CN112818235B - 基于关联特征的违规用户识别方法、装置和计算机设备 - Google Patents
基于关联特征的违规用户识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN112818235B CN112818235B CN202110149328.XA CN202110149328A CN112818235B CN 112818235 B CN112818235 B CN 112818235B CN 202110149328 A CN202110149328 A CN 202110149328A CN 112818235 B CN112818235 B CN 112818235B
- Authority
- CN
- China
- Prior art keywords
- preset
- association
- attribute information
- user
- heterogeneous
- 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 42
- 238000010586 diagram Methods 0.000 claims abstract description 59
- 238000011835 investigation Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 17
- 230000002265 prevention Effects 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于关联特征的违规用户识别方法、装置和计算机设备。所述方法包括：获取第一终端发送的推荐信息，将推荐信息发送至第二终端，推荐信息对应待分享内容页面。获取第二终端上传的与待分享内容页面对应的属性信息，并将属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库。基于预设关联特征和预设关联图数据库，构建与属性信息对应的异构子图，并根据异构子图识别违规用户。采用本方法能够提高排查违规案件的效率和准确率，丰富防控手段，提升对违规用户、违规行为的防控效果，减少企业损失。
Description
技术领域
本申请涉及互联网技术领域，特别是涉及一种基于关联特征的违规用户识别方法、装置和计算机设备。
背景技术
随着互联网技术的发展，以及互联网金融业务的逐步推广应用，越来越多的人选择通过互联网办理各类业务，因而不同企业间竞争愈发激烈，进而获客成本也不断攀升。传统上多采用老用户推荐新用户注册使用产品的获客方式，由于有老客户的推荐担保，从而使得老带新的方式得到的新用户相对优质。因此企业大多采用投入大量的成本在老带新的推荐拉新活动上，以吸引更多优质客户，通常老客户每推荐一个人注册、授信以及借款等，则可以获得相应奖励。
由于推荐新用户可带来相应的奖励，由此衍生出通过参加各种平台的有偿推荐拉新活动获取现金等奖励的用户群体。此类用户没有使用产品的需求，不具有黏性，在拿到奖励后成为流失用户。更有甚者，该类用户群体进一步衍生为金融中介，利用老带新活动的奖励机制，自行散布推荐链接、邀请二维码，以发布任务、完成任务给予奖励的形式，进一步吸引其他用户通过推荐链接在公司注册、授信、借款，将获得的奖励按一定比例分成，导致企业付出的营销获客成本无法获得预期的收益，对企业及行业的发展产生负面影响，因此该些金融中介钻取老带新活动漏洞并以此获利的行为，在行业内已属于违规行为。
传统上为减少因金融中介导致的企业付出的营销获客成本流失，多采用关联图谱技术，搭建基于丰富数据、强关联维度的网络防控体系，对疑似金融中介的用户进行识别和监控。例如，金融中介通过同一手机设备为多位客户申请金融产品，这是一种典型的强关联行为，其中，手机设备作为强介质，多位客户通过一台手机设备互相发生了直接的关联，此时可通过强关联图谱网络，可以对该金融中介团伙进行及时管控。
然而，仅靠强关联网络，并不能将手段日渐变化的金融中介以及相应的违规行为全部识别出来，比如当申请者分别在不同的时间、地点，使用不同的IP、设备、手机号进行注册，各成员间失去了手机设备这个互联的强介质，则传统的强关联网络的防控效果较差。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升对违规用户、违规行为的防控效果的基于关联特征的违规用户识别方法、装置和计算机设备。
一种基于关联特征的违规用户识别方法，所述方法包括：
获取第一终端发送的推荐信息，并将所述推荐信息发送至第二终端；所述推荐信息对应待分享内容页面；
获取所述第二终端上传的与所述待分享内容页面对应的属性信息；
将所述属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库；
基于预设关联特征和所述预设关联图数据库，构建与所述属性信息对应的异构子图；
根据所述异构子图识别违规用户。
在其中一个实施例中，所述根据所述异构子图识别违规用户，包括：
获取所述异构子图的节点数或边数；
将所述异构子图的节点数或所述边数，和对应预设阈值数进行比对；
当确定所述异构子图的节点数或所述边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户。
在其中一个实施例中，所述方法还包括：
当确定所述异构子图的节点数和所述边数，均小于对应预设阈值数时，根据训练好的识别模型对所述异构子图对应的异构图数据进行预测，得到预测结果；
当确定所述预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。
在其中一个实施例中，所述基于预设关联特征和所述预设关联图数据库，构建与所述属性信息对应的异构子图，包括：
根据所述预设关联特征，从所述预设关联图数据库中，查找与当前用户对应的多级关联用户，生成关联节点和关联边；
