CN112819472A - 资源筹集项目的欺诈预测方法、装置和电子设备 - Google Patents

Abstract

本发明提供了一种资源筹集项目的欺诈预测方法、装置和电子设备。所述方法包括：建立基于机器自学习的欺诈预测模型，使用资源筹集项目的历史订单数据建立训练数据集，并使用该训练数据集训练该欺诈预测模型，训练数据集包括项目组织人、资源筹集人和资源持有人中的至少一个的属性数据和历史行为数据；获取资源筹集项目的当前订单数据，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率。本发明能够更精确地评估当前订单中项目组织人、资源资源筹集人的风险情况，并能够更精确预测当前订单的欺诈概率，还能够有效避免资源筹集平台因订单欺诈行为而引起的不良影响。

Description

资源筹集项目的欺诈预测方法、装置和电子设备

技术领域

本发明涉及计算机信息处理领域，具体而言，涉及一种资源筹集项目的欺诈预测方法、装置和电子设备。

背景技术

在基于互联网的应用技术中，常常需要在不同的参与方之间进行资源的交换。这里所称的资源是指任何可被利用的物质、信息、金钱、时间等。信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。

与金钱相关的资源通常也称为金融资源，金融资源是指金融领域中关于金融服务主体与客体的结构、数量、规模、分布及其效应和相互作用关系的一系列对象的总和或集合体，在生产和生活中，只有更有效地管理金融资源，才能实现金融和经济可持续发展。

对于资源筹集平台而言，在资源筹集的过程中，项目组织人或资源筹集人往往存在欺诈行为等的不良行为，会造成给资源筹集平台造成很大影响。此外，一方面，由于项目组织人会从资源筹集项目的订单中获得一定比例的资源收入，这会使有些项目组织人为了得到更多的资源，而产生欺诈行为。另一方面，由于资源筹集人可以通过资源筹集项目可获得一定数额的资源，该资源用于医疗或其他救助，但是存在有些资源筹集人为了得到这样的救助资源而进行造假，或者与项目组织人共同产生欺诈行为。

因此，有必要提供一种资源筹集项目的欺诈预测方法，以进行更精确的预测，从而有效地防止上述欺诈行为。

发明内容

为了更自动化且更精确地预测上述欺诈行为，本发明提供了一种资源筹集项目的欺诈预测方法，用于资源筹集平台对基于该平台发起的资源筹集项目中的订单进行欺诈概率的预测，所述资源筹集项目是由项目组织人发起的由资源筹集人向资源持有人筹集资源的项目；所述欺诈预测方法包括：建立基于机器自学习的欺诈预测模型，使用资源筹集项目的历史订单数据建立训练数据集，并使用该训练数据集训练该欺诈预测模型，所述训练数据集包括项目组织人、资源筹集人和资源持有人中的至少一个的属性数据和历史行为数据；获取所述资源筹集项目的当前订单数据，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率。

优选地，所述使用资源筹集项目的历史订单数据建立训练数据集包括：获取资源筹集项目的历史订单数据中的项目组织人、资源筹集人和资源持有人的数据建立关系网图；从所述历史订单数据和关系网图中提取风险特征数据，并基于该风险特征数据建立所述训练数据集。

优选地，所述风险特征数据包括关系特征数据和以下的至少一种：个人属性数据、地域特征数据和欺诈特征数据。

优选地，所述关系网络图包括相互关联的多个节点和边，其中，所述多个节点包括第一用户节点、第二用户节点、第三用户节点和事件节点中的至少三类节点，该第一用户节点是用于表示项目组织人的节点，该第二用户节点是用于表示资源筹集人的节点，该第三用户节点是用于表示资源持有人的节点，该事件节点是用于表示与资源筹集项目相关的设备或信息的节点；每个节点都包括出度和入度，将入度大于特定值的节点用作中心节点。

优选地，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率包括：获取当前订单中项目组织人、资源筹集人和资源持有人的数据，判断该项目组织人和/或资源资源筹集人是否中心节点，并判断是否为欺诈用户；在确定所述项目组织人是中心节点且是欺诈用户的情况下，确定所述项目组织人及其关联人的欺诈系数，以得到所述项目组织人的欺诈特征数据；将所述项目组织人的个人属性数据和欺诈特征数据输入所述训练好的所述欺诈预测模型，计算所述当前订单的欺诈概率。

