CN112200583A - 一种基于知识图谱的欺诈客户识别方法 - Google Patents

一种基于知识图谱的欺诈客户识别方法 Download PDF

Info

Publication number
CN112200583A
CN112200583A CN202011174126.2A CN202011174126A CN112200583A CN 112200583 A CN112200583 A CN 112200583A CN 202011174126 A CN202011174126 A CN 202011174126A CN 112200583 A CN112200583 A CN 112200583A
Authority
CN
China
Prior art keywords
customer
client
list
index
transaction
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
Application number
CN202011174126.2A
Other languages
English (en)
Other versions
CN112200583B (zh
Inventor
詹远灏
魏永川
姚利虎
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.)
Bank of Communications Co Ltd
Original Assignee
Bank of Communications Co Ltd
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 Bank of Communications Co Ltd filed Critical Bank of Communications Co Ltd
Priority to CN202011174126.2A priority Critical patent/CN112200583B/zh
Publication of CN112200583A publication Critical patent/CN112200583A/zh
Application granted granted Critical
Publication of CN112200583B publication Critical patent/CN112200583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本发明涉及一种基于知识图谱的欺诈客户识别方法，包括：获取客户白名单、欺诈客户名单、待观察客户名单、客户关联关系以及待观察客户的资金交易数据；构建客户关联关系知识图谱；基于客户关联关系知识图谱，分别计算得到触黑指标和触白指标；基于待观察客户的资金交易数据，计算得到资金指标；筛选得到规则指标；基于规则指标，得到对应的欺诈规则；根据欺诈规则，从待观察客户名单中筛选出满足欺诈规则的疑似欺诈客户，以及不满足欺诈规则的排除客户；将排除客户合并至客户白名单中，将疑似欺诈客户合并至欺诈客户名单中，之后返回进行迭代训练，即可得到最终的欺诈客户名单。与现有技术相比，本发明能够自动、快速、准确地识别出欺诈客户。