基于所述关联节点和所述关联边，构建与所述属性信息对应的异构子图。
在其中一个实施例中，所述根据所述预设关联特征，从所述预设关联图数据库中，查找与当前用户对应的多级关联用户，生成关联节点和关联边，包括：
根据所述预设关联特征，从所述预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户；
根据各所述多级关联用户生成对应的关联节点和关联边。
在其中一个实施例中，所述方法还包括：
根据预设关联规则、所述预设阈值数以及所述预设预测阈值，对初始图卷积神经网络模型进行训练，调整所述初始图卷积神经网络模型的超参数，得到训练好的识别模型。
在其中一个实施例中，所述方法还包括：
根据预设管控逻辑，对所述违规用户进行实时监控和跟踪调查。
一种基于关联特征的违规用户识别装置，所述装置包括：
推荐信息发送模块，用于获取第一终端发送的推荐信息，并将所述推荐信息发送至第二终端；所述推荐信息对应待分享内容页面；
属性信息获取模块，用于获取所述第二终端上传的与所述待分享内容页面对应的属性信息；
分类处理模块，用于将所述属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库；
异构子图构建模块，用于基于预设关联特征和所述预设关联图数据库，构建与所述属性信息对应的异构子图；
违规用户识别模块，用于根据所述异构子图识别违规用户。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取第一终端发送的推荐信息，并将所述推荐信息发送至第二终端；所述推荐信息对应待分享内容页面；
获取所述第二终端上传的与所述待分享内容页面对应的属性信息；
将所述属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库；
基于预设关联特征和所述预设关联图数据库，构建与所述属性信息对应的异构子图；
根据所述异构子图识别违规用户。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取第一终端发送的推荐信息，并将所述推荐信息发送至第二终端；所述推荐信息对应待分享内容页面；
获取所述第二终端上传的与所述待分享内容页面对应的属性信息；
将所述属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库；
基于预设关联特征和所述预设关联图数据库，构建与所述属性信息对应的异构子图；
根据所述异构子图识别违规用户。
上述基于关联特征的违规用户识别方法、装置和计算机设备中，通过获取第一终端发送的推荐信息，并将所述推荐信息发送至第二终端，其中，推荐信息对应待分享内容页面。通过获取所述第二终端上传的与所述待分享内容页面对应的属性信息，并将所述属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库。进而基于预设关联特征和所述预设关联图数据库，构建与所述属性信息对应的异构子图，并根据所述异构子图识别违规用户。由于并未局限于传统的强关联网络进行管控，而是从新用户的不同属性信息出发，构建图网络识别违规行为，可以清扫强关联图谱网络遗漏的违规行为，提高排查违规案件的效率和准确率，丰富防控手段，提升了对违规用户、违规行为的防控效果，减少企业损失。
附图说明
图1为一个实施例中基于关联特征的违规用户识别方法的应用环境图；
图2为一个实施例中基于关联特征的违规用户识别方法的流程示意图；
图3为一个实施例中根据异构子图识别违规用户的流程示意图；
图4为另一个实施例中基于关联特征的违规用户识别方法的流程示意图；
图5为一个实施例中基于关联特征的违规用户识别装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于关联特征的违规用户识别方法，可以应用于如图1所示的应用环境中。其中，第一终端102与第二终端104，通过服务器106实现通讯连接，其中，第一终端102、第二终端104和服务器106通过网络进行通信。服务器106通过获取第一终端102发送的推荐信息，并将推荐信息发送至第二终端104，其中，推荐信息对应待分享内容页面，第二终端104通过访问待分享内容页面上传相应属性信息。服务器106通过获取第二终端104上传的与待分享内容页面对应的属性信息，并将属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库。进而基于预设关联特征和预设关联图数据库，构建与属性信息对应的异构子图，并根据异构子图识别违规用户。其中，第一终端102以及第二终端104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于关联特征的违规用户识别方法，以该方法应用于图1中的服务器为例进行说明，具体包括以下步骤：
步骤S202，获取第一终端发送的推荐信息，并将推荐信息发送至第二终端。
具体地，老用户所在的第一终端通过“老带新”活动页面申请推荐链接，得到相应的推荐信息，并将推荐信息通过服务器转发至新用户所在的第二终端。其中，推荐信息对应待分享内容页面，即新用户通过在第二终端通过访问推荐信息，并进入“老带新”活动页面，进而在“老带新”活动页面进行注册、申请或贷款等环节操作，上传相应属性信息至服务器。
步骤S204，获取第二终端上传的与待分享内容页面对应的属性信息。
具体地，新用户通过第二终端访问所接收到的推荐信息，并进入推荐信息对应的老带新”活动页面，进而在“老带新”活动页面进行注册、申请或贷款等环节操作，上传相应属性信息至服务器。
其中，属性信息包括设备信息、网络信息、地理位置信息以及身份信息等，设备信息用于识别新用户所在终端设备，判断是否存在多个用户使用相同终端设备进行注册或申请贷款，网络信息用于确定新用户所访问的网络，并判断是否存在多个用户同时访问相同区域的网络，包括相同基站或者相同无线网络等，地理位置信息用于确定用户当前所在地理位置，并判断是否存在多个用户同时处于相同地理位置，身份信息用于确定是否存在同一个用户多次进行反复注册。
