CN112241820B - 资金流动中关键节点的风险识别方法、装置及计算设备 - Google Patents
资金流动中关键节点的风险识别方法、装置及计算设备 Download PDFInfo
- Publication number
- CN112241820B CN112241820B CN201910642041.3A CN201910642041A CN112241820B CN 112241820 B CN112241820 B CN 112241820B CN 201910642041 A CN201910642041 A CN 201910642041A CN 112241820 B CN112241820 B CN 112241820B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- fund
- important
- directed graph
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012546 transfer Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000012502 risk assessment Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000012012 milestone trend analyses Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例涉及大数据技术领域,公开了一种资金流动中关键节点的风险识别方法、装置及计算设备,该方法包括:根据采集的资金流动数据构建节点的有向图;从所述有向图中筛选出重要节点;根据所述重要节点的资金转移量获取关键节点;对所述关键节点应用聚类算法进行风险识别。通过上述方式,本发明实施例通过利用图算法遍历计算方法先找到资金流动过程中的关键节点,再对关键节点进行风险评估,提高关键节点识别的准确性,可以精准智能地输出存在风险的关键节点,提高风险识别的覆盖率。
Description
技术领域
本发明实施例涉及大数据技术领域,具体涉及一种资金流动中关键节点的风险识别方法、装置及计算设备。
背景技术
在移动通信领域,用户的话费、积分和流量,可以通过一定的手段进行转移,我们将话费、积分和流量等统称为资金,他们在用户间的转移称之为资金的流动。近年来不少不法分子通过非合理手段,归集资金,进行二次倒卖套利,严重影响了市场正常的价格体系,对于公司危害极大。亟需一种方法,找到资金流动的关键节点,即用户,以供后续进一步分析其行为,挖掘深层次的风险。
对于此类风险,目前尚无有效全面的手段去检测相关的关键用户,目前主要的手段有两种:一种是基础统计法,对于用户交易数据进行统计,包括均值、四分位数、离群值等指标,取出其中转移金额较大的用户,判定为关键节点。另一种是通过构建有向图并生成相应指标,设置一个阈值对节点进行一次识别,若某一个节点的综合评价值大于该阈值,则将该节点作为关键节点。
在实现本发明实施例的过程中,发明人发现:现有资金流动网络中关键节点识别手段存在如下缺陷:对于基础分析法,由于统计口径较为简单且主观,误判率较高,同时由于资金流动交易中存在较多集团账户,多为大资金账户,企业账户资金转移的单笔金额一般较大,容易被误判,而部分可疑账户虽然单笔流动金额较小,但是累加起来金额却很大,非常符合二次倒卖的特征。另外该方法难以记录资金流动的关键路径,不能对交易进行回放,不利于进一步的分析;对于第二种方法,只对节点进行单次评估判断且未对关键节点风险定性,增加了关键节点的识别难度,导致关键节点识别不稳定,同时无法判断关键节点是否存在风险。
发明内容
鉴于上述问题,本发明实施例提供了一种资金流动中关键节点的风险识别方法、装置及计算设备,克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面,提供了一种资金流动中关键节点的风险识别方法,所述方法包括:根据采集的资金流动数据构建节点的有向图;从所述有向图中筛选出重要节点;根据所述重要节点的资金转移量获取关键节点;对所述关键节点应用聚类算法进行风险识别。
在一种可选的方式中,所述根据采集的资金流动数据构建节点的有向图,包括:采集各节点的资金流动数据;根据任意两个节点间的资金往来情况构建节点的邻接矩阵;根据所述邻接矩阵构建节点的所述有向图,剪头表示有资金往来的任意两个节点间的资金流向。
在一种可选的方式中,所述从所述有向图中筛选出重要节点,包括:根据所述有向图获取各节点资金流动情况;根据所述资金流动情况计算节点的评估指标;根据所述评估指标计算节点的重要性系数,获取重要节点。
在一种可选的方式中,任一节点u所述评估指标包括:吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D,满足以下关系式:
其中,wui是节点u到节点i的流出量,wju是节点j到节点u的流入量,Aui是节点u的流出节点数,Aju是节点u的流入节点数,n为所述邻接矩阵图中的总节点数。
在一种可选的方式中,所述根据所述评估指标计算节点的重要性系数,获取重要节点,包括:
根据吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D计算节点的重要性系数I,满足以下关系式:
其中,a1、a2、a3、a4为权值,a1+a2+a3+a4=1;
按所述重要性系数从大到小排列,取前第一预设数量的节点作为所述重要节点。