Description

一种基于知识图谱的欺诈客户识别方法
技术领域
本发明涉及大数据处理技术领域，尤其是涉及一种基于知识图谱的欺诈客户识别方法。
背景技术
近年来电信网络诈骗运作模式日趋专业化、公司化，犯罪手段日趋智能化，活动地域呈现跨境化，并逐渐形成恶意注册、引流、诈骗、洗钱等上下游环节勾连配合的完整链条，各环节精细分工、专业运作、技术应用迭代升级，形成电信网络诈骗“新范式”。2019年起，专门针对公司财务人员的电信诈骗手法屡见不鲜，犯罪嫌疑人“瞄准”公司财务人员，假冒公司负责人建立公司工作群，诱骗财务人员向涉案账户汇款，一次涉案金额可能达到千万。同时，利用对公账户实施电信诈骗也是此类犯罪的新动向。犯罪分子多利用或盗用他人信息，在银行开立对公账户，利用对公账户资金流转额度大，冻结手续繁琐等特点进行诈骗活动。
为防止电信网络诈骗活动的发生，传统方式是银行工作人员利用人民银行和各公安部门发布的电信诈骗公司及人员名单对相关联的公司人工进行逐个排查，以得到欺诈人员名单，这种方式的排查效率较低，需要分行人员逐个排查，同时分行人员只能依靠企查查等第三方软件进行查证，受限于第三方软件的服务；
为此，现有技术研究利用客户资金交易数据，制定过滤规则，以筛选可能的欺诈客户，但这种方式仅仅基于单个客户的交易数据，导致筛选得到的结果准确率较低，无法得到准确的欺诈客户名单。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于知识图谱的欺诈客户识别方法，实现快速、准确得到欺诈客户名单的目的。
本发明的目的可以通过以下技术方案来实现：一种基于知识图谱的欺诈客户识别方法，包括以下步骤：
S1、获取客户白名单、欺诈客户名单、待观察客户名单、客户关联关系以及待观察客户的资金交易数据；
S2、根据步骤S1获取的信息数据，构建对应的客户关联关系知识图谱；
S3、基于客户关联关系知识图谱，分别计算得到触黑指标和触白指标；
基于待观察客户的资金交易数据，计算得到资金指标；
S4、从计算得到的触黑指标、触白指标和资金指标中筛选得到规则指标；
S5、基于规则指标，得到对应的欺诈规则；
S6、根据欺诈规则，从待观察客户名单中筛选出满足欺诈规则的疑似欺诈客户，以及不满足欺诈规则的排除客户；
S7、将排除客户合并至客户白名单中，将疑似欺诈客户合并至欺诈客户名单中，之后返回步骤S1，通过迭代训练，即可得到最终的欺诈客户名单。
进一步地，所述步骤S1中客户白名单中的客户包括政府机构、金融机构、国有企业、公共事业单位、公司分支机构以及银行授信客户；
欺诈客户名单中的客户包括存在过电信欺诈行为的客户。
进一步地，所述步骤S1中客户白名单、欺诈客户名单和待观察客户名单的数据均包括客户名称、客户所属地区、注册资本、实收资本、企业成立时间、账户开户时间以及企业经济性质；
客户关联关系的数据包括股权关系、人员任职关系、担保关系、贸易关系和集团关系；
资金交易数据包括交易时间、交易金额、交易方向、交易对手、交易渠道、交易IP、交易设备以及交易摘要。
进一步地，所述步骤S2具体是将步骤S1中客户白名单、欺诈客户名单、待观察客户名单以及客户关联关系数据导入tigerGraph图数据库，即可得到客户关联关系知识图谱。
进一步地，所述步骤S3中触黑指标的计算过程为：
根据欺诈客户名单，在客户关联关系知识图谱中定位查找到已知的欺诈客户，以定位查找到的欺诈客户作为起点，基于股权关系和人员任职关系，其两步以内关联到的客户为触黑；
基于相同IP地址和资金密切关系，其一步以内关联到的客户为触黑。
进一步地，所述步骤S3中触白指标的计算过程为：
根据客户白名单，在客户关联关系知识图谱中定位查找到已知的白名单客户，以定位查找到的白名单客户作为起点，基于股权关系、人员任职关系、担保关系和贸易关系，其两步以内关联到的客户为触白。
进一步地，所述步骤S3中资金指标包括频率类指标、渠道类指标、时间类指标、地址类指标和交易对手类指标，所述频率类指标包括一段时间内客户交易总金额、一段时间内客户交易总笔数、一段时间内客户交易对手数量、一段时间内客户交易流入金额和笔数、一段时间内客户交易流出金额和笔数；
所述渠道类指标包括一段时间内客户通过手机交易的金额和笔数、一段时间内客户通过网银交易的金额和笔数、一段时间内客户通过现金交易的金额和笔数；
所述时间类指标包括一段时间内客户夜间交易的金额和笔数、一段时间内客户周末交易的金额和笔数；
所述地址类指标包括一段时间内客户交易地点在国内的金额和笔数、一段时间内客户交易地点在国外的金额和笔数；