步骤S206，将属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库。
具体地，通过对上传的属性信息，包括设备信息、网络信息、地理位置信息以及身份信息等，进行校验和预处理，并进一步根据预设关联图数据格式将属性信息按照节点、边和属性等不同维度进行分类处理，得到分类处理后的属性信息，进一步将分类处理后的属性信息存储至预设关联图数据库。
其中，将分类处理后的属性信息存储至预设关联图数据库后，可生成不同新用户对应的属性信息之间的关联关系或关联特征。
在本实施例中，预设关联图数据库可以是JanusGraph图数据库，其中，JanusGraph图数据库表示可扩展的图数据库，可以把包含大量节点和边的图存储在多机集群上，可支持支持事务，支持大量用户实时、并发访问存储在其中的图。
步骤S208，基于预设关联特征和预设关联图数据库，构建与属性信息对应的异构子图。
具体地，根据预设关联特征，从预设关联图数据库中，查找与当前用户对应的多级关联用户，生成关联节点和关联边，进而基于关联节点和关联边，构建与属性信息对应的异构子图。
进一步地，可根据预设关联特征，从预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户，并根据各多级关联用户生成对应的关联节点和关联边。
其中，可根据预设关联特征，包括设备信息和地理位置信息等，对参加“老带新”活动的新用户进行分团，即将存在相同或相似关联特征的新用户划分至同一个团中，也可以理解为是根据预设关联特征，从预设关联图数据库中，查找与当前用户对应的多级关联用户，其中，多级关联用户即表示与当前用户存在相同或相似关联特征的其他用户。进而可从预设关联图数据库中，查找出与当前用户对应的多级关联用户后，生成与当前用户对应的关联节点和关联边。而基于关联节点和关联边，可构建得到与属性信息对应的异构子图。
步骤S210，根据异构子图识别违规用户。
具体地，通过获取异构子图的节点数或边数，并将异构子图的节点数或边数，和对应预设阈值数进行比对。当确定异构子图的节点数或边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户。
进一步地，由于异构子图可用于表示存在相似关联特征的多个新用户，当异构子图的节点数或边数大于预设阈值数时，表明同一个团中的新用户数大于预设阈值书，或者同一个团中的新用户的相似关联特征个数大于预设阈值数，进而可确定该异构子图或者该团对应的新用户属于违规用户。
在一个实施例中，根据异构子图识别违规用户的步骤，还包括：
当确定异构子图的节点数和边数，均小于对应预设阈值数时，根据训练好的识别模型对异构子图对应的异构图数据进行预测，得到预测结果；
当确定预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。
具体地，当确定异构子图的节点数和边数，均小于对应预设阈值数时，获取已训练好的识别模型，并将异构子图对应的异构图数据输入训练好的识别模型，生成对应的预测结果。
进一步地，预测结果可以是疑似违规用户的预测分数，预设预测阈值可以是预设预测分数阈值，通过将疑似违规用户的预测分数和预设预测分数阈值进行比对，当确定疑似违规用户的预测分数大于预设预测分数阈值时，即当确定预测结果大于预设预测阈值时，则可确定对应属性信息的用户为违规用户。其中，如果确定异构子图的节点数和边数，均小于对应预设阈值数，且疑似违规用户的预测分数小于预设预测分数阈值时，则确定对应属性信息的用户为正常用户。
在一个实施例中，在根据异构子图识别违规用户之后，还包括：
根据预设管控逻辑，对违规用户进行实时监控和跟踪调查。
具体地，根据预设管控逻辑，对所确定出的违规用户进行实时监控，确定违规用户所在终端设备、地理位置等，进一步进行跟踪调查，并将该些违规用户排除在业务范围外，拒绝该些违规用户的申请，减少企业损失。
上述基于关联特征的违规用户识别方法中，通过获取第一终端发送的推荐信息，并将推荐信息发送至第二终端，其中，推荐信息对应待分享内容页面。通过获取第二终端上传的与待分享内容页面对应的属性信息，并将属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库。进而基于预设关联特征和预设关联图数据库，构建与属性信息对应的异构子图，并根据异构子图识别违规用户。由于并未局限于传统的强关联网络进行管控，而是从新用户的不同属性信息出发，构建图网络识别违规行为，可以清扫强关联图谱网络遗漏的违规行为，提高排查违规案件的效率和准确率，丰富防控手段，提升了对违规用户、违规行为的防控效果，减少企业损失。
在一个实施例中，如图3所示，根据异构子图识别违规用户的步骤，具体包括：
步骤S302，获取异构子图的节点数或边数。
具体地，根据预设关联特征和预设关联图数据库，构建得到的异构子图，由多个节点和边组成，其中节点可用于表示新用户，边可以表示各新用户之间存在的相同或相似关联特征。
步骤S304，将异构子图的节点数或边数，和对应预设阈值数进行比对。
具体地，通过获取与节点数对应的第一预设阈值数，以及与边数对应的第二阈值数，并将异构子图的节点数和第一预设阈值数进行比对，或将异构子图的边数和第二预设阈值数进行比对，根据得到的比对结果确定对应属性信息的用户是否为违规用户。
步骤S306，当确定异构子图的节点数或边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户。
具体地，当确定异构子图的节点数大于第一预设阈值数，或异构子图的边数大于第二预设阈值数时，确定对应属性信息的用户为违规用户。其中，第一预设阈值数以及第二预设阈值数为企业预先设置，可进行调整，不局限于具体取值，可以有不同取值情况。
