CN112463893A - 一种网络资金的智能分析系统及方法 - Google Patents
一种网络资金的智能分析系统及方法 Download PDFInfo
- Publication number
- CN112463893A CN112463893A CN202011272561.9A CN202011272561A CN112463893A CN 112463893 A CN112463893 A CN 112463893A CN 202011272561 A CN202011272561 A CN 202011272561A CN 112463893 A CN112463893 A CN 112463893A
- Authority
- CN
- China
- Prior art keywords
- account
- data
- transaction
- sample
- case
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims description 18
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004900 laundering Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/285—Clustering or classification
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明属于网络资金分析技术领域，提供了一种网络资金的智能分析系统及方法，方法包括：S101：犯罪特征采集并形成实体关系模型的拓扑图G(V，E)，以点边关系矩阵的方式进行存储；S102：通过深度神经网络进行样本训练，建立聚类模型；S103：根据聚类后的实体关系模型确定资金的流向；系统包括：数据采集模块、数据存储模块、数据分析模块和数据输出模块。本发明的一种网络资金的智能分析系统及方法，提高了经济案件分析结果的准确性、全面性和及时性，使办案周期缩短、办案成本下降、节约警力资源。
Description
技术领域
本发明涉及网络资金分析技术领域，具体涉及一种网络资金的智能分析系统及方法。
背景技术
随着经济全球化和金融服务国际化的发展，非法金融组织犯罪呈规模大、涉案广、智能化、隐蔽性、预谋性强等特征。欧美国家在打击非法金融犯罪中，在经济、法律、体制、技术层面都有研究，尤其以计算机实现高效识别、判断和追查洗钱线索。对于非法金融组织的查控与打击，不仅需要通过规范和协调国内外有关反洗钱的法律、加强国际合作，更为重要的是借助如大数据、人工智能等科技手段加强金融情报分析系统与数据分析，搞清“谁在交易”“钱从哪来”“钱到哪去”等核心问题。通过多手段组合的策略，上拓非法金融组织的层级，挖掘上游犯罪涉案，通过大数据关联最终实现了对非法金融组织关联犯罪的穿透式打击。
现阶段，经济犯罪案件数据仅利用关系型数据库进行数据存储和数据处理，但是，面对经济案件的大数据时代，数据之间的复杂度大幅的增加，数据之间高度关联以及数据极强的动态性给非法金融组织的打击带来了难度，尤其在个案的银行流水到达亿级的数据量时，现有的关系型数据库及数据存储计算方式不能满足复杂的计算模型。
发明内容
针对现有技术中的缺陷，本发明提供的一种网络资金的智能分析系统及方法，提高了经济案件分析结果的准确性、全面性和及时性，使办案周期缩短、办案成本下降、节约警力资源。
为了解决上述技术问题，本发明提供以下技术方案：
一种网络资金的智能分析方法，包括以下步骤：
S101：犯罪特征采集并形成实体关系模型的拓扑图G(V，E)，以点边关系矩阵的方式进行存储；
S102：通过深度神经网络进行样本训练，建立聚类模型；
S103：根据聚类后的实体关系模型确定资金的流向。
进一步地，所述步骤S101中的实体关系模型中包括节点V和E边两个元素，节点V表示个人、企业或账户，边E表示交易明细数据。
进一步地，所述步骤S102中通过深度神经网络进行样本训练，建立聚类模型的过程包括：
S10201：采集交易次数超过20的账户作为样本数据，账户分为核心账户、经营性账户和过渡账户，以及分别与核心账户、经营性账户和过渡账户相关联的特征；
S10202：采用sigmoid函数对绝对量的特征指标进行变换；
S10203：对样本特征进行描述性统计，删除样本特征取值单一的特征；
S10204：计算各样本特征之间的皮尔逊相关系数，删除皮尔逊相关系数大于0.8的样本特征；
S10205：根据肘点法确定簇数，建立聚类模型；
S10206：统计聚类模型中每一类的样本量，删除样本量小于5的类，计算新增样本特征与保留类中的样本特征的互信息，删除保留类中样本特征的互信息均低于0.1的样本特征。
进一步地，所述步骤S103中确定资金的流向的过程包括：
S10301：数据抽取：首先，抽取聚类模型中的核心账户和过渡账户，根据交易明细数据获取与核心账户和过渡账户相关的出入账户，根据出入账户信息获取历史案件相关的信息数据；
S10302：将出入账户信息的身份证号码与出入账户信息与历史案件相关的信息数据进行对比，得到包含相同身份证号码的历史案件数据；
S10303：将具有相同身份证号码账户的关联特征与历史案件的关联特征进行比对，获取可疑案件线索类别的账户集。
本发明还提供一种网络资金的智能分析系统，包括数据采集模块、数据存储模块、数据分析模块和数据输出模块，
所述数据采集模块用于采集犯罪特征，犯罪特征包括个人、企业或账户，以及与个人、企业或账户相关的交易数据，并将个人、企业或账户作为节点，与个人、企业或账户相关的交易明细数据作为交易数据作为边，形成实体关系数据模型；
所述数据存储模块用于以点边关系矩阵的方式存储犯罪特征，并通过深度神经网络进行样本训练，建立聚类模型；
所述数据分析模块用于根据聚类模型中的核心账户和过渡账户，根据交易明细数据获取与核心账户和过渡账户相关的出入账户，根据出入账户与历史案件的信息数据进行对比，获取可疑案件线索类别的账户集；
所述数据输出模块用于以关系图的形式显示数据分析的结果。
进一步地，所述交易明细数据包括账户类型、注册信息、资金交易金额、交易时间、交易方式、交易频率和交易对象。
进一步地，所述历史案件的信息数据包括案件的类型、涉案人员、涉案企业、涉案账户、高危地区和黑名单库。
由上述技术方案可知，本发明的有益效果：首先，通过实体关系模型建立犯罪特征之间的关联性，便于从海量数据中抽取有用的信息，然后，通过深度神经网络进行聚类分析，从满足需求的类中确定资金的流向，提高了经济案件分析结果的准确性、全面性和及时性，使办案周期缩短、办案成本下降、节约警力资源。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明的流程图；
图2为本发明步骤S102中通过深度神经网络进行样本训练并建立聚类模型的流程图；
图3为本发明步骤S103中确定资金的流向的流程图；
图4为本发明中实体关系的模型图；
图5本发明的系统模块图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
参阅图1所示，本实施例提供的一种网络资金的智能分析方法，包括以下步骤：
S101：犯罪特征采集并形成实体关系模型的拓扑图G(V，E)，以点边关系矩阵的方式进行存储；
S102：通过深度神经网络进行样本训练，建立聚类模型；
S103：根据聚类后的实体关系模型确定资金的流向。
在实际使用中，首先，通过实体关系模型建立犯罪特征之间的关联性，便于从海量数据中抽取有用的信息，然后，通过深度神经网络进行聚类分析，从满足需求的类中确定资金的流向，提高了经济案件分析结果的准确性、全面性和及时性，具有办案周期缩短和节约警力资源的特点。
在本实施例中，所述步骤S101中的实体关系模型中包括节点V和E边两个元素，节点V表示个人、企业或账户，边E表示交易明细数据，交易明细数据包括账户类型、注册信息、资金交易金额、交易时间、交易方式、交易频率和交易对象。
参阅图2所述，所述步骤S102中通过深度神经网络进行样本训练，建立聚类模型的过程包括：
S10201：采集交易次数超过20的账户作为样本数据，账户分为核心账户、经营性账户和过渡账户，以及分别与核心账户、经营性账户和过渡账户相关联的特征，与核心账户相关联的特性包括进账对手分散度、出账对手分散度、资金沉淀频次、IP地址数、使用周期以及交易发生地分散度，与经营性账户相关的特征包括日频度、日金额、来源账户性质、去向账户性质、进账次数占比、进账金额占比、折汇进账、整进比例、散出比例、交易金额波动、出入账户开户地分散度、即进即出频次和即进即出金额，与过渡账户相关联的特征包括无余额频率、大额来源频率、交易方式、测试交易频次、手续费、户主年龄、是否代理人开户、开户三个月交易次数、单日最高交易金额、单日进出账比例和单日最高交易次数，核心账户、经营性账户和过渡账户存在的公共特性包括高危地区、进账总金额、出账总金额、进账总次数、出账总次数、对手账号数、是否同手机号码、证件类型、跨境账户、交易对手地域、开通网银和金融出账；
S10202：采用sigmoid函数对绝对量的特征指标进行变换，将不同量级的数据统一转化为同一个量级，以保证数据之间的可比性；
S10203：对样本特征进行描述性统计，如果一个样本特征75％以上取值为1、0或-1，则判定样本特征取值单一，删除样本特征取值单一的特征，保证样本特征之间的有效性；减少样本特征的冗余性；
S10204：计算各样本特征之间的皮尔逊相关系数，删除皮尔逊相关系数大于0.8的样本特征，保证样本特征之间的有效性；减少样本特征的冗余性；
S10205：根据肘点法确定簇数，建立聚类模型；
S10206：统计聚类模型中每一类的样本量，删除样本量小于5的类，避免样本数据冗余，计算新增样本特征与保留类中的样本特征的互信息，删除保留类中样本特征的互信息均低于0.1的样本特征，保证样本特征之间的相关性，减少样本特征的冗余性，有利于提高样本特征数据的计算效率。
参阅图3所示，所述步骤S103中确定资金的流向的过程包括：
S10301：数据抽取：首先，抽取聚类模型中的核心账户和过渡账户，根据交易明细数据获取与核心账户和过渡账户相关的出入账户，根据出入账户信息获取历史案件相关的信息数据，交易明细数据包括账户类型、注册信息、资金交易金额、交易时间、交易方式、交易频率和交易对象；
S10302：将出入账户信息的身份证号码与出入账户信息与历史案件相关的信息数据进行对比，得到包含相同身份证号码的历史案件数据；
S10303：将具有相同身份证号码账户的关联特征与历史案件的关联特征进行比对，确定资金的流向并获取可疑案件线索类别的账户集。
在实际使用中，通过核心账户和过渡账户以及与核心账户和过渡账户相关的出入账户对比历史案件的关联特征，同时获得资金的流向和可疑案件线索类别的账户集，扩大了出入账户的对比和查找范围，增大了账户集的全面性和准确性。
如图4所示，存在核心账户1以及与核心账户1的过渡账户2和过渡账户3，过渡账户2和过渡账户3的出账账户为4，根据出账账户4的身份信息获取与出账账户4相匹配的所有历史数据，所有的历史数据包括案件A和案件B，案件A中的核心账户2与出账账户4身份信息匹配，案件B中的过渡账户5与出账账户4身份信息匹配，因此，得到资金的流向1→3→5→6→7、2→4→8→10以及9→10，并获取可疑案件线索类别的账户集{核心账户1、核心账户2、核心账户3、过渡账户2、过渡账户3、过渡账户4、过渡账户5、出账账户2、出账账户3、出账账户4}。
参阅图5所示，一种网络资金的智能分析系统，包括数据采集模块、数据存储模块、数据分析模块和数据输出模块，
所述数据采集模块用于采集犯罪特征，犯罪特征包括个人、企业或账户，以及与个人、企业或账户相关的交易数据，并将个人、企业或账户作为节点，与个人、企业或账户相关的交易明细数据作为交易数据作为边，形成实体关系数据模型；
所述数据存储模块用于以点边关系矩阵的方式存储犯罪特征，并通过深度神经网络进行样本训练，建立聚类模型；
所述数据分析模块用于根据聚类模型中的核心账户和过渡账户，根据交易明细数据获取与核心账户和过渡账户相关的出入账户，根据出入账户与历史案件的信息数据进行对比，获取可疑案件线索类别的账户集；
所述数据输出模块用于以关系图的形式显示数据分析的结果。
在实际使用中，通过数据采集模块以线上和线下两种方式采集犯罪特征，线上数据采集通过将数据采集模块与公安系统和税务系统等远程连接实现，线下数据采集通过手动录入进行采集，将采集的特征数据形成实现关系模型，然后，通过数据分析模块进行聚类分析，从满足需求的类中确定资金的流向以及可疑案件线索类别的账户集，提高了经济案件分析结果的准确性、全面性和及时性，具有办案周期缩短和节约警力资源的特点。
在本实施例中，所述交易明细数据包括账户类型、注册信息、资金交易金额、交易时间、交易方式、交易频率和交易对象。
在本实施例中，所述历史案件的信息数据包括案件的类型、涉案人员、涉案企业、涉案账户、高危地区和黑名单库。
在实际使用中，将核心账户和过渡账户以及与核心账户和过渡账户相关的出入账户对比历史案件中涉案账户进行对比，如果对比成功，即可得到该出入账户相关的涉案人员，根据涉案人员的身份信息获取与历史案件相关的所有的历史案件数据，在所有的历史案件数据中获取相同身份信息账户的数据流向以及与该账户信息相关的账户集，具有广泛性和全面性。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (7)
1.一种网络资金的智能分析方法，其特征在于，包括以下步骤：
S101：犯罪特征采集并形成实体关系模型的拓扑图G(V，E)，以点边关系矩阵的方式进行存储；
S102：通过深度神经网络进行样本训练，建立聚类模型；
S103：根据聚类后的实体关系模型确定资金的流向。
2.根据权利要求1所述的一种网络资金的智能分析方法，其特征在于，所述步骤S101中的实体关系模型中包括节点V和E边两个元素，节点V表示个人、企业或账户，边E表示交易明细数据。
3.根据权利要求1所述的一种网络资金的智能分析方法，其特征在于，所述步骤S102中通过深度神经网络进行样本训练，建立聚类模型的过程包括：
S10201：采集交易次数超过20的账户作为样本数据，账户分为核心账户、经营性账户和过渡账户，以及分别与核心账户、经营性账户和过渡账户相关联的特征；
S10202：采用sigmoid函数对绝对量的特征指标进行变换；
S10203：对样本特征进行描述性统计，删除样本特征取值单一的特征；
S10204：计算各样本特征之间的皮尔逊相关系数，删除皮尔逊相关系数大于0.8的样本特征；
S10205：根据肘点法确定簇数，建立聚类模型；
S10206：统计聚类模型中每一类的样本量，删除样本量小于5的类，计算新增样本特征与保留类中的样本特征的互信息，删除保留类中样本特征的互信息均低于0.1的样本特征。
4.根据权利要求2所述的一种网络资金的智能分析方法，其特征在于，所述步骤S103中确定资金的流向的过程包括：
S10301：数据抽取：首先，抽取聚类模型中的核心账户和过渡账户，根据交易明细数据获取与核心账户和过渡账户相关的出入账户，根据出入账户信息获取历史案件相关的信息数据；
S10302：将出入账户信息的身份证号码与出入账户信息与历史案件相关的信息数据进行对比，得到包含相同身份证号码的历史案件数据；
S10303：将具有相同身份证号码账户的关联特征与历史案件的关联特征进行比对，获取可疑案件线索类别的账户集。
5.一种网络资金的智能分析系统，其特征在于，包括数据采集模块、数据存储模块、数据分析模块和数据输出模块，
所述数据采集模块用于采集犯罪特征，犯罪特征包括个人、企业或账户，以及与个人、企业或账户相关的交易数据，并将个人、企业或账户作为节点，与个人、企业或账户相关的交易明细数据作为交易数据作为边，形成实体关系数据模型；
所述数据存储模块用于以点边关系矩阵的方式存储犯罪特征，并通过深度神经网络进行样本训练，建立聚类模型；
所述数据分析模块用于根据聚类模型中的核心账户和过渡账户，根据交易明细数据获取与核心账户和过渡账户相关的出入账户，根据出入账户与历史案件的信息数据进行对比，获取可疑案件线索类别的账户集；
所述数据输出模块用于以关系图的形式显示数据分析的结果。
6.根据权利要求5所述的一种网络资金的智能分析系统，其特征在于，所述交易明细数据包括账户类型、注册信息、资金交易金额、交易时间、交易方式、交易频率和交易对象。
7.根据权利要求5所述的一种网络资金的智能分析系统，其特征在于，所述历史案件的信息数据包括案件的类型、涉案人员、涉案企业、涉案账户、高危地区和黑名单库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011272561.9A CN112463893A (zh) | 2020-11-13 | 2020-11-13 | 一种网络资金的智能分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011272561.9A CN112463893A (zh) | 2020-11-13 | 2020-11-13 | 一种网络资金的智能分析系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112463893A true CN112463893A (zh) | 2021-03-09 |
Family
ID=74836109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011272561.9A Pending CN112463893A (zh) | 2020-11-13 | 2020-11-13 | 一种网络资金的智能分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112463893A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104867055A (zh) * | 2015-06-16 | 2015-08-26 | 咸宁市公安局 | 一种金融网络可疑资金追踪与识别方法 |
| CN106326913A (zh) * | 2016-08-09 | 2017-01-11 | 中国银联股份有限公司 | 一种洗钱账户的确定方法及装置 |
| 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 |
| CN110033279A (zh) * | 2019-04-04 | 2019-07-19 | 银清科技(北京)有限公司 | 基于知识图谱技术的可疑账户交易确认方法及装置 |
| CN110209826A (zh) * | 2018-02-06 | 2019-09-06 | 武汉观图信息科技有限公司 | 一种面向银行风险控制的金融图谱构建与分析方法 |
| CN111047426A (zh) * | 2019-11-26 | 2020-04-21 | 智器云南京信息科技有限公司 | 一种基于资金交易的可疑账户分析方法、系统及存储介质 |
| CN111046192A (zh) * | 2019-12-25 | 2020-04-21 | 中国建设银行股份有限公司 | 银行涉案账户的识别方法及装置 |
| CN111126828A (zh) * | 2019-12-19 | 2020-05-08 | 浙江邦盛科技有限公司 | 一种基于知识图谱的多层资金异常流向监控方法 |
| CN111241241A (zh) * | 2020-01-08 | 2020-06-05 | 平安科技（深圳）有限公司 | 基于知识图谱的案件检索方法、装置、设备及存储介质 |
| CN111461216A (zh) * | 2020-03-31 | 2020-07-28 | 浙江邦盛科技有限公司 | 一种基于机器学习的案件风险识别方法 |
| CN111767319A (zh) * | 2020-06-22 | 2020-10-13 | 中国工商银行股份有限公司 | 基于资金流向的客户挖掘方法及装置 |
-
2020
- 2020-11-13 CN CN202011272561.9A patent/CN112463893A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104867055A (zh) * | 2015-06-16 | 2015-08-26 | 咸宁市公安局 | 一种金融网络可疑资金追踪与识别方法 |
| CN106326913A (zh) * | 2016-08-09 | 2017-01-11 | 中国银联股份有限公司 | 一种洗钱账户的确定方法及装置 |
| CN110209826A (zh) * | 2018-02-06 | 2019-09-06 | 武汉观图信息科技有限公司 | 一种面向银行风险控制的金融图谱构建与分析方法 |
| 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 |
| CN110033279A (zh) * | 2019-04-04 | 2019-07-19 | 银清科技(北京)有限公司 | 基于知识图谱技术的可疑账户交易确认方法及装置 |
| CN111047426A (zh) * | 2019-11-26 | 2020-04-21 | 智器云南京信息科技有限公司 | 一种基于资金交易的可疑账户分析方法、系统及存储介质 |
| CN111126828A (zh) * | 2019-12-19 | 2020-05-08 | 浙江邦盛科技有限公司 | 一种基于知识图谱的多层资金异常流向监控方法 |
| CN111046192A (zh) * | 2019-12-25 | 2020-04-21 | 中国建设银行股份有限公司 | 银行涉案账户的识别方法及装置 |
| CN111241241A (zh) * | 2020-01-08 | 2020-06-05 | 平安科技（深圳）有限公司 | 基于知识图谱的案件检索方法、装置、设备及存储介质 |
| CN111461216A (zh) * | 2020-03-31 | 2020-07-28 | 浙江邦盛科技有限公司 | 一种基于机器学习的案件风险识别方法 |
| CN111767319A (zh) * | 2020-06-22 | 2020-10-13 | 中国工商银行股份有限公司 | 基于资金流向的客户挖掘方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 杨阳: "基于知识图谱的涉众型经济犯罪知识建模与情报分析", 中国人民公安大学学报（自然科学版）, no. 2, 29 February 2020 (2020-02-29), pages 87 - 95 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652710B (zh) | 一种基于集成树特征提取和Logistic回归的个人信用风险评估方法 | |
| Goldberg et al. | Restructuring transactional data for link analysis in the FinCEN AI system | |
| CN112200583B (zh) | 一种基于知识图谱的欺诈客户识别方法 | |
| CN111932130A (zh) | 业务类型识别方法及装置 | |
| CN114757677A (zh) | 一种交易欺诈风险的智能评估方法及系统 | |
| CN112668614A (zh) | 一种反洗钱研判方法 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| CN101599165A (zh) | 一种动态金融网络监测分析方法 | |
| Cheng et al. | Analysis of the application of big data in banking sector | |
| CN110648217A (zh) | 基于大数据和人工智能的风控系统 | |
| CN112150153A (zh) | 电信诈骗用户识别方法和装置 | |
| CN115879548B (zh) | 一种用于客户身份识别的知识图谱构建方法和系统 | |
| Al-Qerem et al. | Default prediction model: the significant role of data engineering in the quality of outcomes. | |
| CN110458684A (zh) | 一种基于双向长短期记忆神经网络的金融反欺诈检测方法 | |
| CN114708090A (zh) | 基于大数据的银行支付业务风险识别装置 | |
| Moudani et al. | Fraud detection in mobile telecommunication | |
| CN112463893A (zh) | 一种网络资金的智能分析系统及方法 | |
| CN114493864A (zh) | 一种基于资金大数据异常检测系统及方法 | |
| CN115034896A (zh) | 一种反洗钱模型的训练方法及装置 | |
| Liu et al. | An agent based anti-money laundering system architecture for financial supervision | |
| CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
| Yu et al. | Anti-Money Laundering Risk Identification of Financial Institutions based on Aspect-Level Graph Neural Networks | |
| Mohari et al. | A comparative study on classification algorithms for credit card fraud detection | |
| CN112907254A (zh) | 欺诈交易识别、模型训练方法、装置、设备及存储介质 | |
| Cheng | A research on the development of artificial intelligence and consumer finance in China |
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 |