优选地，还包括：在确定所述资源资源筹集人是中心节点且是欺诈用户的情况下，确定所述项目组织人及其关联人的欺诈系数，以得到所述资源资源筹集人的欺诈特征数据；将所述资源资源筹集人的个人属性数据和欺诈特征数据输入所输入所述训练好的所述欺诈预测模型，计算所述当前订单的欺诈概率。

优选地，所述从所述历史订单数据和关系网图中提取风险特征数据包括：设定提取规则，所述提取规则包括第一规则和第二规则，该第一规则用于提取项目组织人的风险特征数据，该第二规则用于提取资源筹集人的风险特征数据；所述第一规则包括判断项目组织人的订单信息是否为欺诈订单、判断项目组织人的订单信息数据中的医疗信息是否是虚假信息、判断项目组织人分享链接的关联人是否是资源持有人及其人数、资源筹集时间集中度是否正常，所述订单信息数据包括资源筹集项目名称、资源筹集总额度、资源持有人的人数、资源筹集时间；所述第二规则包括判断同一类病的项目总额度是否异常、判断在特定时间内资源筹集人的发起次数是否超过设定阈值。

优选地，所述训练数据包括：历史订单中项目组织人、资源筹集人和资源持有人的个人属性数据，项目组织人的风险特征数据、项目组织人分享链接的关联人是否是资源持有人及其人数，资源筹集人的风险特征数据、资源筹集时间集中度、资源筹集总额度、资源持有人的人数、资源筹集时间，订单信息是否为欺诈订单、订单信息数据中的医疗信息是否是虚假信息。

此外，本发明还提供了一种资源筹集项目的欺诈预测装置，用于资源筹集平台对基于该平台发起的资源筹集项目中的订单进行欺诈概率的预测，所述资源筹集项目是由项目组织人发起的由资源筹集人向资源持有人筹集资源的项目；所述欺诈预测装置包括：模型建立模块，用于建立基于机器自学习的欺诈预测模型，使用资源筹集项目的历史订单数据建立训练数据集，并使用该训练数据集训练该欺诈预测模型，所述训练数据集包括项目组织人、资源筹集人和资源持有人中的至少一个的属性数据和历史行为数据；计算模块，用于获取所述资源筹集项目的当前订单数据，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率。

优选地，还包括数据获取模块和数据处理模块，所述数据获取模块用于获取资源筹集项目的历史订单数据中的项目组织人、资源筹集人和资源持有人的数据建立关系网图；所述数据处理模块用于从所述历史订单数据和关系网图中提取风险特征数据，并基于该风险特征数据建立所述训练数据集。

优选地，所述风险特征数据包括关系特征数据和以下的至少一种：个人属性数据、地域特征数据和欺诈特征数据。

优选地，所述关系网络图包括相互关联的多个节点和边，其中，所述多个节点包括第一用户节点、第二用户节点、第三用户节点和事件节点中的至少三类节点，该第一用户节点是用于表示项目组织人的节点，该第二用户节点是用于表示资源筹集人的节点，该第三用户节点是用于表示资源持有人的节点，该事件节点是用于表示与资源筹集项目相关的设备或信息的节点；每个节点都包括出度和入度，将入度大于特定值的节点用作中心节点。

优选地，还包括判断模块，所述判断模块用于获取当前订单中项目组织人、资源筹集人和资源持有人的数据，判断该项目组织人和/或资源资源筹集人是否中心节点，并判断是否为欺诈用户；在确定所述项目组织人是中心节点且是欺诈用户的情况下，确定所述项目组织人及其关联人的欺诈系数，以得到所述项目组织人的欺诈特征数据；将所述项目组织人的个人属性数据和欺诈特征数据输入所述训练好的所述欺诈预测模型，计算所述当前订单的欺诈概率。

优选地，还包括：在确定所述资源资源筹集人是中心节点且是欺诈用户的情况下，确定所述项目组织人及其关联人的欺诈系数，以得到所述资源资源筹集人的欺诈特征数据；将所述资源资源筹集人的个人属性数据和欺诈特征数据输入所输入所述训练好的所述欺诈预测模型，计算所述当前订单的欺诈概率。