在一种可选的方式中,所述根据所述重要节点的资金转移量获取关键节点,包括:简化所述有向图;根据简化的所述有向图计算任一所述重要节点的评估指标;按所述评估指标从大到小排列,取前第二预设数量的所述重要节点作为所述关键节点。
在一种可选的方式中,所述对所述关键节点应用聚类算法进行风险识别,包括:对所述关键节点进行聚类分组,获取多个分组样本;计算每个分组样本的变量偏差指数和异常指数;确定异常指数最大的分组样本为异常风险样本;计算所述异常风险样本中任一属性的所述变量偏离指数;将所述变量偏离指数从大到小排列,获取第三预设数量的属性为所述异常风险样本的异常原因。
根据本发明实施例的另一个方面,提供了一种资金流动中关键节点的风险识别装置,所述装置包括:有向图构建单元,用于根据采集的资金流动数据构建节点的有向图;重要节点筛选单元,用于从所述有向图中筛选出重要节点;关键节点获取单元,用于根据所述重要节点的资金转移量获取关键节点;风险识别单元,用于对所述关键节点应用聚类算法进行风险识别。
根据本发明实施例的另一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述资金流动中关键节点的风险识别方法的步骤。
根据本发明实施例的又一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使所述处理器执行上述资金流动中关键节点的风险识别方法的步骤。
本发明实施例通过根据采集的资金流动数据构建节点的有向图;从所述有向图中筛选出重要节点;根据所述重要节点的资金转移量获取关键节点;对所述关键节点应用聚类算法进行风险识别,通过利用图算法遍历计算方法先找到资金流动过程中的关键节点,再对关键节点进行风险评估,提高关键节点识别的准确性,可以精准智能地输出存在风险的关键节点,提高风险识别的覆盖率。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的资金流动中关键节点的风险识别方法的流程示意图;
图2示出了本发明实施例提供的资金流动中关键节点的风险识别方法的邻接矩阵示意图;
图3示出了本发明实施例提供的资金流动中关键节点的风险识别方法的有向图示意图;
图4示出了本发明实施例提供的资金流动中关键节点的风险识别装置的结构示意图;
图5示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的资金流动中关键节点的风险识别的流程示意图。如图1所示,资金流动中关键节点的风险识别方法包括:
步骤S11:根据采集的资金流动数据构建节点的有向图。
具体地,采集各节点的资金流动数据;根据任意两个节点间的资金往来情况构建节点的邻接矩阵;根据所述邻接矩阵构建节点的所述有向图,剪头表示有资金往来的任意两个节点间的资金流向。
在本发明实施例中,首先对资金流动数据进行采集,从数据库中读取某一时间段内所有资金流动数据,对资金流动数据进行预处理。优选地,采集1个月内各节点的资金流动数据。根据预处理后的数据资金流动数据构建包含所有节点的邻接矩阵。所述邻接矩阵中任一顶点的值auv满足以下关系式:
其中,E为两个节点间有资金往来的集合,(u,v)∈E表示节点u、v之间有资金往来,W为权值的集合,wuv表示节点u流向节点v之间的资金量,V为顶点的集合。例如,最后形成的邻接矩阵A如图2所示,abc=8,表示节点b流向节点c的资金量为8,acb=2,表示节点c流向节点b的资金量为2。节点a资金注入的节点包括节点a的那一列中非0的所有节点,节点a资金注出的节点包括节点a的那一行中非0的所有节点。
在已有邻接矩阵的基础上,画出有向图,资金转移的方向用箭头代替,任意两个节点的资金来往不做抵消,比如节点a→节点b,100元,节点b→节点a,100元,不做合并。例如,取邻接矩阵A中节点h、i、j、k四个节点得到的有向图如图3所示,带箭头的边表示两节点之间资金流向,即资金转移的方向,边上的权值表示流动的资金量。
步骤S12:从所述有向图中筛选出重要节点。
具体地,根据所述有向图获取各节点资金流动情况;根据所述资金流动情况计算节点的评估指标;根据所述评估指标计算节点的重要性系数,获取重要节点。
在本发明实施例中,获取各节点资金流动情况时,利用广度优先搜索算法,从有向图的某个顶点出发,访问图中的所有顶点,且使每个顶点仅被访问一次。具体地,访问任一节点vi;访问所述节点的所有未被访问的邻接点w1,w2,…,wk;依次从所述邻接点w1,w2,…,wk出发访问所述邻接点的所有未被访问的邻接点直到遍历所述有向图中的节点;记录每个节点的总关联节点数、总注入量以及总流出量。遍历根据邻接矩阵A形成的有向图,得到的各节点资金流动情况如表1。以节点a为例,节点a包括b、c、e、f、i、j、k7个流出节点和b、d、e、f、g、h、i、j、k9个流入节点,节点a的总节点数据为两者之和16,节点a的总流入量为所有流入节点的流入量之和,为43,总流出量为所有流出节点的流出量之和,为41。
表1各节点资金流动情况表
总节点数 | 总流入量 | 总流出量 | |
a | 16 | 43 | 41 |
b | 19 | 57 | 45 |
c | 16 | 41 | 38 |
d | 18 | 26 | 24 |
e | 18 | 36 | 40 |
f | 19 | 47 | 55 |
g | 15 | 28 | 43 |
h | 17 | 30 | 47 |
i | 16 | 69 | 31 |
j | 16 | 34 | 52 |
k | 18 | 52 | 47 |