所述交易对手类指标包括一段时间内客户相同交易对手的频率、一段时间内客户与自然人交易的金额和笔数。
进一步地，所述步骤S4具体包括以下步骤：
S41、对计算得到的每个指标分别进行分组处理，并通过计算单个指标内各分组的IV(Information Value，信息值)，得到各个指标的IV：
首先计算单个指标内各分组的WOE(Weight of Evidence，证据权重)：
Figure BDA0002748226580000031
其中，woei为第i个分组的WOE值，
Figure BDA0002748226580000034
为第i个分组的正样本概率，
Figure BDA0002748226580000033
为第i个分组的负样本概率，yi为第i个分组中正样本的数量，ys为所有正样本的数量，ni为第i个分组中负样本的数量，ns为所有负样本的数量，
之后计算单个分组的IV值：
Figure BDA0002748226580000032
其中，IVi为第i个分组的IV值；
最后计算整个指标的IV值：
Figure BDA0002748226580000041
其中，m为该指标内的分组数量；
S42、将所有指标的IV按照从大到小的顺序进行排列，并选择排序为前N个的指标作为规则指标。
进一步地，所述步骤S4具体包括以下步骤：
S41、对计算得到的所有指标进行两两组合，得到多个组合指标；
S42、对多个组合指标分别进行分组处理，并通过计算单个组合指标内各分组的IV，得到各个组合指标的IV；
S43、将所有组合指标的IV按照从大到小的顺序进行排列，并选择排序为前N个的组合指标作为规则指标。
进一步地，所述分组处理具体是采用决策树方式，以生成包含不同分组类别的决策树。
与现有技术相比，本发明具有以下优点：
一、本发明通过获取当前已知的客户白名单、欺诈客户名单、待观察客户名单、客户关联关系以及待观察客户的资金交易数据，以此构建客户关联关系知识图谱，利用欺诈客户和白名单客户在知识图谱网络中的传播属性，同时结合资金交易数据，能够快速、准确地计算得到触黑指标、触白指标和资金指标，并根据IV值筛选得到规则指标，进一步保证欺诈规则制定的可靠性，从而提高后续疑似欺诈客户的筛选准确性。
二、本发明基于客户关联关系中的股权关系和人员任职关系，设定两步以内能关联到欺诈客户为触黑；基于相同IP地址和资金密切关系，设定一步以内能关联到欺诈客户为触黑；基于股权关系、人员任职关系、担保关系和贸易关系，设定两步以内能关联到白名单客户为触白，此外，结合决策树机器学习的方式，通过迭代训练，有效提高了识别欺诈客户的速度及准确度。
附图说明
图1为本发明的方法流程示意图；
图2为实施例中的具体应用流程示意图；
图3为实施例中客户关联关系知识图谱示意图；
图4a为基于股东关系的触黑指标示意图；
图4b为基于人员任职关系的触黑指标示意图；
图4c为基于相同IP地址的触黑指标示意图；
图4d为基于资金密切关系的触黑指标示意图；
图5为触白指标示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种基于知识图谱的欺诈客户识别方法，包括以下步骤：
S1、获取客户白名单、欺诈客户名单、待观察客户名单、客户关联关系以及待观察客户的资金交易数据；
S2、根据步骤S1获取的信息数据，构建对应的客户关联关系知识图谱；
S3、基于客户关联关系知识图谱，分别计算得到触黑指标和触白指标；
基于待观察客户的资金交易数据，计算得到资金指标；
S4、从计算得到的触黑指标、触白指标和资金指标中筛选得到规则指标；
S5、基于规则指标，得到对应的欺诈规则；
S6、根据欺诈规则，从待观察客户名单中筛选出满足欺诈规则的疑似欺诈客户，以及不满足欺诈规则的排除客户；
S7、将排除客户合并至客户白名单中，将疑似欺诈客户合并至欺诈客户名单中，之后返回步骤S1，通过迭代训练，即可得到最终的欺诈客户名单。
本实施例应用上述方法，其过程如图2所示，首先针对银行客户分为三类：白名单客户、欺诈客户和待观察客户。白名单客户为确定不会进行欺诈行为的客户。欺诈客户为已经被公安，银行等机构确定有欺诈行为的客户。待观察客户为还不确定需要观察的客户，本发明的目的就是从待观察客户中识别出欺诈概率较高的客户。
其次基于客户股权、人员、资金、相同IP设备、授信、担保、受益人和贸易等关联关系，构建客户关系网络。通过计算欺诈客户在网络中的关联关系，以及客户资金交易特征，在待观察客户中生成疑似欺诈名单。基于白名单客户授信、股权、人员、担保、受益人和贸易等可信任关系，在待观察客户中计算出排除名单。疑似欺诈名单和排除名单相结合，生成疑似欺诈客户名单。