步骤S308，当确定异构子图的节点数和边数，均小于对应预设阈值数时，根据训练好的识别模型对异构子图对应的异构图数据进行预测，得到预测结果。
具体地，当确定异构子图的节点数小于第一预设阈值数，且异构子图的边数小于第二预设阈值数时，根据训练好的识别模型对异构子图对应的异构图数据进行预测，即将异构子图对应的异构图数据输入训练好的识别模型，生成对应的预测结果。
其中，预测结果可以是疑似违规用户的预测分数，预设预测阈值可以是预设预测分数阈值，通过将疑似违规用户的预测分数和预设预测分数阈值进行比对，根据所生成的比对结果，判断相应属性信息的新用户是否为违规用户。
可以理解的是，预设预测阈值即预设预测分数阈值，也为企业预先设置，同时也可根据实际情况进行调整，不局限于具体取值，可以有不同取值情况。
在一个实施例中，还包括：
根据预设关联规则、预设阈值数以及预设预测阈值，对初始图卷积神经网络模型进行训练，调整初始图卷积神经网络模型的超参数，得到训练好的识别模型。
具体地，通过获取初始图卷积神经网络，并根据预设关联规则、预设阈值数以及预设预测阈值，对初始图卷积神经网络模型进行训练，根据预设关联规则、预设阈值数以及预设预测阈值等，调整初始图卷积神经网络模型的超参数，得到训练好的识别模型。
步骤S310，当确定预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。
具体地，当确定预测结果大于预设预测阈值时，即当确定疑似违规用户的预测分数大于预设预测分数阈值时，则可确定对应属性信息的用户为违规用户。
本实施例中，通过获取异构子图的节点数或边数，并将异构子图的节点数或边数，和对应预设阈值数进行比对，当确定异构子图的节点数或边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户。而当确定异构子图的节点数和边数，均小于对应预设阈值数时，则进一步根据训练好的识别模型对异构子图对应的异构图数据进行预测，得到预测结果。当确定预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。上述方法实现了对违规用户的多重识别，提高了排查违规案件、违规用户的效率和准确率，提升了对违规用户、违规行为的防控效果，减少企业损失。
在一个实施例中，如图4所示，提供了一种基于关联特征的违规用户识别方法，具体包括以下步骤：
1)老用户所在的第一终端通过“老带新”活动页面申请推荐链接，并将推荐链接通过服务器转发至新用户所在的第二终端。
2)新用户在第二终端通过访问推荐链接进入“老带新”活动页面，并在活动页面进行注册、申请等环节操作，上传相应属性信息至服务器。
3)服务器获取第二终端上传的与待分享内容页面对应的设备信息、网络信息、地理位置信息以及身份信息等属性信息。
4)服务器对上传的属性信息进行校验和预处理，并进一步根据预设关联图数据格式将属性信息按照节点、边和属性等不同维度进行分类处理。
5)将分类处理后的属性信息存储至预设关联图数据库。
6)根据预设关联特征，从预设关联图数据库中，查找与当前用户对应的多级关联用户，生成关联节点和关联边。
7)基于关联节点和关联边，构建与属性信息对应的异构子图。
8)获取异构子图的节点数或边数，并将异构子图的节点数或边数，和对应预设阈值数进行比对。
9)当确定异构子图的节点数或边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户。
10)当确定异构子图的节点数和边数，均小于对应预设阈值数时，根据训练好的识别模型对异构子图对应的异构图数据进行预测，得到预测结果。
11)当确定预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。
12)根据预设管控逻辑，对违规用户进行实时监控和跟踪调查。
本实施例中，通过将第一终端发送的推荐信息转发至第二终端，并获取第二终端上传的与推荐信息携带的待分享内容页面对应的属性信息，并将属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库。进而基于预设关联特征和预设关联图数据库，构建与属性信息对应的异构子图，并根据异构子图识别违规用户，同时根据预设管控逻辑，对违规用户进行实时监控和跟踪调查。由于并未局限于传统的强关联网络进行管控，而是从新用户的不同属性信息出发，构建图网络识别违规行为，可以清扫强关联图谱网络遗漏的违规行为，提高排查违规案件的效率和准确率，丰富防控手段，提升对违规用户、违规行为的防控效果，减少企业损失。
应该理解的是，虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种基于关联特征的违规用户识别装置，包括：推荐信息发送模块502、属性信息获取模块504、分类处理模块506、异构子图构建模块508和违规用户识别模块510，其中：
推荐信息发送模块502，用于获取第一终端发送的推荐信息，并将推荐信息发送至第二终端，推荐信息对应待分享内容页面。
属性信息获取模块504，用于获取第二终端上传的与待分享内容页面对应的属性信息。
分类处理模块506，用于将属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库；
异构子图构建模块508，用于基于预设关联特征和预设关联图数据库，构建与属性信息对应的异构子图；
违规用户识别模块510，用于根据异构子图识别违规用户。
上述基于关联特征的违规用户识别装置中，通过获取第一终端发送的推荐信息，并将推荐信息发送至第二终端，其中，推荐信息对应待分享内容页面。通过获取第二终端上传的与待分享内容页面对应的属性信息，并将属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库。进而基于预设关联特征和预设关联图数据库，构建与属性信息对应的异构子图，并根据异构子图识别违规用户。由于并未局限于传统的强关联网络进行管控，而是从新用户的不同属性信息出发，构建图网络识别违规行为，可以清扫强关联图谱网络遗漏的违规行为，提高排查违规案件的效率和准确率，丰富防控手段，提升对违规用户、违规行为的防控效果，减少企业损失。
