个交易节点对应的节点关系向量与所述交易的交易信息表征向量进行拼接。
14.如权利要求1所述的方法,根据交易节点关系向量确定所述交易的风险概率包括:
将所述交易节点关系向量转化为风险概率值,所述风险概率值为所述交易的风险概率。
15.如权利要求1至14中任一项所述的方法,所述交易节点关系向量用于表征各交易节点的关联关系。
16.如权利要求1所述的方法,所述方法还包括:
确定节点间的有向关系图。
17.如权利要求16所述的方法,确定节点间的有向关系图后,所述方法还包括:
对所述有向关系图的节点特征和/或边特征进行归一化处理。
18.如权利要求16或17所述的方法,对所述交易的任一所述交易节点,该交易节点对应的子图数据从所述有向关系图中抽取。
19.如权利要求18所述的方法,对任一节点,该节点对应的子图数据对应该节点在预定时间段内的交易数据。
20.如权利要求1所述的方法,任一交易触发后,将所述交易作为待进行风险识别的交易;
若所述交易存在风险,则对所述交易进行拦截或预警。
21.一种交易风险识别装置,包括:
图数据模块,用于对任一待进行风险识别的交易,获取所述交易的各个交易节点对应的子图数据;
图融合模块,用于将所述交易的各个交易节点对应的子图数据进行融合,确定融合后的图数据;
向量表征模块,用于根据所述融合后的图数据确定交易节点关系向量;
风险判定模块,用于根据所述交易节点关系向量确定所述交易的风险概率,根据所述风险概率判定所述交易是否存在风险。
22.一种交易风险识别设备,包括:
至少一个处理器;
以及,
与所述至少一个处理器通信连接的存储器;
其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,使所述至少一个处理器能够执行权利要求1至20中任一项所述的交易风险识别方法。
23.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现权利要求1至20中任一项所述的交易风险识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011041842.3A CN111932273B (zh) | 2020-09-28 | 2020-09-28 | 一种交易风险识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011041842.3A CN111932273B (zh) | 2020-09-28 | 2020-09-28 | 一种交易风险识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932273A true CN111932273A (zh) | 2020-11-13 |
CN111932273B CN111932273B (zh) | 2021-02-19 |
Family
ID=73335320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011041842.3A Active CN111932273B (zh) | 2020-09-28 | 2020-09-28 | 一种交易风险识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932273B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381544A (zh) * | 2020-11-16 | 2021-02-19 | 支付宝(杭州)信息技术有限公司 | 子图确定方法、装置和电子设备 |
CN112559695A (zh) * | 2021-02-25 | 2021-03-26 | 北京芯盾时代科技有限公司 | 一种基于图神经网络的聚合特征提取方法及装置 |
WO2022237194A1 (zh) * | 2021-05-10 | 2022-11-17 | 深圳前海微众银行股份有限公司 | 联邦学习系统中账户的异常检测方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009575A (zh) * | 2017-11-28 | 2018-05-08 | 武汉大学 | 一种用于复杂网络的社区发现方法 |
CN108921566A (zh) * | 2018-05-03 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的虚假交易识别方法和装置 |
CN109272323A (zh) * | 2018-09-14 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 一种风险交易识别方法、装置、设备及介质 |
CN110210227A (zh) * | 2019-06-11 | 2019-09-06 | 百度在线网络技术(北京)有限公司 | 风险检测方法、装置、设备和存储介质 |
CN110852881A (zh) * | 2019-10-14 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 风险账户识别方法、装置、电子设备及介质 |
CN111368147A (zh) * | 2020-02-25 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 图特征处理的方法及装置 |
-
2020
- 2020-09-28 CN CN202011041842.3A patent/CN111932273B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009575A (zh) * | 2017-11-28 | 2018-05-08 | 武汉大学 | 一种用于复杂网络的社区发现方法 |
CN108921566A (zh) * | 2018-05-03 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种基于图结构模型的虚假交易识别方法和装置 |
CN109272323A (zh) * | 2018-09-14 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 一种风险交易识别方法、装置、设备及介质 |
CN110210227A (zh) * | 2019-06-11 | 2019-09-06 | 百度在线网络技术(北京)有限公司 | 风险检测方法、装置、设备和存储介质 |
CN110852881A (zh) * | 2019-10-14 | 2020-02-28 | 支付宝(杭州)信息技术有限公司 | 风险账户识别方法、装置、电子设备及介质 |
CN111368147A (zh) * | 2020-02-25 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 图特征处理的方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381544A (zh) * | 2020-11-16 | 2021-02-19 | 支付宝(杭州)信息技术有限公司 | 子图确定方法、装置和电子设备 |
CN112559695A (zh) * | 2021-02-25 | 2021-03-26 | 北京芯盾时代科技有限公司 | 一种基于图神经网络的聚合特征提取方法及装置 |
WO2022237194A1 (zh) * | 2021-05-10 | 2022-11-17 | 深圳前海微众银行股份有限公司 | 联邦学习系统中账户的异常检测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111932273B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932273B (zh) | 一种交易风险识别方法、装置、设备及介质 | |
CN108460523B (zh) | 一种风控规则生成方法和装置 | |
TWI715879B (zh) | 一種基於圖結構模型的交易風險控制方法、裝置以及設備 | |
US11526936B2 (en) | Graphical structure model-based credit risk control | |
CN107424069B (zh) | 一种风控特征的生成方法、风险监控方法及设备 | |
JP6912591B2 (ja) | リスク管理制御方法及びデバイス | |
TW202008237A (zh) | 針對新場景的預測模型訓練方法及裝置 | |
US10832250B2 (en) | Long-term short-term cascade modeling for fraud detection | |
CN108921566B (zh) | 一种基于图结构模型的虚假交易识别方法和装置 | |
EP3480769A1 (en) | Method and device for controlling data risk | |
US11250433B2 (en) | Using semi-supervised label procreation to train a risk determination model | |
CN109118053B (zh) | 一种盗卡风险交易的识别方法和装置 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN111260368A (zh) | 一种账户交易风险判断方法、装置及电子设备 | |
CN111539811A (zh) | 风险账户的识别方法及装置 | |
CN110619574A (zh) | 汇款数据处理方法、装置、电子设备及存储介质 | |
CN113516480A (zh) | 一种支付风险识别方法、装置及设备 | |
CN112214652A (zh) | 一种报文生成方法、装置及设备 | |
CN109903166B (zh) | 一种数据风险预测方法、装置及设备 | |
CN113344695B (zh) | 一种弹性风控方法、装置、设备和可读介质 | |
US20190114639A1 (en) | Anomaly detection in data transactions | |
CN112330329A (zh) | 风险交易数据处理方法、装置、设备及存储介质 | |
CN111582872A (zh) | 异常账号检测模型训练、异常账号检测方法、装置及设备 | |
CN112418864A (zh) | 一种数据发送的方法及装置 | |
CN113988718A (zh) | 一种风险识别方法、装置及设备 |
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 |