最后将疑似欺诈客户名单与当前已知的欺诈客户名单合并，即得到更新后的欺诈客户名单，在此过程中，还可由银行客户经理进一步核实疑似欺诈客户名单，之后再更新欺诈客户名单。
具体的，在获取客户名单数据时，将确定不可能欺诈的客户，如政府、金融机构、国有企业、公共事业单位、公司分支机构等，以及有银行授信的客户，放入白名单中管理。将历史上有过电信欺诈行为的客户放入欺诈客户名单中管理。除了白名单和欺诈客户以外，新成立的企业放入待观察客户中管理。这部分待观察客户需要使用本发明提出的方法进行欺诈客户识别。
其中，需要的基础数据如表1所示：
表1
Figure BDA0002748226580000061
本实施例在构建客户关联关系知识图谱时，是将客户股权、人员任职、担保等关联关系数据导入tigerGraph图数据库工具，即可构建出客户的关联关系图谱，构建好的图谱如图3所示。
在计算触黑指标时，基于客户关联关系知识图谱，通过计算客户关联关系的属性来判断客户是否可能参与欺诈活动。通过分析历史上的欺诈案件，与欺诈客户关联关系较强的客户可以看作为疑似欺诈客户，与白名单客户关联关系较强则认为不太可能是欺诈客户。
如图4a和图4b所示，A和B有一个共同的股东或者一个共同的人员任职关系，而A是一个欺诈客户，则B有很大的可能是欺诈客户；如图4c和图4d所示，A和B使用过相同的IP地址，或两者之间资金关系密切，A是欺诈客户的话，B也很可能是欺诈客户。本发明定义股东关系和任职关系中，两步以内能关联到欺诈名单客户为触黑，在相同IP地址和资金密切关系中一步以内关联到欺诈名单为触黑。
在计算触白指标时，当一个待观察客户与白名单客户交易往来比较频繁且有任职，股东，担保等关联关系的时候，则这个客户不太可能是欺诈客户。本发明定义客户通过股权、任职、担保、贸易关系两步以内能关联到白名单客户为触白。如图5所示，A是一个白名单客户，则A两步之内能关联到的B、C、D、E都认为是触白的客户，而F和G与A的关联超过了两步，并不触白，是一个普通的待观察客户。
在计算资金指标时，本发明根据资金交易的五大要素：时间、地点(包括IP地址)、渠道、对方账户、摘要，结合待观察客户的资金交易数据，需要计算得到如表2所示的各个资金指标：
表2
Figure BDA0002748226580000071
在计算得到各个指标后，本发明通过计算单个指标的IV值来对指标的预测能力进行评估。IV值的大小表示该指标预测能力的强弱。IV值的取值范围是[0,正无穷)，即如果当前分组中正负样本客户比例和随机抽样接近时，IV值接近0，如果当前分组中只包含正样本客户或者负样本客户时，IV值为正无穷。该评估方法也适用于评估多个指标组合的新指标。IV值计算过程如下：
首先需要把指标进行分组处理，即分箱或者离散化，连续变量的分箱使用决策树生成，本实施例利用sklearn工具包中的DecisionTreeClassifier以信息增益进行计算，生成决策树，指标分组后，某一分组的WOE计算如下：
Figure BDA0002748226580000081
其中，woei为第i个分组的WOE值，
Figure BDA0002748226580000084
为第i个分组的正样本概率，
Figure BDA0002748226580000085
为第i个分组的负样本概率，yi为第i个分组中正样本的数量，ys为所有正样本的数量，ni为第i个分组中负样本的数量，ns为所有负样本的数量，
那么单个分组的IV值为：
Figure BDA0002748226580000082
其中，IVi为第i个分组的IV值，
最后计算整个指标的IV值：
Figure BDA0002748226580000083
其中，m为该指标内的分组数量；
此外，在实际应用中，也可以对指标进行两两组合，再计算各组合指标的IV值。
最后选取IV值较为显著的指标，结合之前该指标分组时通过决策树生成的结果，以制定出反欺诈规则。
由此，结合制定的反欺诈规则，可以方便、快速、准确地从待观察客户名单中筛选出排除欺诈的客户和疑似欺诈客户，在实际应用中，还可将疑似欺诈客户名单提交给客户经理进行进一步的人工排查，排查后的结果再放入白名单和欺诈客户名单中，以此来训练新的规则，不断迭代。
综上所述，本发明利用关联关系数据构建知识图谱后，利用欺诈客户和白名单客户在网络中的传播属性，同时结合资金交易数据，通过触黑指标、触白指标以及资金指标的计算，利用指标的IV值以及决策树的机器学习方法，通过不断的反馈和迭代训练，能够提高识别欺诈客户的速度和准确度，减轻客户经理排查的负担，降低银行损失。