在本发明实施例中,任一节点u所述评估指标包括:吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D。吞吐量即所有流入节点和流出节点资金的总和,例如节点u的流入资金量为100元,流出资金量为200元,则节点u的吞吐量为300元。连接数为该节点u和多少个不同的节点存在联系,不区分流入流出,例如节点u的流入节点有3个,流出节点有7个,则节点u与10个不同节点有资金来往的关系,则连接数为10。流通量为该节点u有多少资金通过,而不发生损耗,即为该节点u所有流入金额和流出金额的较小值,例如节点u流出资金为100元,流入金额为90元,则节点u的流通量为90元。规范节点中心性为规范节点中心性越高,节点在流动网络全局范围内的重要性越大,例如节点u与10个不同的节点有资金来往且一共有20个节点,则规范节点中心性为10/19。
得到各节点的资金流动情况之后,计算节点的评估指标,满足以下关系式:
其中,wui是节点u到节点i的流出量,wju是节点j到节点u的流入量,Aui是节点u的流出节点数,Aju是节点u的流入节点数,n为所述邻接矩阵图中的总节点数。
在本发明实施例中,还可以各个节点的平均流入量和平均流出量,用于区分政企客户,通常是流入金额和流出笔数不成正比。
进一步,根据吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D计算节点的重要性系数I,满足以下关系式:
其中,a1、a2、a3、a4为权值,a1+a2+a3+a4=1。
然后按所述重要性系数从大到小排列,取前第一预设数量的节点作为所述重要节点。优选地,取前10%的节点作为重要节点。
步骤S13:根据所述重要节点的资金转移量获取关键节点。
在步骤S13中,简化所述有向图;根据简化的所述有向图计算任一所述重要节点的评估指标;按评估指标从大到小排列,取前第二预设数量的重要节点作为所述关键节点。
在本发明实施例中,简化有向图时,去除不与所述重要节点连接且连接数为1的节点;根据最大转移金额和平均距离合并任意两个所述重要节点之间的路径;将与任一所述重要节点连接的连接数为1的节点与所述重要节点合并。对原有有向图进行剪枝处理,剪枝的准则是,去掉连接数为1的节点,若该节点和重要节点相连,则不删除,进行多轮剪枝,直至无法再剪,如此有向图仅仅保留重要节点、与重要节点关联的相关节点以及重要节点之间的中间节点。
最大转移金额MTA满足以下关系式:
其中,其中θui是第n条节点u到节点i之路上的最小流通值,θiu是第m条节点i到节点u之路上的最小流通值。
在发明实施例中,首先找出节点u到节点i的所有路径,其次找出每条支路上的最小流通值,若是存在不同方向的路线,则进行合并。例如,节点u到节点i的资金金额为100,节点i到节点u的金额为90,则合并为节点u到节点i的资金转移金额10元,合并的顺序是先合并中间节点的支路,距离相近的节点。
距离的计算为节点u到节点i最少经过多少个节点的数量。例如,节点u到节点i最少需要经过2个中间节点,则节点u和节点i的距离为2。关键节点间的平均距离AVG_D,平均距离的定义为支路的距离乘以支路的MTA/节点间总的MTA的总和,具体满足以下关系式:
例如,节点u→i存在两条支路,支路一,MTA为20,距离为3,支路二,MTA为30,距离为5,则节点u→i的距离为(20*3+30*5)/(20+30)=4.2,因此节点u→i的平均距离为4.2。
通过对最大转移金额和平均距离的计算,目的是找出重要节点间产生了多少的通信量,同时简化资金流动网络,便于对重要节点进行二次筛选。
通过任意两个所述重要节点之间的路径的合并,有向图只留下重要节点和与重要节点关联的孤立节点,其中孤立节点是指与重要节点关联的连接数为1的节点。进一步对重要节点以及与重要节点关联的孤立节点进行合并。具体地,对同一方向的进行合并,比如将10个流入节点u相关的孤立节点合并成1个节点v_in_u,该节点的资金转移量为10个孤立节点的总和,得到简化后的有向图。重要节点之间的资金转移量用MTA进行替代,重新生成有向图重新计算简化后有向图各个节点的评估指标,并根据评估指标从大到小生成排序,其中虚拟节点不进行排序,仅对重要节点排序,取前第二预设数量的重要节点作为关键节点。优选地,取为前20%的重要节点作为关键节点。
本发明实施例利用图算法遍历计算方法解决以往利用基础统计分析所产生的高主观性和高误判率,输出资金流动过程中的关键节点,提高关键节点识别的准确性,弥补了现有基础统计法和单一判断且未对风险定性的不足的问题。
步骤S14:对所述关键节点应用聚类算法进行风险识别。
具体地,对所述关键节点进行聚类分组,获取多个分组样本;计算每个分组样本的变量偏差指数和异常指数;确定异常指数最大的分组样本为异常风险样本;计算所述异常风险样本中任一属性的所述变量偏离指数;将所述变量偏离指数从大到小排列,获取第三预设数量的属性为所述异常风险样本的异常原因。
在本发明实施例中,利用两步(TwoStep)聚类算法对关键节点数据集进行聚类分析,将关键节点数据集划分为多个对等组,得到多个分组样本。对每一个分组样本,计算该分组样本与其所在聚类的距离,从而计算出该分组样本的变量偏差指数VDI与组偏差指数GDI,进而计算出样本异常指数AnomalyIndex,满足以下关系式:
其中,Nh表示聚类h中不包含s的样本数量,表示聚类h中的属性变量k的所有取值的希望频次的对数统计量;/>表示聚类h中包含s之后的属性变量k的所有取值的希望频次的对数统计量,mean表示取平均值。
然后将所有分组样本根据异常指数的大小降序排序。最后,异常指数最大的以分组样本被确定为异常风险样本,作为风险节点。