在一个实施例中，违规用户识别模块还用于：
获取异构子图的节点数或边数；将异构子图的节点数或边数，和对应预设阈值数进行比对；当确定异构子图的节点数或边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户；
当确定异构子图的节点数和边数，均小于对应预设阈值数时，根据训练好的识别模型对异构子图对应的异构图数据进行预测，得到预测结果；当确定预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。
上述违规用户识别模块中，通过获取异构子图的节点数或边数，并将异构子图的节点数或边数，和对应预设阈值数进行比对，当确定异构子图的节点数或边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户。而当确定异构子图的节点数和边数，均小于对应预设阈值数时，则进一步根据训练好的识别模型对异构子图对应的异构图数据进行预测，得到预测结果。当确定预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。上述方法实现了对违规用户的多重识别，提高了排查违规案件、违规用户的效率和准确率，提升了对违规用户、违规行为的防控效果，减少企业损失。
在一个实施例中，异构子图构建模块还用于：
根据预设关联特征，从预设关联图数据库中，查找与当前用户对应的多级关联用户，生成关联节点和关联边；基于关联节点和关联边，构建与属性信息对应的异构子图。
在一个实施例中，异构子图构建模块还用于：
根据预设关联特征，从预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户；根据各多级关联用户生成对应的关联节点和关联边。
在一个实施例中，提供了一种基于关联特征的违规用户识别装置，还包括识别模型训练模块，用于：
根据预设关联规则、预设阈值数以及预设预测阈值，对初始图卷积神经网络模型进行训练，调整初始图卷积神经网络模型的超参数，得到训练好的识别模型。
在一个实施例中，提供了一种基于关联特征的违规用户识别装置，还包括违规用户监控模块，用于：
根据预设管控逻辑，对违规用户进行实时监控和跟踪调查。
关于基于关联特征的违规用户识别装置的具体限定可以参见上文中对于基于关联特征的违规用户识别方法的限定，在此不再赘述。上述基于关联特征的违规用户识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储属性信息、预设关联特征。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于关联特征的违规用户识别方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取第一终端发送的推荐信息，并将推荐信息发送至第二终端；推荐信息对应待分享内容页面；
获取第二终端上传的与待分享内容页面对应的属性信息；
将属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库；
基于预设关联特征和预设关联图数据库，构建与属性信息对应的异构子图；
根据异构子图识别违规用户。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取异构子图的节点数或边数；
将异构子图的节点数或边数，和对应预设阈值数进行比对；
当确定异构子图的节点数或边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当确定异构子图的节点数和边数，均小于对应预设阈值数时，根据训练好的识别模型对异构子图对应的异构图数据进行预测，得到预测结果；
当确定预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据预设关联特征，从预设关联图数据库中，查找与当前用户对应的多级关联用户，生成关联节点和关联边；
基于关联节点和关联边，构建与属性信息对应的异构子图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据预设关联特征，从预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户；
根据各多级关联用户生成对应的关联节点和关联边。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据预设关联规则、预设阈值数以及预设预测阈值，对初始图卷积神经网络模型进行训练，调整初始图卷积神经网络模型的超参数，得到训练好的识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据预设管控逻辑，对违规用户进行实时监控和跟踪调查。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取第一终端发送的推荐信息，并将推荐信息发送至第二终端；推荐信息对应待分享内容页面；
获取第二终端上传的与待分享内容页面对应的属性信息；
将属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库；
基于预设关联特征和预设关联图数据库，构建与属性信息对应的异构子图；
根据异构子图识别违规用户。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取异构子图的节点数或边数；
将异构子图的节点数或边数，和对应预设阈值数进行比对；
当确定异构子图的节点数或边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当确定异构子图的节点数和边数，均小于对应预设阈值数时，根据训练好的识别模型对异构子图对应的异构图数据进行预测，得到预测结果；