Claims (10)

1.一种基于知识图谱的欺诈客户识别方法，其特征在于，包括以下步骤：
S1、获取客户白名单、欺诈客户名单、待观察客户名单、客户关联关系以及待观察客户的资金交易数据；
S2、根据步骤S1获取的信息数据，构建对应的客户关联关系知识图谱；
S3、基于客户关联关系知识图谱，分别计算得到触黑指标和触白指标；
基于待观察客户的资金交易数据，计算得到资金指标；
S4、从计算得到的触黑指标、触白指标和资金指标中筛选得到规则指标；
S5、基于规则指标，得到对应的欺诈规则；
S6、根据欺诈规则，从待观察客户名单中筛选出满足欺诈规则的疑似欺诈客户，以及不满足欺诈规则的排除客户；
S7、将排除客户合并至客户白名单中，将疑似欺诈客户合并至欺诈客户名单中，之后返回步骤S1，通过迭代训练，即可得到最终的欺诈客户名单。
2.根据权利要求1所述的一种基于知识图谱的欺诈客户识别方法，其特征在于，所述步骤S1中客户白名单中的客户包括政府机构、金融机构、国有企业、公共事业单位、公司分支机构以及银行授信客户；
欺诈客户名单中的客户包括存在过电信欺诈行为的客户。
3.根据权利要求1所述的一种基于知识图谱的欺诈客户识别方法，其特征在于，所述步骤S1中客户白名单、欺诈客户名单和待观察客户名单的数据均包括客户名称、客户所属地区、注册资本、实收资本、企业成立时间、账户开户时间以及企业经济性质；
客户关联关系的数据包括股权关系、人员任职关系、担保关系、贸易关系和集团关系；
资金交易数据包括交易时间、交易金额、交易方向、交易对手、交易渠道、交易IP、交易设备以及交易摘要。
4.根据权利要求1所述的一种基于知识图谱的欺诈客户识别方法，其特征在于，所述步骤S2具体是将步骤S1中客户白名单、欺诈客户名单、待观察客户名单以及客户关联关系数据导入tigerGraph图数据库，即可得到客户关联关系知识图谱。
5.根据权利要求3所述的一种基于知识图谱的欺诈客户识别方法，其特征在于，所述步骤S3中触黑指标的计算过程为：
根据欺诈客户名单，在客户关联关系知识图谱中定位查找到已知的欺诈客户，以定位查找到的欺诈客户作为起点，基于股权关系和人员任职关系，其两步以内关联到的客户为触黑；
基于相同IP地址和资金密切关系，其一步以内关联到的客户为触黑。
6.根据权利要求3所述的一种基于知识图谱的欺诈客户识别方法，其特征在于，所述步骤S3中触白指标的计算过程为：
根据客户白名单，在客户关联关系知识图谱中定位查找到已知的白名单客户，以定位查找到的白名单客户作为起点，基于股权关系、人员任职关系、担保关系和贸易关系，其两步以内关联到的客户为触白。
7.根据权利要求3所述的一种基于知识图谱的欺诈客户识别方法，其特征在于，所述步骤S3中资金指标包括频率类指标、渠道类指标、时间类指标、地址类指标和交易对手类指标，所述频率类指标包括一段时间内客户交易总金额、一段时间内客户交易总笔数、一段时间内客户交易对手数量、一段时间内客户交易流入金额和笔数、一段时间内客户交易流出金额和笔数；
所述渠道类指标包括一段时间内客户通过手机交易的金额和笔数、一段时间内客户通过网银交易的金额和笔数、一段时间内客户通过现金交易的金额和笔数；
所述时间类指标包括一段时间内客户夜间交易的金额和笔数、一段时间内客户周末交易的金额和笔数；
所述地址类指标包括一段时间内客户交易地点在国内的金额和笔数、一段时间内客户交易地点在国外的金额和笔数；
所述交易对手类指标包括一段时间内客户相同交易对手的频率、一段时间内客户与自然人交易的金额和笔数。
8.根据权利要求1所述的一种基于知识图谱的欺诈客户识别方法，其特征在于，所述步骤S4具体包括以下步骤：
S41、对计算得到的每个指标分别进行分组处理，并通过计算单个指标内各分组的IV，得到各个指标的IV：
首先计算单个指标内各分组的WOE：
Figure FDA0002748226570000031
其中，woei为第i个分组的WOE值，
Figure FDA0002748226570000032
为第i个分组的正样本概率，
Figure FDA0002748226570000033
为第i个分组的负样本概率，yi为第i个分组中正样本的数量，ys为所有正样本的数量，ni为第i个分组中负样本的数量，ns为所有负样本的数量，
之后计算单个分组的IV值：
Figure FDA0002748226570000034
其中，IVi为第i个分组的IV值；
最后计算整个指标的IV值：
Figure FDA0002748226570000035
其中，m为该指标内的分组数量；
S42、将所有指标的IV按照从大到小的顺序进行排列，并选择排序为前N个的指标作为规则指标。
9.根据权利要求1所述的一种基于知识图谱的欺诈客户识别方法，其特征在于，所述步骤S4具体包括以下步骤：
S41、对计算得到的所有指标进行两两组合，得到多个组合指标；
S42、对多个组合指标分别进行分组处理，并通过计算单个组合指标内各分组的IV，得到各个组合指标的IV；
S43、将所有组合指标的IV按照从大到小的顺序进行排列，并选择排序为前N个的组合指标作为规则指标。
10.根据权利要求8或9所述的一种基于知识图谱的欺诈客户识别方法，其特征在于，所述分组处理具体是采用决策树方式，以生成包含不同分组类别的决策树。
CN202011174126.2A 2020-10-28 2020-10-28 一种基于知识图谱的欺诈客户识别方法 Active CN112200583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011174126.2A CN112200583B (zh) 2020-10-28 2020-10-28 一种基于知识图谱的欺诈客户识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011174126.2A CN112200583B (zh) 2020-10-28 2020-10-28 一种基于知识图谱的欺诈客户识别方法