优选地，还包括设定模块，所述设定模块用于设定提取规则，所述提取规则包括第一规则和第二规则，该第一规则用于提取项目组织人的风险特征数据，该第二规则用于提取资源筹集人的风险特征数据；所述第一规则包括判断项目组织人的订单信息是否为欺诈订单、判断项目组织人的订单信息数据中的医疗信息是否是虚假信息、判断项目组织人分享链接的关联人是否是资源持有人及其人数、资源筹集时间集中度是否正常，所述订单信息数据包括资源筹集项目名称、资源筹集总额度、资源持有人的人数、资源筹集时间；所述第二规则包括判断同一类病的项目总额度是否异常、判断在特定时间内资源筹集人的发起次数是否超过设定阈值。

优选地，所述训练数据包括：历史订单中项目组织人、资源筹集人和资源持有人的个人属性数据，项目组织人的风险特征数据、项目组织人分享链接的关联人是否是资源持有人及其人数，资源筹集人的风险特征数据、资源筹集时间集中度、资源筹集总额度、资源持有人的人数、资源筹集时间，订单信息是否为欺诈订单、订单信息数据中的医疗信息是否是虚假信息。

此外，本发明还提供了一种电子设备，其中，该电子设备包括：处理器；以及，存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行本发明所述的资源筹集项目的欺诈预测方法。

此外，本发明还提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现本发明所述的资源筹集项目的欺诈预测方法。

有益效果

与现有技术相比，本发明通过使用资源筹集项目的历史订单数据中的项目组织人、资源筹集人和资源持有人的数据建立关系网图，并根据提取规则从该关系网中提取风险特征数据，能够获得更有效的模型输入特征数据，由此，能够更精确地评估当前订单中项目组织人、资源资源筹集人的风险情况，并能够更精确预测当前订单的欺诈概率，还能够有效避免资源筹集平台因订单欺诈行为而引起的不良影响。

附图说明

为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。

图1是本发明的实施例1的资源筹集项目的欺诈预测方法的一示例的流程图。

图2是本发明的实施例1的资源筹集项目的欺诈预测方法的另一示例的流程图。

图3是本发明的实施例1的资源筹集项目的欺诈预测方法的又一示例的流程图。

图4是本发明的实施例2的资源筹集项目的欺诈预测装置的一示例的示意图。

图5是本发明的实施例2的资源筹集项目的欺诈预测装置的另一示例的示意图。

图6是本发明的实施例2的资源筹集项目的欺诈预测装置的又一示例的示意图。

图7是根据本发明的一种电子设备的示例性实施例的结构框图。

图8是根据本发明的计算机可读介质的示例性实施例的结构框图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。

为了能够更准确预测资源筹集项目的欺诈行为，并且能够更加自动化、高效且精确评估当前订单的欺诈概率，本发明提供了一种资源筹集项目的欺诈预测方法，用于资源筹集平台对基于该平台发起的资源筹集项目中的订单进行欺诈概率的预测，所述资源筹集项目是由项目组织人发起的由资源筹集人向资源持有人筹集资源的项目。

如图1所示，所述欺诈预测方法包括如下：步骤S101，建立基于机器自学习的欺诈预测模型，使用资源筹集项目的历史订单数据建立训练数据集，并使用该训练数据集训练该欺诈预测模型，所述训练数据集包括项目组织人、资源筹集人和资源持有人中的至少一个的属性数据和历史行为数据；步骤S102，获取所述资源筹集项目的当前订单数据，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率。

本发明的欺诈预测方法通过历史订单数据建立关系网络图，并从该关系网络图中提取风险特征数据，再通过机器模型学习，以计算当前定的欺诈概率，由此，能够更加自动化、高效且精确评估当前订单的欺诈概率，并能够有效避免资源筹集平台因订单欺诈行为而引起的不良影响。

需要说明的是，在本发明中，资源筹集平台是一种基于网络架构的平台，并且是一个具有数据存储与处理的系统。其中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

实施例1

下面，将参照图2和图3，描述本发明实施例1的欺诈预测方法。该方法包括如下步骤。

步骤S101，建立基于机器自学习的欺诈预测模型，使用资源筹集项目的历史订单数据建立训练数据集，并使用该训练数据集训练该欺诈预测模型，所述训练数据集包括项目组织人、资源筹集人和资源持有人中的至少一个的属性数据和历史行为数据。

步骤S201，获取资源筹集项目的历史订单数据中的项目组织人、资源筹集人和资源持有人的数据建立关系网图。

步骤S202，从所述历史订单数据和关系网图中提取风险特征数据，并基于该风险特征数据建立所述训练数据集。

步骤S102，获取所述资源筹集项目的当前订单数据，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率。

在本示例中，所述欺诈预测方法用于资源筹集项目订单的欺诈预测。该资源筹集项目是由项目组织人发起的由资源筹集人向资源持有人筹集资源的项目，例如该资源筹集项目为用于大病或重疾的资源筹集项目，以帮助需要救治的病人获得医疗筹款。但是不限于此，上述仅作为优选示例进行说明，在其他示例中，资源筹集项目可以为其他用于其他救助或互助的项目。以下将更具体地说明本发明方法。

首先，在步骤S101中，建立基于机器自学习的欺诈预测模型，使用资源筹集项目的历史订单数据建立训练数据集，并使用该训练数据集训练该欺诈预测模型，所述训练数据集包括项目组织人、资源筹集人和资源持有人中的至少一个的属性数据和历史行为数据。

在本示例中，例如使用XGBoost算法，建立基于机器自学习的欺诈预测模型，但是不限于此，在其他示例中，还可以使用其他机器学习算法进行模型构建。

具体地，对于建立模型，还包括定义好坏样本，标签为0，1，其中，1表示资源筹集项目订单的欺诈概率为Y以上的样本，0表示资源筹集项目订单的欺诈概率为小于Y的样本。通常，欺诈概率越低，则表示该订单中项目组织人和资源筹集人的可能性越低，而欺诈概率越高，则表示表示该订单中项目组织人和资源筹集人的可能性越高。

在本示例中，使用资源筹集项目的历史订单数据建立训练数据集，并使用该训练数据集训练该欺诈预测模型。

具体地，所述训练数据集包括项目组织人、资源筹集人和资源持有人中的至少一个的属性数据和历史行为数据。

例如，所述训练数据集包括：历史订单中项目组织人、资源筹集人和资源持有人的个人属性数据，项目组织人的风险特征数据、项目组织人分享链接的关联人是否是资源持有人及其人数，资源筹集人的风险特征数据、资源筹集时间集中度、资源筹集总额度、资源持有人的人数、资源筹集时间，订单信息是否为欺诈订单、订单信息数据中的医疗信息是否是虚假信息。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。

接下来，在步骤S201中，获取资源筹集项目的历史订单数据中的项目组织人、资源筹集人和资源持有人的数据建立关系网图。

在本示例中，资源筹集项目的历史订单数据包括项目组织人、资源筹集人和资源持有人的相关数据、与资源筹集项目相关的统计指标数据，其中，项目组织人例如为地推人，资源筹集人例如为筹款人，资源持有人例如为捐款人。

例如，项目组织人的相关数据包括地推人的个人属性数据、地推人的历史订单中欺诈行为数据、历史订单欺诈比率等。例如，资源筹集人的相关数据包括医疗病情信息、是否重复筹款、筹款次数、地域信息以及其家人信息。再例如，资源持有人的相关数据包括捐款人的个人属性数据、捐款人数、额度分布情况等。

优选地，个人属性数据包括社交APP账号、身份证号、手机号等。

进一步地，所述统计指标数据包括资源筹集项目筹集总额度、筹集时间集中度、资源筹集时间等数据。

需要说明的是，根据不同地域，经济情况、个人收入等多因素进行数据分析，不同地域、同一总额度的资源筹集项目进行欺诈的可能性不同。

例如，云南区域的资源筹集项目A，该资源筹集项目A的筹集总额度为2万元。同样地，北京区域的资源筹集项目A’，筹集总额度为2万元，在上述情况下，项目A比项目A’的欺诈可能性高。