对每一个异常风险样本,计算它的每一个属性的变量偏离指数VDI,用来衡量该属性做出了多大的贡献使得该样本成为了一个异常风险样本。然后对每个异常风险样本,将所有属性按照VDI的大小降序排序,VDI最大的那几个属性及其取值被认为该异常风险样本异常的重要原因。
本发明实施例利用图算法遍历计算方法先找到资金流动过程中的关键节点,再对关键节点进行风险评估,实现资金流动网络中关键节点风险的高精度识别,同时记录关键链路,为后续的分析打好基础。通过对关键节点进行风险挖掘,对重要节点中的关键节点进行建模分析,避免单次评估判断且未对关键节点风险定性,可以精准智能地输出存在风险的关键节点,提高风险识别的覆盖率;此外,同时记录关键节点的资金转移路径,更加有针对性。
本发明实施例通过根据采集的资金流动数据构建节点的有向图;从所述有向图中筛选出重要节点;根据所述重要节点的资金转移量获取关键节点;对所述关键节点应用聚类算法进行风险识别,通过利用图算法遍历计算方法先找到资金流动过程中的关键节点,再对关键节点进行风险评估,提高关键节点识别的准确性,可以精准智能地输出存在风险的关键节点,提高风险识别的覆盖率。
图4示出了本发明实施例的资金流动中关键节点的风险识别装置的结构示意图。如图4所示,该资金流动中关键节点的风险识别装置包括:有向图构建单元401、重要节点筛选单元402、关键节点获取单元403以及风险识别单元404。其中:
有向图构建单元401用于根据采集的资金流动数据构建节点的有向图;重要节点筛选单元402用于从所述有向图中筛选出重要节点;关键节点获取单元403用于根据所述重要节点的资金转移量获取关键节点;风险识别单元404用于对所述关键节点应用聚类算法进行风险识别。
在一种可选的方式中,有向图构建单元401用于:采集各节点的资金流动数据;根据任意两个节点间的资金往来情况构建节点的邻接矩阵;根据所述邻接矩阵构建节点的所述有向图,剪头表示有资金往来的任意两个节点间的资金流向。
在一种可选的方式中,重要节点筛选单元402用于:根据所述有向图获取各节点资金流动情况;根据所述资金流动情况计算节点的评估指标;根据所述评估指标计算节点的重要性系数,获取重要节点。
在一种可选的方式中,任一节点u所述评估指标包括:吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D,满足以下关系式:
其中,wui是节点u到节点i的流出量,wju是节点j到节点u的流入量,Aui是节点u的流出节点数,Aju是节点u的流入节点数,n为所述邻接矩阵图中的总节点数。
在一种可选的方式中,重要节点筛选单元402用于:根据吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D计算节点的重要性系数I,满足以下关系式:
其中,a1、a2、a3、a4为权值,a1+a2+a3+a4=1;
按所述重要性系数从大到小排列,取前第一预设数量的节点作为所述重要节点。
在一种可选的方式中,关键节点获取单元403用于:简化所述有向图;根据简化的所述有向图计算任一所述重要节点的评估指标;按所述评估指标从大到小排列,取前第二预设数量的所述重要节点作为所述关键节点。
在一种可选的方式中,风险识别单元404用于:对所述关键节点进行聚类分组,获取多个分组样本;计算每个分组样本的变量偏差指数和异常指数;确定异常指数最大的分组样本为异常风险样本;计算所述异常风险样本中任一属性的所述变量偏离指数;将所述变量偏离指数从大到小排列,获取第三预设数量的属性为所述异常风险样本的异常原因。
本发明实施例通过根据采集的资金流动数据构建节点的有向图;从所述有向图中筛选出重要节点;根据所述重要节点的资金转移量获取关键节点;对所述关键节点应用聚类算法进行风险识别,通过利用图算法遍历计算方法先找到资金流动过程中的关键节点,再对关键节点进行风险评估,提高关键节点识别的准确性,可以精准智能地输出存在风险的关键节点,提高风险识别的覆盖率。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的资金流动中关键节点的风险识别方法。
可执行指令具体可以用于使得处理器执行以下操作:
根据采集的资金流动数据构建节点的有向图;
从所述有向图中筛选出重要节点;
根据所述重要节点的资金转移量获取关键节点;
对所述关键节点应用聚类算法进行风险识别。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
采集各节点的资金流动数据;
根据任意两个节点间的资金往来情况构建节点的邻接矩阵;
根据所述邻接矩阵构建节点的所述有向图,剪头表示有资金往来的任意两个节点间的资金流向。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述有向图获取各节点资金流动情况;
根据所述资金流动情况计算节点的评估指标;
根据所述评估指标计算节点的重要性系数,获取重要节点。
在一种可选的方式中,任一节点u所述评估指标包括:吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D,满足以下关系式:
其中,wui是节点u到节点i的流出量,wju是节点j到节点u的流入量,Aui是节点u的流出节点数,Aju是节点u的流入节点数,n为所述邻接矩阵图中的总节点数。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D计算节点的重要性系数I,满足以下关系式:
其中,a1、a2、a3、a4为权值,a1+a2+a3+a4=1;
按所述重要性系数从大到小排列,取前第一预设数量的节点作为所述重要节点。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
简化所述有向图;
根据简化的所述有向图计算任一所述重要节点的评估指标;
按所述评估指标从大到小排列,取前第二预设数量的所述重要节点作为所述关键节点。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
对所述关键节点进行聚类分组,获取多个分组样本;
计算每个分组样本的变量偏差指数和异常指数;
确定异常指数最大的分组样本为异常风险样本;
计算所述异常风险样本中任一属性的所述变量偏离指数;
将所述变量偏离指数从大到小排列,获取第三预设数量的属性为所述异常风险样本的异常原因。
本发明实施例通过根据采集的资金流动数据构建节点的有向图;从所述有向图中筛选出重要节点;根据所述重要节点的资金转移量获取关键节点;对所述关键节点应用聚类算法进行风险识别,通过利用图算法遍历计算方法先找到资金流动过程中的关键节点,再对关键节点进行风险评估,提高关键节点识别的准确性,可以精准智能地输出存在风险的关键节点,提高风险识别的覆盖率。
本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任意方法实施例中的资金流动中关键节点的风险识别方法。
可执行指令具体可以用于使得处理器执行以下操作:
根据采集的资金流动数据构建节点的有向图;
从所述有向图中筛选出重要节点;
根据所述重要节点的资金转移量获取关键节点;
对所述关键节点应用聚类算法进行风险识别。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
采集各节点的资金流动数据;
根据任意两个节点间的资金往来情况构建节点的邻接矩阵;
根据所述邻接矩阵构建节点的所述有向图,剪头表示有资金往来的任意两个节点间的资金流向。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据所述有向图获取各节点资金流动情况;
根据所述资金流动情况计算节点的评估指标;
根据所述评估指标计算节点的重要性系数,获取重要节点。
在一种可选的方式中,任一节点u所述评估指标包括:吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D,满足以下关系式:
其中,wui是节点u到节点i的流出量,wju是节点j到节点u的流入量,Aui是节点u的流出节点数,Aju是节点u的流入节点数,n为所述邻接矩阵图中的总节点数。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D计算节点的重要性系数I,满足以下关系式:
其中,a1、a2、a3、a4为权值,a1+a2+a3+a4=1;
按所述重要性系数从大到小排列,取前第一预设数量的节点作为所述重要节点。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
简化所述有向图;
根据简化的所述有向图计算任一所述重要节点的评估指标;
按所述评估指标从大到小排列,取前第二预设数量的所述重要节点作为所述关键节点。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
对所述关键节点进行聚类分组,获取多个分组样本;
计算每个分组样本的变量偏差指数和异常指数;
确定异常指数最大的分组样本为异常风险样本;
计算所述异常风险样本中任一属性的所述变量偏离指数;
将所述变量偏离指数从大到小排列,获取第三预设数量的属性为所述异常风险样本的异常原因。
本发明实施例通过根据采集的资金流动数据构建节点的有向图;从所述有向图中筛选出重要节点;根据所述重要节点的资金转移量获取关键节点;对所述关键节点应用聚类算法进行风险识别,通过利用图算法遍历计算方法先找到资金流动过程中的关键节点,再对关键节点进行风险评估,提高关键节点识别的准确性,可以精准智能地输出存在风险的关键节点,提高风险识别的覆盖率。
图5示出了本发明设备实施例的结构示意图,本发明具体实施例并不对设备的具体实现做限定。
如图5所示,该设备可以包括:处理器(processor)502、通信接口(CommunicationsInterface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。处理器502,用于执行程序510,具体可以执行上述资金流动中关键节点的风险识别方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作:
根据采集的资金流动数据构建节点的有向图;
从所述有向图中筛选出重要节点;
根据所述重要节点的资金转移量获取关键节点;
对所述关键节点应用聚类算法进行风险识别。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
采集各节点的资金流动数据;
根据任意两个节点间的资金往来情况构建节点的邻接矩阵;
根据所述邻接矩阵构建节点的所述有向图,剪头表示有资金往来的任意两个节点间的资金流向。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
根据所述有向图获取各节点资金流动情况;
根据所述资金流动情况计算节点的评估指标;
根据所述评估指标计算节点的重要性系数,获取重要节点。