Publications (2)

Publication Number Publication Date
CN112200583A true CN112200583A (zh) 2021-01-08
CN112200583B CN112200583B (zh) 2023-12-19

Family

ID=74011765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011174126.2A Active CN112200583B (zh) 2020-10-28 2020-10-28 一种基于知识图谱的欺诈客户识别方法

Country Status (1)

Country Link
CN (1) CN112200583B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159937A (zh) * 2021-05-27 2021-07-23 中国工商银行股份有限公司 识别风险的方法、装置和电子设备
CN113364764A (zh) * 2021-06-02 2021-09-07 中国移动通信集团广东有限公司 基于大数据的信息安全防护方法及装置
CN113822490A (zh) * 2021-09-29 2021-12-21 平安银行股份有限公司 基于人工智能的资产清收方法及装置、电子设备
CN116402512A (zh) * 2023-05-31 2023-07-07 无锡锡商银行股份有限公司 一种基于人工智能的账户安全排查管理方法
CN117688055A (zh) * 2023-11-08 2024-03-12 亿保创元(北京)信息科技有限公司 一种基于关联网络分析技术的保险黑产识别与应对系统

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140012738A1 (en) * 2012-07-09 2014-01-09 Bennett Woo Methods and systems for measuring accuracy in fraudulent transaction identification
US20160283975A1 (en) * 2015-03-24 2016-09-29 Facebook, Inc. Systems and methods for fraud detection based on image analysis
CN106327209A (zh) * 2016-08-24 2017-01-11 上海师范大学 一种基于信誉累积的多标准协作欺诈检测方法
WO2017143932A1 (zh) * 2016-02-26 2017-08-31 中国银联股份有限公司 基于样本聚类的欺诈交易检测方法
CN107292424A (zh) * 2017-06-01 2017-10-24 四川新网银行股份有限公司 一种基于复杂社交网络的反欺诈和信用风险预测方法
CN109166030A (zh) * 2018-08-01 2019-01-08 深圳微言科技有限责任公司 一种反欺诈解决方法及系统
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
CN109300028A (zh) * 2018-09-11 2019-02-01 上海天旦网络科技发展有限公司 基于网络数据的实时反欺诈方法和系统及存储介质
WO2019137050A1 (zh) * 2018-01-12 2019-07-18 阳光财产保险股份有限公司 互联网信贷场景下的实时欺诈检测方法、装置及服务器
CN110111110A (zh) * 2019-04-01 2019-08-09 北京三快在线科技有限公司 基于知识图谱检测欺诈的方法和装置、存储介质
CN110188198A (zh) * 2019-05-13 2019-08-30 北京一览群智数据科技有限责任公司 一种基于知识图谱的反欺诈方法及装置
CN110223168A (zh) * 2019-06-24 2019-09-10 浪潮卓数大数据产业发展有限公司 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
CN110297912A (zh) * 2019-05-20 2019-10-01 平安科技（深圳）有限公司 欺诈识别方法、装置、设备及计算机可读存储介质
CN110600120A (zh) * 2019-07-26 2019-12-20 浙江迪安证鉴检测技术有限公司 基于贝叶斯理论的系统测试及图谱分析方法
CN110765117A (zh) * 2019-09-30 2020-02-07 中国建设银行股份有限公司 欺诈识别方法、装置、电子设备及计算机可读存储介质
CN110781308A (zh) * 2019-06-25 2020-02-11 广微数据科技（苏州）有限公司 一种基于大数据构建知识图谱的反欺诈系统
CN110930218A (zh) * 2019-11-07 2020-03-27 中诚信征信有限公司 一种识别欺诈客户的方法、装置及电子设备
CN110956547A (zh) * 2019-11-28 2020-04-03 广州及包子信息技术咨询服务有限公司 一种基于搜索引擎的实时识别欺诈团伙的方法及系统
CN110955729A (zh) * 2019-12-02 2020-04-03 中国银行股份有限公司 基于区块链的欺诈客户信息共享方法、设备以及系统
CN111275546A (zh) * 2020-02-24 2020-06-12 中国工商银行股份有限公司 金融客户欺诈风险识别方法及装置
CN111292008A (zh) * 2020-03-03 2020-06-16 电子科技大学 一种基于知识图谱的隐私保护数据发布风险评估方法
WO2020186789A1 (zh) * 2019-03-15 2020-09-24 平安科技（深圳）有限公司 用户反欺诈实现方法、装置、计算机设备及存储介质
CN112035677A (zh) * 2020-09-03 2020-12-04 中国银行股份有限公司 基于知识图谱的诈骗人员发现方法及装置
CN113592517A (zh) * 2021-08-09 2021-11-02 深圳前海微众银行股份有限公司 欺诈客群识别方法、装置、终端设备及计算机存储介质