当确定预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据预设关联特征，从预设关联图数据库中，查找与当前用户对应的多级关联用户，生成关联节点和关联边；
基于关联节点和关联边，构建与属性信息对应的异构子图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据预设关联特征，从预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户；
根据各多级关联用户生成对应的关联节点和关联边。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据预设关联规则、预设阈值数以及预设预测阈值，对初始图卷积神经网络模型进行训练，调整初始图卷积神经网络模型的超参数，得到训练好的识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据预设管控逻辑，对违规用户进行实时监控和跟踪调查。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于关联特征的违规用户识别方法，其特征在于，所述方法包括：
获取第一终端发送的推荐信息，并将所述推荐信息发送至第二终端；所述推荐信息对应待分享内容页面；
获取所述第二终端上传的与所述待分享内容页面对应的属性信息；所述属性信息包括设备信息、网络信息、地理位置信息和身份信息；
根据预设关联图数据格式，将所述属性信息按照节点、边和属性的维度进行分类处理，得到分类处理后的属性信息，并将分类处理后的属性信息存储至预设关联图数据库，生成不同新用户对应的属性信息之间的关联关系或关联特征；
根据预设关联特征，从所述预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户；
根据各所述多级关联用户生成对应的关联节点和关联边；
基于所述关联节点和所述关联边，构建与所述属性信息对应的异构子图；
获取所述异构子图的节点数或边数，并将所述异构子图的节点数或所述边数，和对应预设阈值数进行比对；
当确定所述异构子图的节点数或所述边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当确定所述异构子图的节点数和所述边数，均小于对应预设阈值数时，根据训练好的识别模型对所述异构子图对应的异构图数据进行预测，得到预测结果；
当确定所述预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
根据预设关联规则、所述预设阈值数以及所述预设预测阈值，对初始图卷积神经网络模型进行训练，调整所述初始图卷积神经网络模型的超参数，得到训练好的识别模型。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
根据预设管控逻辑，对所述违规用户进行实时监控和跟踪调查。
5.一种基于关联特征的违规用户识别装置，其特征在于，所述装置包括：
推荐信息发送模块，用于获取第一终端发送的推荐信息，并将所述推荐信息发送至第二终端；所述推荐信息对应待分享内容页面；
属性信息获取模块，用于获取所述第二终端上传的与所述待分享内容页面对应的属性信息；所述属性信息包括设备信息、网络信息、地理位置信息和身份信息；
分类处理模块，用于将所述属性信息按照预设关联图数据格式进行分类处理后，存储至预设关联图数据库，生成不同新用户对应的属性信息之间的关联关系或关联特征；
异构子图构建模块，用于：根据预设关联特征，从所述预设关联图数据库中查找与当前用户存在相同关联特征的多级关联用户；根据各所述多级关联用户生成对应的关联节点和关联边；基于所述关联节点和所述关联边，构建与所述属性信息对应的异构子图；
违规用户识别模块，用于：获取所述异构子图的节点数或边数，并将所述异构子图的节点数或所述边数，和对应预设阈值数进行比对；当确定所述异构子图的节点数或所述边数大于对应预设阈值数时，确定对应属性信息的用户为违规用户。
6.根据权利要求5所述的装置，其特征在于，所述违规用户识别模块还用于：
当确定所述异构子图的节点数和所述边数，均小于对应预设阈值数时，根据训练好的识别模型对所述异构子图对应的异构图数据进行预测，得到预测结果；当确定所述预测结果大于预设预测阈值时，确定对应属性信息的用户为违规用户。
7.根据权利要求5或6所述的装置，其特征在于，所述装置还包括识别模型训练模块，用于：
根据预设关联规则、所述预设阈值数以及所述预设预测阈值，对初始图卷积神经网络模型进行训练，调整所述初始图卷积神经网络模型的超参数，得到训练好的识别模型。
8.根据权利要求5或6所述的装置，其特征在于，所述装置还包括违规用户监控模块，用于：
根据预设管控逻辑，对所述违规用户进行实时监控和跟踪调查。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110149328.XA CN112818235B (zh) | 2021-02-03 | 2021-02-03 | 基于关联特征的违规用户识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110149328.XA CN112818235B (zh) | 2021-02-03 | 2021-02-03 | 基于关联特征的违规用户识别方法、装置和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112818235A CN112818235A (zh) | 2021-05-18 |
| CN112818235B true CN112818235B (zh) | 2023-07-21 |
Family