在一种可选的方式中,任一节点u所述评估指标包括:吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D,满足以下关系式:
其中,wui是节点u到节点i的流出量,wju是节点j到节点u的流入量,Aui是节点u的流出节点数,Aju是节点u的流入节点数,n为所述邻接矩阵图中的总节点数。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
根据吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D计算节点的重要性系数I,满足以下关系式:
其中,a1、a2、a3、a4为权值,a1+a2+a3+a4=1;
按所述重要性系数从大到小排列,取前第一预设数量的节点作为所述重要节点。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
简化所述有向图;
根据简化的所述有向图计算任一所述重要节点的评估指标;
按所述评估指标从大到小排列,取前第二预设数量的所述重要节点作为所述关键节点。
在一种可选的方式中,所述程序510使所述处理器执行以下操作:
对所述关键节点进行聚类分组,获取多个分组样本;
计算每个分组样本的变量偏差指数和异常指数;
确定异常指数最大的分组样本为异常风险样本;
计算所述异常风险样本中任一属性的所述变量偏离指数;
将所述变量偏离指数从大到小排列,获取第三预设数量的属性为所述异常风险样本的异常原因。
本发明实施例通过根据采集的资金流动数据构建节点的有向图;从所述有向图中筛选出重要节点;根据所述重要节点的资金转移量获取关键节点;对所述关键节点应用聚类算法进行风险识别,通过利用图算法遍历计算方法先找到资金流动过程中的关键节点,再对关键节点进行风险评估,提高关键节点识别的准确性,可以精准智能地输出存在风险的关键节点,提高风险识别的覆盖率。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (5)
1.一种资金流动中关键节点的风险识别方法,其特征在于,所述方法包括:
根据采集的资金流动数据构建节点的有向图;包括,采集各节点的资金流动数据;根据任意两个节点间的资金往来情况构建节点的邻接矩阵;根据所述邻接矩阵构建节点的所述有向图,箭头表示有资金往来的任意两个节点间的资金流向;
从所述有向图中筛选出重要节点;包括,根据所述有向图获取各节点资金流动情况;根据所述资金流动情况计算节点的评估指标;根据所述评估指标计算节点的重要性系数,获取所述重要节点;其中,任一节点u的所述评估指标包括:吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D;吞吐量tpv即所有流入节点和流出节点资金的总和;连接数ln为该节点u和多少个不同的节点存在联系,不区分流入流出;流通量fv为该节点u有多少资金通过,而不发生损耗,即为该节点u所有流入金额和流出金额的较小值;规范节点中心性C'D为规范节点中心性越高,节点在流动网络全局范围内的重要性越大;所述吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D,满足以下关系式:
其中,n为所述邻接矩阵构建的所述有向图中的总节点数;wui是节点u到节点i的资金流出量,wju是节点j到节点u的资金流入量,Aui是节点u的资金流出节点数,Aju是节点u的资金流入节点数;
根据所述评估指标计算节点的重要性系数,获取重要节点;其中,根据吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D计算节点的重要性系数I,满足以下关系式:
其中,a1、a2、a3、a4为权值,a1+a2+a3+a4=1;
然后按所述重要性系数从大到小排列,取前第一预设数量的节点作为所述重要节点;
根据所述重要节点的资金转移量获取关键节点;
对所述关键节点应用聚类算法进行风险识别。
2.根据权利要求1所述的方法,其特征在于,所述根据所述重要节点的资金转移量获取关键节点,包括:
简化所述有向图;
根据简化的所述有向图计算任一所述重要节点的评估指标;
按所述评估指标从大到小排列,取前第二预设数量的所述重要节点作为所述关键节点。
3.根据权利要求1所述的方法,其特征在于,所述对所述关键节点应用聚类算法进行风险识别,包括:
对所述关键节点进行聚类分组,获取多个分组样本;
计算每个分组样本的变量偏差指数和异常指数;
确定异常指数最大的分组样本为异常风险样本;
计算所述异常风险样本中任一属性的所述变量偏差指数;
将所述变量偏差指数从大到小排列,获取第三预设数量的属性为所述异常风险样本的异常原因。
4.一种资金流动中关键节点的风险识别装置,其特征在于,所述装置包括:
有向图构建单元,用于根据采集的资金流动数据构建节点的有向图;包括,采集各节点的资金流动数据;根据任意两个节点间的资金往来情况构建节点的邻接矩阵;根据所述邻接矩阵构建节点的所述有向图,箭头表示有资金往来的任意两个节点间的资金流向;
重要节点筛选单元,用于从所述有向图中筛选出重要节点;包括,根据所述有向图获取各节点资金流动情况;根据所述资金流动情况计算节点的评估指标;根据所述评估指标计算节点的重要性系数,获取所述重要节点;其中,任一节点u的所述评估指标包括:吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D;吞吐量tpv即所有流入节点和流出节点资金的总和;连接数ln为该节点u和多少个不同的节点存在联系,不区分流入流出;流通量fv为该节点u有多少资金通过,而不发生损耗,即为该节点u所有流入金额和流出金额的较小值;规范节点中心性C'D为规范节点中心性越高,节点在流动网络全局范围内的重要性越大;所述吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D,满足以下关系式:
其中,n为所述邻接矩阵构建的所述有向图中的总节点数;wui是节点u到节点i的资金流出量,wju是节点j到节点u的资金流入量,Aui是节点u的资金流出节点数,Aju是节点u的资金流入节点数;
根据所述评估指标计算节点的重要性系数,获取重要节点;其中,根据吞吐量tpv、连接数ln、流通量fv以及规范节点中心性C'D计算节点的重要性系数I,满足以下关系式:
其中,a1、a2、a3、a4为权值,a1+a2+a3+a4=1;
然后按所述重要性系数从大到小排列,取前第一预设数量的节点作为所述重要节点;
关键节点获取单元,用于根据所述重要节点的资金转移量获取关键节点;
风险识别单元,用于对所述关键节点应用聚类算法进行风险识别。
5.一种计算设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行根据权利要求1-3任一项所述资金流动中关键节点的风险识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642041.3A CN112241820B (zh) | 2019-07-16 | 2019-07-16 | 资金流动中关键节点的风险识别方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642041.3A CN112241820B (zh) | 2019-07-16 | 2019-07-16 | 资金流动中关键节点的风险识别方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112241820A CN112241820A (zh) | 2021-01-19 |
CN112241820B true CN112241820B (zh) | 2023-11-14 |
Family
ID=74167264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910642041.3A Active CN112241820B (zh) | 2019-07-16 | 2019-07-16 | 资金流动中关键节点的风险识别方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241820B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116763268B (zh) * | 2023-05-10 | 2024-01-26 | 广州培生信息技术有限公司 | 一种人体多指标检测方法及装置 |
CN117478439B (zh) * | 2023-12-28 | 2024-04-19 | 天津市品茗科技有限公司 | 一种网络与信息安全加密系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740381A (zh) * | 2016-01-27 | 2016-07-06 | 北京工业大学 | 一种基于复杂网络特性及神经网络聚类挖掘用户兴趣的方法 |
EP3327727A2 (en) * | 2016-11-23 | 2018-05-30 | Optum, Inc. | Data processing systems and methods implementing improved analytics platform and networked information systems |
CN108156114A (zh) * | 2016-12-02 | 2018-06-12 | 全球能源互联网研究院有限公司 | 电力信息物理系统网络攻击图的关键节点确定方法及装置 |
CN108280755A (zh) * | 2018-02-28 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 可疑洗钱团伙的识别方法和识别装置 |
CN108764943A (zh) * | 2018-05-30 | 2018-11-06 | 公安部第三研究所 | 基于资金交易网络的可疑用户监测分析方法 |
CN108985724A (zh) * | 2018-07-25 | 2018-12-11 | 南京烽火星空通信发展有限公司 | 一种资金流水可视化方法 |
CN109146669A (zh) * | 2018-08-24 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 异常资金调度计划的检测方法、装置及服务器 |
CN109921939A (zh) * | 2019-03-18 | 2019-06-21 | 中电科大数据研究院有限公司 | 一种通信网络中关键节点的选取方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9923778B2 (en) * | 2015-03-23 | 2018-03-20 | Utopus Insights, Inc. | Network management based on assessment of topological robustness and criticality of assets |
-
2019
- 2019-07-16 CN CN201910642041.3A patent/CN112241820B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740381A (zh) * | 2016-01-27 | 2016-07-06 | 北京工业大学 | 一种基于复杂网络特性及神经网络聚类挖掘用户兴趣的方法 |
EP3327727A2 (en) * | 2016-11-23 | 2018-05-30 | Optum, Inc. | Data processing systems and methods implementing improved analytics platform and networked information systems |
CN108156114A (zh) * | 2016-12-02 | 2018-06-12 | 全球能源互联网研究院有限公司 | 电力信息物理系统网络攻击图的关键节点确定方法及装置 |
CN108280755A (zh) * | 2018-02-28 | 2018-07-13 | 阿里巴巴集团控股有限公司 | 可疑洗钱团伙的识别方法和识别装置 |
CN108764943A (zh) * | 2018-05-30 | 2018-11-06 | 公安部第三研究所 | 基于资金交易网络的可疑用户监测分析方法 |
CN108985724A (zh) * | 2018-07-25 | 2018-12-11 | 南京烽火星空通信发展有限公司 | 一种资金流水可视化方法 |
CN109146669A (zh) * | 2018-08-24 | 2019-01-04 | 阿里巴巴集团控股有限公司 | 异常资金调度计划的检测方法、装置及服务器 |
CN109921939A (zh) * | 2019-03-18 | 2019-06-21 | 中电科大数据研究院有限公司 | 一种通信网络中关键节点的选取方法及系统 |
Non-Patent Citations (2)
Title |
---|
"基于多层网络的银行间市场信用拆借智能风险传染机制";张希 等;《计算机应用》(第05期);第267-271页 * |
中国股票市场信息流关联网络――基于转移熵的实证研究;邬松涛 等;《北京理工大学学报(社会科学版)》(第06期);第81-89页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112241820A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017143919A1 (zh) | 一种建立数据识别模型的方法及装置 | |
WO2021254027A1 (zh) | 一种可疑社团的识别方法、装置、存储介质和计算机设备 | |
CN112668859A (zh) | 基于大数据的客户风险评级方法、装置、设备及存储介质 | |
CN110046889B (zh) | 一种异常行为主体的检测方法、装置及服务器 | |
CN112241820B (zh) | 资金流动中关键节点的风险识别方法、装置及计算设备 | |
CN111915156B (zh) | 基于用户价值的业务推送方法、电子设备及存储介质 | |
CN110781971A (zh) | 一种商户类型识别方法、装置、设备和可读介质 | |
CN104598632A (zh) | 热点事件检测方法和装置 | |
CN111639690A (zh) | 基于关系图谱学习的欺诈分析方法、系统、介质及设备 | |
CN110134759A (zh) | 一种获取企业的行业信息的方法 | |
CN110197426B (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
CN107239964A (zh) | 用户价值评分方法和系统 | |
CN112101692B (zh) | 移动互联网质差用户的识别方法及装置 | |
CN112613971A (zh) | 一种用户信用风险评估方法、装置、计算机设备及存储介质 | |
CN110378739B (zh) | 一种数据流量匹配方法及装置 | |
CN111652661A (zh) | 一种手机客户端用户流失预警处理方法 | |
KR101927578B1 (ko) | 기업정보 제공 시스템 및 방법 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN113240259B (zh) | 规则策略组的生成方法、系统及电子设备 | |
CN113204716A (zh) | 可疑洗钱用户交易关系确定方法及装置 | |
CN105787004A (zh) | 一种文本分类方法及装置 | |
CN114331665A (zh) | 用于预定申请人的信用判定模型的训练方法、装置和电子设备 | |
CN105786929A (zh) | 一种信息监测方法及装置 | |
CN113256124A (zh) | 低效网点的筛选方法、装置、设备及存储介质 | |
CN114881761A (zh) | 相似样本的确定方法与授信额度的确定方法 |
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 |