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140012738A1 (en) * 2012-07-09 2014-01-09 Bennett Woo Methods and systems for measuring accuracy in fraudulent transaction identification
US20160283975A1 (en) * 2015-03-24 2016-09-29 Facebook, Inc. Systems and methods for fraud detection based on image analysis
WO2017143932A1 (zh) * 2016-02-26 2017-08-31 中国银联股份有限公司 基于样本聚类的欺诈交易检测方法
CN106327209A (zh) * 2016-08-24 2017-01-11 上海师范大学 一种基于信誉累积的多标准协作欺诈检测方法
CN107292424A (zh) * 2017-06-01 2017-10-24 四川新网银行股份有限公司 一种基于复杂社交网络的反欺诈和信用风险预测方法
WO2019137050A1 (zh) * 2018-01-12 2019-07-18 阳光财产保险股份有限公司 互联网信贷场景下的实时欺诈检测方法、装置及服务器
CN109166030A (zh) * 2018-08-01 2019-01-08 深圳微言科技有限责任公司 一种反欺诈解决方法及系统
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
CN109300028A (zh) * 2018-09-11 2019-02-01 上海天旦网络科技发展有限公司 基于网络数据的实时反欺诈方法和系统及存储介质
WO2020186789A1 (zh) * 2019-03-15 2020-09-24 平安科技（深圳）有限公司 用户反欺诈实现方法、装置、计算机设备及存储介质
CN110111110A (zh) * 2019-04-01 2019-08-09 北京三快在线科技有限公司 基于知识图谱检测欺诈的方法和装置、存储介质
CN110188198A (zh) * 2019-05-13 2019-08-30 北京一览群智数据科技有限责任公司 一种基于知识图谱的反欺诈方法及装置
CN110297912A (zh) * 2019-05-20 2019-10-01 平安科技（深圳）有限公司 欺诈识别方法、装置、设备及计算机可读存储介质
CN110223168A (zh) * 2019-06-24 2019-09-10 浪潮卓数大数据产业发展有限公司 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
CN110781308A (zh) * 2019-06-25 2020-02-11 广微数据科技（苏州）有限公司 一种基于大数据构建知识图谱的反欺诈系统
CN110600120A (zh) * 2019-07-26 2019-12-20 浙江迪安证鉴检测技术有限公司 基于贝叶斯理论的系统测试及图谱分析方法
CN110765117A (zh) * 2019-09-30 2020-02-07 中国建设银行股份有限公司 欺诈识别方法、装置、电子设备及计算机可读存储介质
CN110930218A (zh) * 2019-11-07 2020-03-27 中诚信征信有限公司 一种识别欺诈客户的方法、装置及电子设备
CN110956547A (zh) * 2019-11-28 2020-04-03 广州及包子信息技术咨询服务有限公司 一种基于搜索引擎的实时识别欺诈团伙的方法及系统
CN110955729A (zh) * 2019-12-02 2020-04-03 中国银行股份有限公司 基于区块链的欺诈客户信息共享方法、设备以及系统
CN111275546A (zh) * 2020-02-24 2020-06-12 中国工商银行股份有限公司 金融客户欺诈风险识别方法及装置
CN111292008A (zh) * 2020-03-03 2020-06-16 电子科技大学 一种基于知识图谱的隐私保护数据发布风险评估方法
CN112035677A (zh) * 2020-09-03 2020-12-04 中国银行股份有限公司 基于知识图谱的诈骗人员发现方法及装置
CN113592517A (zh) * 2021-08-09 2021-11-02 深圳前海微众银行股份有限公司 欺诈客群识别方法、装置、终端设备及计算机存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
田江;刘锦淼;: "银行智能化欺诈风险预测模型研究与应用", 金融电子化, no. 10 *
许振亮;刘喜美;: "电信诈骗研究的知识图谱分析", 中国刑警学院学报, no. 03 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159937A (zh) * 2021-05-27 2021-07-23 中国工商银行股份有限公司 识别风险的方法、装置和电子设备
CN113364764A (zh) * 2021-06-02 2021-09-07 中国移动通信集团广东有限公司 基于大数据的信息安全防护方法及装置
CN113364764B (zh) * 2021-06-02 2022-07-12 中国移动通信集团广东有限公司 基于大数据的信息安全防护方法及装置
CN113822490A (zh) * 2021-09-29 2021-12-21 平安银行股份有限公司 基于人工智能的资产清收方法及装置、电子设备
CN113822490B (zh) * 2021-09-29 2024-05-14 平安银行股份有限公司 基于人工智能的资产清收方法及装置、电子设备
CN116402512A (zh) * 2023-05-31 2023-07-07 无锡锡商银行股份有限公司 一种基于人工智能的账户安全排查管理方法
CN116402512B (zh) * 2023-05-31 2023-08-22 无锡锡商银行股份有限公司 一种基于人工智能的账户安全排查管理方法
CN117688055A (zh) * 2023-11-08 2024-03-12 亿保创元(北京)信息科技有限公司 一种基于关联网络分析技术的保险黑产识别与应对系统