ID=75860936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110149328.XA Active CN112818235B (zh) | 2021-02-03 | 2021-02-03 | 基于关联特征的违规用户识别方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818235B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591088B (zh) * | 2021-07-30 | 2023-08-29 | 百度在线网络技术（北京）有限公司 | 一种标识识别方法、装置及电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485559A (zh) * | 2015-08-19 | 2017-03-08 | 阿里巴巴集团控股有限公司 | 针对网店的作弊识别方法及装置 |
| CN107153847A (zh) * | 2017-05-31 | 2017-09-12 | 北京知道创宇信息技术有限公司 | 预测用户是否存在恶意行为的方法和计算设备 |
| CN107229951A (zh) * | 2017-05-31 | 2017-10-03 | 北京知道创宇信息技术有限公司 | 预测用户是否存在恶意行为的方法和计算设备 |
| CN107909381A (zh) * | 2017-08-24 | 2018-04-13 | 平安普惠企业管理有限公司 | 业务推荐方法、装置、设备及计算机可读存储介质 |
| CN109086317A (zh) * | 2018-06-28 | 2018-12-25 | 招联消费金融有限公司 | 风险控制方法和相关装置 |
| CN110046965A (zh) * | 2019-04-18 | 2019-07-23 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、设备和介质 |
| CN111353600A (zh) * | 2020-02-20 | 2020-06-30 | 第四范式（北京）技术有限公司 | 一种异常行为检测方法及装置 |
| CN111506823A (zh) * | 2020-03-11 | 2020-08-07 | 平安科技（深圳）有限公司 | 信息推荐方法、装置及计算机设备 |
| CN111914180A (zh) * | 2020-08-19 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 基于图结构的用户特征确定方法、装置、设备及介质 |
| CN112184334A (zh) * | 2020-10-27 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 用于确定问题用户的方法、装置、设备和介质 |
| WO2021004132A1 (zh) * | 2019-07-09 | 2021-01-14 | 深圳壹账通智能科技有限公司 | 异常数据检测方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8306986B2 (en) * | 2005-09-30 | 2012-11-06 | American Express Travel Related Services Company, Inc. | Method, system, and computer program product for linking customer information |
| US8583524B2 (en) * | 2008-05-06 | 2013-11-12 | Richrelevance, Inc. | System and process for improving recommendations for use in providing personalized advertisements to retail customers |
| US20150081391A1 (en) * | 2013-09-16 | 2015-03-19 | International Business Machines Corporation | Analytics-driven product recommendation for financial services |
| US20200311157A1 (en) * | 2019-03-28 | 2020-10-01 | Ye Yuan | System user attribute disambiguation based on cohort |
-
2021
- 2021-02-03 CN CN202110149328.XA patent/CN112818235B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485559A (zh) * | 2015-08-19 | 2017-03-08 | 阿里巴巴集团控股有限公司 | 针对网店的作弊识别方法及装置 |
| CN107153847A (zh) * | 2017-05-31 | 2017-09-12 | 北京知道创宇信息技术有限公司 | 预测用户是否存在恶意行为的方法和计算设备 |
| CN107229951A (zh) * | 2017-05-31 | 2017-10-03 | 北京知道创宇信息技术有限公司 | 预测用户是否存在恶意行为的方法和计算设备 |
| CN107909381A (zh) * | 2017-08-24 | 2018-04-13 | 平安普惠企业管理有限公司 | 业务推荐方法、装置、设备及计算机可读存储介质 |