在本示例中，获取资源筹集项目的历史订单数据中的项目组织人、资源筹集人和资源持有人的数据建立关系网图。

具体地，所述关系网络图包括相互关联的多个节点和边，其中，所述多个节点包括第一用户节点、第二用户节点、第三用户节点和事件节点中的至少三类节点，该第一用户节点是用于表示项目组织人的节点，该第二用户节点是用于表示资源筹集人的节点，该第三用户节点是用于表示资源持有人的节点，该事件节点是用于表示与资源筹集项目相关的设备或信息的节点。

更具体地，该事件节点例如为通过同一账号分享链接的事件、多个资源筹集项目的欺诈订单为同一项目组织人或同一资源筹集人的事件等。

优选地，根据与欺诈订单相关的事件节点、及与该事件节点关联的用户节点、以及地域差异性，确定风险系数。

进一步地，每个节点都包括出度和入度，将入度大于特定值的节点用作中心节点，在本示例中，中心节点包括第一用户节点、第二用户节点。

再例如，用户与用户之间的关系包括“组织与被组织合作关系”、“资源支出与接收协助关系”、“亲属关系”、“朋友关系”、“邻居关系”、“同事关系”等，用户与事件之间的关系包括欺诈关系、多级风险关系。

在其他示例中，还包括设定边距离的计算方法。进一步地，基于节点之间的关联度以及边距离，进行风险特征数据的提取。

在本示例中，所述用户关系网络图为有向图，节点(也称为顶点)与节点之间的变是有方向的，并且每个节点包括出度和入度，其中，节点的出边条数称为该节点的出度，节点的入边条数称为该节点的入度。

具体地，基于所形成的用户关系网，确定在时间维度、地区维度等的多维度上与各用户有关联度的信息数据，以用于筛选风险特征数据。

例如，通过Pagerank算法计算项目组织人(和/或资源筹集人)在社交网络中对应用户节点的PR值、所述对应用户节点的出度、入度、基于风险关系的风险系数，以确定与欺诈行为相关的项目组织人(和/或资源筹集人)及其关联人，并确定选取特定数量的关联人及其相关数据。

优选地，对不同地域进行风险等级设定，并预设基于风险等级的风险系数，该风险系数为0～1之间的数值。

在本示例中，根据所确定的风险系数、所计算PR值，进行加权计算，以用作表示欺诈可能性的风险参数，由此，能够更准确地计算项目组织人或资源筹集人的风险情况，并能够更自动化、更准确地预测资源筹集项目订单的欺诈概率。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。

接下来，在步骤S202中，从所述历史订单数据和关系网图中提取风险特征数据，并基于该风险特征数据建立所述训练数据集。

在本示例中，根据提取规则，从所述历史订单数据和关系网图中提取风险特征数据。

如图3所示，还包括设定提取规则的步骤S301。

在步骤S301中，设定提取规则，以用于提取风险特征数据。

具体地，提取规则包括第一规则和第二规则，该第一规则用于提取项目组织人的风险特征数据，该第二规则用于提取资源筹集人的风险特征数据。

更具体地，所述第一规则包括判断项目组织人的订单信息是否为欺诈订单、判断项目组织人的订单信息数据中的医疗信息是否是虚假信息、判断项目组织人分享链接的关联人是否是资源持有人及其人数、资源筹集时间集中度是否正常，所述订单信息数据包括资源筹集项目名称、资源筹集总额度、资源持有人的人数、资源筹集时间；所述第二规则包括判断同一类病的项目总额度是否异常、判断在特定时间内资源筹集人的发起次数是否超过设定阈值。

由此，根据第一规则和第二规则，能够更有效且更准确地提取项目组织人、资源筹集人的风险特征数据。

优选地，所述风险特征数据包括关系特征数据和以下的至少一种：个人属性数据、地域特征数据和欺诈特征数据。

在本示例中，所述风险特征数据包括个人属性数据、欺诈特征数据、地域特征数据和关系特征数据。

进一步地，基于所提取的风险特征数据，建立训练数据集。

在其他示例中，还包括从上述关系网络图中提取社交行为数据、通话行为数据等，以用于建立训练数据集。

在本示例中，关系特征数据包括项目组织人与资源筹集人是否为同一人的关系特征变量，项目组织人与特定数量以上的资源持有人有亲属关系、朋友关系的关系特征变量等的数据。但是不限于此，在其他示例中，还包括其他产生风险影响的关系特征。

在另一示例中，还包括计算项目组织人的关系特征变量的第一信息增益值、资源筹集人的关系特征变量的第二信息增益值，并将第一信息增益值和第二信息增益值作为模型调整参数或模型输入特征。

需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。

接下来，在步骤S102中，获取所述资源筹集项目的当前订单数据，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率。

在本示例中，获取资源筹集项目的当前订单数据，并进一步地从该当前订单数据中获取该当前订单中项目组织人、资源筹集人和资源持有人的数据。

优选地，使用与步骤S301中的提取方法相同的方法，从项目组织人、资源筹集人和资源持有人的数据中提取相应风险特征数据。

需要说明的是，步骤S102中的风险特征数据与步骤S202中的风险特征数据所指代的物理意义和所包含的数据都相同，因此，省略了对其的描述。

在另一示例中，还包括判断该项目组织人和/或资源资源筹集人是否中心节点，并判断是否为欺诈用户的步骤。

具体地，判断该项目组织人和/或资源资源筹集人是否中心节点，并判断是否为欺诈用户。换言之，判断第一用户节点和/或第二用户节点是否是中心节点且是欺诈用户。

在一示例中，在确定所述项目组织人是中心节点且是欺诈用户的情况下，确定所述项目组织人及其关联人的欺诈系数，以得到所述项目组织人的欺诈特征数据。

在该示例中，将所述项目组织人的个人属性数据和欺诈特征数据作为模型的输入特征，以计算所述当前订单的欺诈概率。

在另一示例中，在确定所述资源资源筹集人是中心节点且是欺诈用户的情况下，确定所述项目组织人及其关联人的欺诈系数，以得到所述资源资源筹集人的欺诈特征数据。

在该示例中，将所述资源资源筹集人的个人属性数据和欺诈特征数据作为模型的输入特征，以计算所述当前订单的欺诈概率。

在又一示例中，将当前订单中项目组织人的个人属性数据和欺诈特征数据、资源资源筹集人的个人属性数据和欺诈特征数据，作为模型的输入特征，以计算所述当前订单的欺诈概率。由此，能够更精确地评估当前订单中项目组织人、资源资源筹集人的风险情况，并能够更精确预测当前订单的欺诈概率，还能够有效避免资源筹集平台因订单欺诈行为而引起的不良影响。

需要说明的是，上述仅为优选示例，不能理解成对本发明的限制。

本领域技术人员可以理解，实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机可读存储介质中，该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质，也可以是多个存储介质组成的存储阵列，例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。

与现有技术相比，本发明通过使用资源筹集项目的历史订单数据中的项目组织人、资源筹集人和资源持有人的数据建立关系网图，并根据提取规则从该关系网中提取风险特征数据，能够获得更有效的模型输入特征数据，由此，能够更精确地评估当前订单中项目组织人、资源资源筹集人的风险情况，并能够更精确预测当前订单的欺诈概率，还能够有效避免资源筹集平台因订单欺诈行为而引起的不良影响。

实施例2

下面描述本发明的装置实施例，该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明装置实施例中未披露的细节，可以参照上述方法实施例来实现。

参照图4至图6，本发明还提供了一种资源筹集项目的欺诈预测装置400，用于资源筹集平台对基于该平台发起的资源筹集项目中的订单进行欺诈概率的预测，所述资源筹集项目是由项目组织人发起的由资源筹集人向资源持有人筹集资源的项目。

如图4所示，所述欺诈预测装置400包括：模型建立模块401，用于建立基于机器自学习的欺诈预测模型，使用资源筹集项目的历史订单数据建立训练数据集，并使用该训练数据集训练该欺诈预测模型，所述训练数据集包括项目组织人、资源筹集人和资源持有人中的至少一个的属性数据和历史行为数据；计算模块404，用于获取所述资源筹集项目的当前订单数据，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率。

进一步地，还包括数据获取模块402和数据处理模块403，所述数据获取模块402用于获取资源筹集项目的历史订单数据中的项目组织人、资源筹集人和资源持有人的数据建立关系网图；所述数据处理模块403用于从所述历史订单数据和关系网图中提取风险特征数据，并基于该风险特征数据建立所述训练数据集。

优选地，所述风险特征数据包括关系特征数据和以下的至少一种：个人属性数据、地域特征数据和欺诈特征数据。

优选地，所述关系网络图包括相互关联的多个节点和边，其中，所述多个节点包括第一用户节点、第二用户节点、第三用户节点和事件节点中的至少三类节点，该第一用户节点是用于表示项目组织人的节点，该第二用户节点是用于表示资源筹集人的节点，该第三用户节点是用于表示资源持有人的节点，该事件节点是用于表示与资源筹集项目相关的设备或信息的节点；每个节点都包括出度和入度，将入度大于特定值的节点用作中心节点。

如图5所示，还包括判断模块501，所述判断模块501用于获取当前订单中项目组织人、资源筹集人和资源持有人的数据，判断该项目组织人和/或资源资源筹集人是否中心节点，并判断是否为欺诈用户；在确定所述项目组织人是中心节点且是欺诈用户的情况下，确定所述项目组织人及其关联人的欺诈系数，以得到所述项目组织人的欺诈特征数据；将所述项目组织人的个人属性数据和欺诈特征数据输入所述训练好的所述欺诈预测模型，计算所述当前订单的欺诈概率。

优选地，还包括：在确定所述资源资源筹集人是中心节点且是欺诈用户的情况下，确定所述项目组织人及其关联人的欺诈系数，以得到所述资源资源筹集人的欺诈特征数据；将所述资源资源筹集人的个人属性数据和欺诈特征数据输入所输入所述训练好的所述欺诈预测模型，计算所述当前订单的欺诈概率。

如图6所示，还包括设定模块601，所述设定模块601用于设定提取规则，所述提取规则包括第一规则和第二规则，该第一规则用于提取项目组织人的风险特征数据，该第二规则用于提取资源筹集人的风险特征数据。

在本示例中，所述第一规则包括判断项目组织人的订单信息是否为欺诈订单、判断项目组织人的订单信息数据中的医疗信息是否是虚假信息、判断项目组织人分享链接的关联人是否是资源持有人及其人数、资源筹集时间集中度是否正常，所述订单信息数据包括资源筹集项目名称、资源筹集总额度、资源持有人的人数、资源筹集时间。

优选地，所述第二规则包括判断同一类病的项目总额度是否异常、判断在特定时间内资源筹集人的发起次数是否超过设定阈值。

优选地，所述训练数据包括：历史订单中项目组织人、资源筹集人和资源持有人的个人属性数据，项目组织人的风险特征数据、项目组织人分享链接的关联人是否是资源持有人及其人数，资源筹集人的风险特征数据、资源筹集时间集中度、资源筹集总额度、资源持有人的人数、资源筹集时间，订单信息是否为欺诈订单、订单信息数据中的医疗信息是否是虚假信息。

需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。

本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

与现有技术相比，本发明通过使用资源筹集项目的历史订单数据中的项目组织人、资源筹集人和资源持有人的数据建立关系网图，并根据提取规则从该关系网中提取风险特征数据，能够获得更有效的模型输入特征数据，由此，能够更精确地评估当前订单中项目组织人、资源资源筹集人的风险情况，并能够更精确预测当前订单的欺诈概率，还能够有效避免资源筹集平台因订单欺诈行为而引起的不良影响。

实施例3

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。

图7是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的电子设备200。图7显示的电子设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书上述电子设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图7所示的步骤。

所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。

所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法。

如图8所示，所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种资源筹集项目的欺诈预测方法，用于资源筹集平台对基于该平台发起的资源筹集项目中的订单进行欺诈概率的预测，其特征在于：

所述资源筹集项目是由项目组织人发起的由资源筹集人向资源持有人筹集资源的项目；

所述欺诈预测方法包括：

建立基于机器自学习的欺诈预测模型，使用资源筹集项目的历史订单数据建立训练数据集，并使用该训练数据集训练该欺诈预测模型，所述训练数据集包括项目组织人、资源筹集人和资源持有人中的至少一个的属性数据和历史行为数据；

获取所述资源筹集项目的当前订单数据，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率。

2.根据权利要求1所述的资源筹集项目的欺诈预测方法，其特征在于，所述使用资源筹集项目的历史订单数据建立训练数据集包括：

获取资源筹集项目的历史订单数据中的项目组织人、资源筹集人和资源持有人的数据建立关系网图；

从所述历史订单数据和关系网图中提取风险特征数据，并基于该风险特征数据建立所述训练数据集。

3.根据权利要求1-2中任一项所述的资源筹集项目的欺诈预测方法，其特征在于，所述风险特征数据包括关系特征数据和以下的至少一种：个人属性数据、地域特征数据和欺诈特征数据。

4.根据权利要求1-3中任一项所述的资源筹集项目的欺诈预测方法，其特征在于，所述关系网络图包括相互关联的多个节点和边，其中，

所述多个节点包括第一用户节点、第二用户节点、第三用户节点和事件节点中的至少三类节点，该第一用户节点是用于表示项目组织人的节点，该第二用户节点是用于表示资源筹集人的节点，该第三用户节点是用于表示资源持有人的节点，该事件节点是用于表示与资源筹集项目相关的设备或信息的节点；

每个节点都包括出度和入度，将入度大于特定值的节点用作中心节点。

5.根据权利要求1-4中任一项所述的资源筹集项目的欺诈预测方法，其特征在于，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率包括：

获取当前订单中项目组织人、资源筹集人和资源持有人的数据，判断该项目组织人和/或资源资源筹集人是否中心节点，并判断是否为欺诈用户；

在确定所述项目组织人是中心节点且是欺诈用户的情况下，确定所述项目组织人及其关联人的欺诈系数，以得到所述项目组织人的欺诈特征数据；

将所述项目组织人的个人属性数据和欺诈特征数据输入所述训练好的所述欺诈预测模型，计算所述当前订单的欺诈概率。

6.根据权利要求1-5中任一项所述的资源筹集项目的欺诈预测方法，其特征在于，还包括：

在确定所述资源资源筹集人是中心节点且是欺诈用户的情况下，确定所述项目组织人及其关联人的欺诈系数，以得到所述资源资源筹集人的欺诈特征数据；

将所述资源资源筹集人的个人属性数据和欺诈特征数据输入所输入所述训练好的所述欺诈预测模型，计算所述当前订单的欺诈概率。

7.根据权利要求1-7中任一项所述的资源筹集项目的欺诈预测方法，其特征在于，所述从所述历史订单数据和关系网图中提取风险特征数据包括：

设定提取规则，所述提取规则包括第一规则和第二规则，该第一规则用于提取项目组织人的风险特征数据，该第二规则用于提取资源筹集人的风险特征数据；

所述第一规则包括判断项目组织人的订单信息是否为欺诈订单、判断项目组织人的订单信息数据中的医疗信息是否是虚假信息、判断项目组织人分享链接的关联人是否是资源持有人及其人数、资源筹集时间集中度是否正常，所述订单信息数据包括资源筹集项目名称、资源筹集总额度、资源持有人的人数、资源筹集时间；

所述第二规则包括判断同一类病的项目总额度是否异常、判断在特定时间内资源筹集人的发起次数是否超过设定阈值。

8.一种资源筹集项目的欺诈预测装置，用于资源筹集平台对基于该平台发起的资源筹集项目中的订单进行欺诈概率的预测，其特征在于：

所述资源筹集项目是由项目组织人发起的由资源筹集人向资源持有人筹集资源的项目；

所述欺诈预测装置包括：

模型建立模块，用于建立基于机器自学习的欺诈预测模型，使用资源筹集项目的历史订单数据建立训练数据集，并使用该训练数据集训练该欺诈预测模型，所述训练数据集包括项目组织人、资源筹集人和资源持有人中的至少一个的属性数据和历史行为数据；

计算模块，用于获取所述资源筹集项目的当前订单数据，使用训练好的所述欺诈预测模型计算该当前订单的欺诈概率。

9.一种电子设备，其中，该电子设备包括：

处理器；以及，

存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的资源筹集项目的欺诈预测方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1-7中任一项所述的资源筹集项目的欺诈预测方法。

Images