Also Published As

Publication number Publication date
CN112200583B (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN112200583B (zh) 一种基于知识图谱的欺诈客户识别方法
CN112053221A (zh) 一种基于知识图谱的互联网金融团伙欺诈行为检测方法
WO2021232588A1 (zh) 食品安全风险评估方法、装置、设备及存储介质
US10504174B2 (en) System and method to search and verify borrower information using banking and investment account data and process to systematically share information with lenders and government sponsored agencies for underwriting and securitization phases of the lending cycle
US9892465B2 (en) System and method for suspect entity detection and mitigation
Mohammadi et al. Financial reporting fraud detection: An analysis of data mining algorithms
US9280658B2 (en) System and method for systematic detection of fraud rings
CN107341731A (zh) 保险业务风险评分系统及其构建方法
CN113011973A (zh) 基于智能合约数据湖的金融交易监管模型、系统、设备
CN101425926A (zh) 基于信用评估的网络秩序调控方法
Xu et al. Identifying features for detecting fraudulent loan requests on P2P platforms
US20220300977A1 (en) Real-time malicious activity detection using non-transaction data
CN115879548B (zh) 一种用于客户身份识别的知识图谱构建方法和系统
Gee et al. The real cost of recruitment fraud
CN115496130A (zh) 新发卡实时审批模型的训练及审批方法、设备及存储介质
CN115907835A (zh) 一种基于商业汇票信息的大数据风控及辅助决策分析方法
Reddy et al. Utilization of AI for streamlining and optimizing credit decision process and security access loan risks in the banking sector
CN112580992B (zh) 类金融企业的非法集资风险监测系统
CN115564591A (zh) 一种融资产品的确定方法及相关设备
Shilpa Analyzing the Bank Scam's Financial Fraud and its Technological Repercussions using Data Mining
CN113822679A (zh) 一种自动决策的智能反欺诈贷中管理系统及方法
CN113191770A (zh) 一种基于网关交易的反欺诈算法模型系统架构设计方法
Tang et al. New technologies and money laundering vulnerabilities
Sun et al. A new perspective of credit scoring for small and medium-sized enterprises based on invoice data
US20230376962A1 (en) System and Method for Automated Feature Generation and Usage in Identity Decision Making

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