| CN109086317A (zh) * | 2018-06-28 | 2018-12-25 | 招联消费金融有限公司 | 风险控制方法和相关装置 |
| CN110046965A (zh) * | 2019-04-18 | 2019-07-23 | 北京百度网讯科技有限公司 | 信息推荐方法、装置、设备和介质 |
| WO2021004132A1 (zh) * | 2019-07-09 | 2021-01-14 | 深圳壹账通智能科技有限公司 | 异常数据检测方法、装置、计算机设备和存储介质 |
| CN111353600A (zh) * | 2020-02-20 | 2020-06-30 | 第四范式（北京）技术有限公司 | 一种异常行为检测方法及装置 |
| CN111506823A (zh) * | 2020-03-11 | 2020-08-07 | 平安科技（深圳）有限公司 | 信息推荐方法、装置及计算机设备 |
| CN111914180A (zh) * | 2020-08-19 | 2020-11-10 | 腾讯科技（深圳）有限公司 | 基于图结构的用户特征确定方法、装置、设备及介质 |
| CN112184334A (zh) * | 2020-10-27 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 用于确定问题用户的方法、装置、设备和介质 |
Non-Patent Citations (2)
| Title |
|---|
| 事件社交网中基于有向标签图及用户反馈的活动推荐方法;单晓欢;张志国;宋宝燕;任成林;;计算机应用(第02期);全文 * |
| 基于用户信任机制的电子商务个性化推荐方法研究;李良;《中国优秀博士学位论文全文数据库 信息科技辑》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112818235A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110855648B (zh) | 一种网络攻击的预警控制方法及装置 | |
| CN110135978B (zh) | 用户金融风险评估方法、装置、电子设备和可读介质 | |
| US20170091303A1 (en) | Client-Side Web Usage Data Collection | |
| CN110148053B (zh) | 用户信贷额度评估方法、装置、电子设备和可读介质 | |
| CN112784168B (zh) | 信息推送模型训练方法以及装置、信息推送方法以及装置 | |
| CN114298232A (zh) | 用户的类型信息的确定方法、设备及存储介质 | |
| CN112818235B (zh) | 基于关联特征的违规用户识别方法、装置和计算机设备 | |
| CN112818868B (zh) | 基于行为序列特征数据的违规用户识别方法和装置 | |
| CN109829593B (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
| CN109658277B (zh) | 一种学术社交网络好友推荐方法、系统和存储介质 | |
| WO2021135842A1 (zh) | 群体不满意用户识别方法、装置、设备及存储介质 | |
| US11531887B1 (en) | Disruptive prediction with ordered treatment candidate bins | |
| JP2024510634A (ja) | 可変分布保存を用いて機密データを変換するための学習 | |
| Kaziev et al. | Increasing the information content of social network groups and clients using Social Mining | |
| CN109359462A (zh) | 虚假设备识别方法、设备、存储介质及装置 | |
| KR102471731B1 (ko) | 사용자를 위한 네트워크 보안 관리 방법 | |
| KR102564320B1 (ko) | 트랜드와 기업 성장성이 반영된 기업 인큐베이팅 및 투자 시스템 | |
| US20240013089A1 (en) | Sequential Synthesis and Selection for Feature Engineering | |
| CN111797126B (zh) | 数据的处理方法、装置及设备 | |
| CN117932332A (zh) | 资源转移策略模型的训练方法及资源转移方法 | |
| KR20240031255A (ko) | 인공지능 모델 공유 및 판매 플랫폼의 등록을 위한 인공지능 모델 검증방법, 장치 및 컴퓨터프로그램 | |
| CN116611923A (zh) | 基于知识图谱的风险数据获取方法、系统、设备及存储介质 | |
| CN117314556A (zh) | 虚拟资源推荐方法、装置、计算机设备和存储介质 | |
| CN117575773A (zh) | 业务数据的确定方法、装置、计算机设备、存储介质 | |
| CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee after: Zhaolian Consumer Finance Co.,Ltd. Country or region after: China Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: MERCHANTS UNION CONSUMER FINANCE Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |