CN112926991A - 一种套现团伙严重等级划分方法及系统 - Google Patents
一种套现团伙严重等级划分方法及系统 Download PDFInfo
- Publication number
- CN112926991A CN112926991A CN202110338312.3A CN202110338312A CN112926991A CN 112926991 A CN112926991 A CN 112926991A CN 202110338312 A CN202110338312 A CN 202110338312A CN 112926991 A CN112926991 A CN 112926991A
- Authority
- CN
- China
- Prior art keywords
- group
- business
- severity
- transaction data
- score
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computer Security & Cryptography (AREA)
- Complex Calculations (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种套现团伙严重等级划分方法及系统，所述方法包括以下步骤：步骤S1、根据数据采集装置获取套现团伙中商户涉及的所有原始交易数据，利用过滤条件对交易数据过滤；步骤S2、根据团伙涉及的过滤交易数据，统计团伙的业务性特征，从而计算业务性分数和等级；步骤S3、基于团伙商户之间的共享卡创建团伙商户间的关联，构建出团伙商户网络，从而提取团伙性特征，并计算团伙性分数和等级；步骤S4、采用矩阵法，根据套现团伙业务性和团伙性两个维度的等级，获得团伙的综合等级。所述方法和系统能够全面准确刻画套现团伙的特征，方便业务人员清晰了解团伙的套现严重程度，打造出团伙严重等级划分体系。
Description
技术领域
本发明涉及互联网应用、计算机通信及电子商务领域，具体涉及一种套现团伙严重等级划分方法及系统。
背景技术
目前，针对套现商户团伙在套现严重程度的等级划分上并没有什么突破性的方法，一般往往通过团伙中商户的基本信息和聚合团伙交易数据提取团伙画像特征，如团伙交易金额等，对团伙计算评分，简单采取阈值切分。更甚之，业务人员人工复查团伙的套现交易数据，通过分析团伙的交易行为特点评估团伙严重程度。
现有的套现团伙等级划分方法中存在不准确、低效的缺点：
商户团伙违法套现过程中，往往会想方设法引入许多正常信用卡刷卡使得交易看似正常，从而绕过机构设定的规则避免套现行为明显暴露。因而，通过团伙交易数据得到的聚合特征往往偏大，不准确，对团伙套现严重的判断严重干扰。
套现团伙的数量加上团伙各自套现交易数据量级，使得业务人员人工查看的方式变得十分低效。加上交易数据存在的噪声，人工的方式变得不现实。
发明内容
针对现有技术存在的问题，本发明的目的在于提供一种全面准确刻画套现团伙的特征，方便业务人员清晰了解团伙的套现严重程度，打造出团伙严重等级划分体系。
基于上述目的，本发明提供一种套现团伙严重等级划分方法，所述方法包括以下步骤：
步骤S1、根据数据采集装置获取套现团伙中商户涉及的所有原始交易数据，利用过滤条件对交易数据过滤；
步骤S2、根据团伙涉及的过滤交易数据，统计团伙的业务性特征，从而计算业务性分数和等级；
步骤S3、基于团伙商户之间的共享卡创建团伙商户间的关联性，构建出团伙商户网络，从而提取团伙性特征，并计算团伙性分数和等级；
步骤S4、采用矩阵法，根据套现团伙业务性和团伙性两个维度的等级，获得团伙的综合等级。
进一步，步骤S1中，所述原始交易数据通过信用卡刷卡消费记录获得；所述原始交易数据指的是信用卡-商户的交易明细。
进一步，步骤S2中计算计算业务性分数和等级的过程如下：
S2a.根据团伙商户对应的过滤交易数据，从交易总体方面进行聚合统计，得到团伙的业务性特征；
S2b.设定套现规则，从中筛选出套现信用卡，仅在套现信用卡涉及的交易数据范围内统计业务性特征；
S2c.利用团伙不同的业务性特征进行线性加权，计算得到业务性分数和等级。
进一步，步骤S2c中，选取特定业务性特征，根据如下公式进行线性加权，计算业务性分数；然后根据业务性分数的分布采取分箱方法划分等级，由高到低划分成若干个等级；所述公式如下：
SB＝w1*L+w2*M+w3*N；
其中SB为业务性分数；L为归一化处理的团伙交易总金额；M为团伙套现金额占比；N为团伙套现卡数占比；并且其中w1+w2+w3＝1。
其中，所述归一化函数为y＝log(x+1)/log(MaxValue+1)。
进一步，步骤S3中，计算团伙性分数和等级的方式如下：
S3a.根据团伙商户之间的共享卡建立商户间的关联，构建团伙商户网络，提取团伙性特征；
S3b.利用团伙不同的团伙性特征进行线性加权，计算得到团伙性分数和等级。
进一步，步骤S3b中，选取特定团伙性特征线性加权，通过如下公式得到团伙性分数；然后根据团伙性分数的分布划分出不同的等级，由高到低划分成N个等级；所述公式如下：
SG＝w1*C+w2*K
其中SG为团伙性分数；C为团伙平均聚类系数；K为归一化处理的团伙共享卡平均共享次数；并且其中w1+w2＝1
所述归一化函数为y＝log(x+1)/log(MaxValue+1)；所述团伙共享卡平均共享次数指的是共享卡在团伙商户网络中涉及边数的平均。
进一步，所述由高到低划分成N个等级，其中N＝3，由高到低共划分出ABC三个等级，并采取矩阵法得到团伙综合等级直观表达团伙的严重性。
进一步，所述方法还包括，如果获知部分团伙的严重等级信息，采取聚类方式对其余团伙分级；基于已知严重等级的团伙的特征利用半监督的方法对其余团伙聚类，得到团伙的综合等级。
另一方面，本发明提供一种套现团伙严重等级划分系统，所述系统用于实施权利要求1-8任一项所述的方法，所述系统包括数据采集单元、计算单元和显示单元，其中：
所述数据采集单元用于获取套现团伙中商户涉及的所有原始交易数据并过滤数据；
所述计算单元用于根据交易数据计算得出业务性分数和等级、团伙性分数和等级并最终获得团伙的综合等级；
所述显示单元用于直观显示团伙的综合等级。
进一步，所述过滤数据指根据信用卡月均交易金额分布并结合业务场景，过滤交易金额低于第一阈值的交易数据和月均交易金额低于第二阈值的信用卡涉及的交易数据。
根据本发明的套现团伙严重等级划分方法及系统，具有如下有益效果：
本发明通过团伙性和业务严重性两个维度对套现团伙套现交易行为的危害严重进行等级划分，基于关联网络的方法，利用团伙商户网络拓扑结构计算出团伙商户间的紧密程度和相似度。根据专家经验生成规则，通过逻辑运算符连接成策略，筛选出套现信用卡，定位团伙的套现范围，分别从总体交易和套现交易提取团伙业务性特征，从而全面描绘团伙交易特征的同时又能精确到套现特征，减少噪声干扰。相比现有的套现团伙等级划分方法，全面准确刻画套现团伙的特征，方便业务人员清晰了解团伙的套现严重程度，打造出团伙严重等级划分体系。
附图说明
图1示出了根据本发明的套现团伙严重等级划分方法及系统的团伙商户关联图；
图2示出了根据本发明的套现团伙严重等级系统架构图；
图3示出了根据本发明的业务性等级计算流程图；
图4示出了根据本发明的团伙性等级计算流程图；
图5示出了根据本发明的套现团伙严重等级矩阵图。
具体实施方式
下面将结合附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
信用卡是一种方便消费的金融工具，有些人在急于用钱的时候想要使用信用卡套现，有些不法分子利用手中的POS机以虚构交易的方式从事信用卡代还、套现业务，牟取不正当利益，为了打击这种违法现象，本发明提供一种通过对交易数据的分析和计算，对套现团伙进行自动化分析和等级分类，从而便于发现和打击套现团伙。
如图1-5所示，本发明提供了一种基于业务性和团伙性两维度对套现团伙严重程度等级划分的方法及系统，其中业务性指的是直接影响到团伙套现的规模和危害的特征，如团伙套现金额等，团伙性指的是团伙商户间的联系程度和相似度，如商户间共有信用卡数等。
所述系统包括数据采集装置，所述数据采集装置根据固定的时间粒度收集监控对象数据，然后根据团伙商户固定时间段内涉及的交易数据，分别统计团伙业务性特征和团伙性特征，并计算得到业务性和团伙性的分数及等级，最终由业务性和团伙性等级形成团伙综合等级。
图2描述了套现团伙严重程度分级的过程，具体步骤如下：
步骤S1、根据数据采集装置获取套现团伙中商户涉及的所有原始交易数据。所述原始交易数据一般通过信用卡刷卡消费记录。原始交易数据指的是信用卡-商户的交易明细。根据信用卡月均交易金额分布并结合业务场景，过滤交易金额过低的交易数据和月均交易金额过低的信用卡涉及的交易数据。
其中，交易金额过低的交易数据指的是所有交易金额低于第一阈值的交易数据，例如第一阈值设定为300元，则低于300元的交易数据都不要，全部过滤掉，不论这条交易数据对应的是哪张卡、哪家商户。而月均交易金额过低的信用卡涉及的交易数据指的是月均交易金额低于第二阈值的信用卡对应的所有交易数据，例如第二阈值设定为30000元，则月均交易金额低于30000的信用卡，过滤掉该信用卡对应的所有交易数据，即使该信用卡的部分交易数据金额高于第一阈值(例如上述300元)，这条数据也被过滤掉。上述第一阈值和第二阈值可根据实际情况进行设定，并且所述第二阈值高于第一阈值。
步骤S2、根据团伙涉及的过滤交易数据，统计团伙的业务特征，从而计算业务性分数和等级，计算过程如图3所示。计算的详细步骤如下：
S2a.根据团伙商户对应的过滤交易数据，从交易总体方面进行聚合统计，得到团伙的部分业务性特征，如团伙交易金额等。
S2b.设定套现规则，从中筛选出套现信用卡，仅在套现信用卡涉及的交易数据范围内统计业务性特征，如团伙套现卡数。
S2c.利用团伙不同的业务性特征进行线性加权，计算得到业务性分数和等级。根据专家经验和业务人员的反馈，选取出特定业务性特征，根据如下公式进行线性加权，计算业务性分数。然后根据业务性分数的分布采取分箱方法划分等级，由高到低划分成ABC三个等级。
计算公式如下：Score(business)＝w1*团伙交易总金额(归一化)+w2*团伙套现金额占比+w3*团伙套现卡数占比
其中w1+w2+w3＝1
w为权重,w1、w2、w3分别为各个特征的权重，可根据不同特征的重要程度进行设定。
上述计算公式简化表达如下：
SB＝w1*L+w2*M+w3*N；
其中SB为业务性分数；L为归一化处理的团伙交易总金额；M为团伙套现金额占比；N为团伙套现卡数占比；并且其中w1+w2+w3＝1。
其中，归一化函数为y＝log(x+1)/log(MaxValue+1)。
归一化(Normalization)，即数据标准化处理，是数据挖掘的一项基础工作，不同评价特征往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除特征之间的量纲影响，需要进行数据标准化处理，以解决数据特征之间的可比性。原始数据经过数据标准化处理后，各特征处于同一数量级，适合进行综合对比评价。不同的标准化方法对系统的评价结果会产生不同的影响，但在数据的标准化方法的选择上，还没有通用的法则可以遵循，对于本发明的套现团伙等级划分方法，特别设计了专用于此方法的上述归一化函数计算公式，以便于不同单位或量级的特征能够进行比较和加权。
步骤S3、创建团伙商户间的关联性，构建出团伙商户网络，从而提取团伙性特征，并计算团伙性分数和等级，计算过程如图4所示，包括构建团伙商户网络，统计团伙性特征；以及计算团伙性分数和等级，具体计算过程详细步骤如下：
S3a.根据团伙商户之间的共享卡(共有的信用卡)建立商户间的关联，如图1所示，由于一张信用卡在商户1和商户2都有使用数据，这样的信用卡被定义为共享信用卡，也称为共享卡。
从而构建团伙的有权无向商户网络。并通过图算法等方式计算团伙网络的商户间的紧密程度，得到团伙性特征。
S3b.利用团伙不同的团伙性特征进行线性加权，计算得到团伙性分数和等级。与业务性等级划分一样，选取出特定团伙性特征线性加权，得到团伙性分数，如下公式。然后根据团伙性分数的分布划分出不同的等级，由高到低划分成ABC三个等级。
Score(group)＝w1*团伙平均聚类系数+w2*团伙共享卡平均共享次数(归一化)
其中w1+w2＝1
w为权重,w1、w2分别为各个特征的权重，可根据不同特征的重要程度进行设定。
其中，团伙共享卡平均共享次数指的是共享卡在团伙商户网络中涉及边数的平均。
上述计算公式简化表达如下：
SG＝w1*C+w2*K
其中SG为团伙性分数；C为团伙平均聚类系数；K为归一化后的团伙共享卡平均共享次数；并且其中w1+w2＝1。
其中，归一化函数为y＝log(x+1)/log(MaxValue+1)。
聚类系数是用来描述网络中的节点之间结集成团的程度的系数，即是网络与同一节点连接的两节点互相连接的平均概率，用C表示。
一般地，套现团伙利用一张信用卡在多个商户之间来回刷卡，而团伙性特征一定程度上反映出识别出的团伙准确程度。
步骤S4、采用矩阵法，根据套现团伙业务性和团伙性两个维度的等级，获得团伙的综合等级。业务性和团伙性分别从不同的维度刻画团伙套现的严重性，两者之间独立且相互影响，因此采取矩阵法得到团伙综合等级直观表达团伙的严重。
具体地，如图5所示，当计算获得的某一目标的团伙性分数和业务性分数都为A级，则叠加后在矩阵中显示其综合等级为极严重，作为重点关注对象；如果只有其中一项分数为A级，另一项分数为B级，则综合等级为严重；如果只有其中一项分数为A级，另一项分数为C级，或者两项都为B级，则综合等级为一般严重；如果只有其中一项分数为B级，另一项分数为C级，或者都为C级，则综合等级为稍微严重。
在对团伙的业务性和团伙性的等级划分上，本发明分别利用业务性特征和团伙性特征线性加权得到分数，并根据分数分布采用分箱划分等级。后续，可以利用已知团伙的等级信息对其余团伙采取聚类方式分级。随着业务人员对于团伙等级的打标回流，基于该部分团伙的特征信息利用半监督的方法对其余团伙聚类，得到团伙的综合等级。
本发明还提供一种套现团伙严重等级划分系统，所述系统包括数据采集单元、计算单元和显示单元，其中：所述数据采集单元用于获取套现团伙中商户涉及的所有原始交易数据并过滤数据；所述计算单元用于根据交易数据计算得出业务性分数和等级、团伙性分数和等级并最终获得团伙的综合等级；所述显示单元用于直观显示团伙的综合等级。
所述过滤数据指根据信用卡月均交易金额分布并结合业务场景，过滤交易金额低于第一阈值的交易数据和月均交易金额低于第二阈值的信用卡涉及的交易数据。
本发明通过团伙性和业务严重性两个维度对套现团伙套现交易行为的危害严重进行等级划分，相比现有的套现团伙等级划分方法，全面准确刻画套现团伙的特征，方便业务人员清晰了解团伙的套现严重程度，打造出团伙严重等级划分体系。所述有益效果如下：
1).保留团伙总体交易特征的同时，通过专家经验设置规则，筛选出团伙涉及的套现信用卡，锁定团伙的套现数据，降低噪声的影响，从而更准确提取出团伙在套现方面的业务性特征。
2).现有的方法缺乏描述团伙商户间的紧密联系程度和相似度。基于关联网络技术将团伙商户间关联映射到图网络中，可以根据团伙商户网络拓扑利用图算法等方法计算出团伙的团伙性特征，同时也可以直观了解团伙中各商户之间的关联特点。
3).多维度对团伙套现描述，使得业务人员全面了解到团伙的套现严重度。通过将团伙性和业务性分离，从套现程度和团伙可疑度分别考量，刻画出套现团伙严重程度。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述套现团伙严重等级划分方法实施例的各个过程，且能达到相同的技术效果。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
Claims (10)
1.一种套现团伙严重等级划分方法，其特征在于，所述方法包括以下步骤：
步骤S1、根据数据采集装置获取套现团伙中商户涉及的所有原始交易数据，利用过滤条件对交易数据过滤；
步骤S2、根据团伙涉及的过滤交易数据，提取团伙的业务性特征，计算业务性分数和等级；
步骤S3、基于团伙商户之间的共享卡创建团伙商户间的关联，构建团伙商户网络，从而提取团伙性特征，并计算团伙性分数和等级；
步骤S4、采用矩阵法，根据团伙业务性和团伙性两个维度的等级，获得团伙的综合等级。
2.根据权利要求1所述的套现团伙严重等级划分方法，其特征在于，步骤S1中，所述原始交易数据通过信用卡刷卡消费记录获得；所述原始交易数据指的是信用卡-商户的交易明细；所述过滤条件指的是交易金额低于第一阈值的交易数据和月均交易金额低于第二阈值的信用卡涉及的交易数据。
3.根据权利要求1所述的套现团伙严重等级划分方法，其特征在于，步骤S2中，所述业务性特征指的是直接影响到团伙套现的规模和危害的特征；计算业务性分数和等级的过程如下：
S2a.根据团伙商户对应的过滤交易数据，从交易总体方面进行聚合统计，得到团伙的业务性特征；
S2b.设定套现规则，从全量信用卡中筛选出套现信用卡后，仅在套现信用卡涉及的交易数据范围内统计业务性特征；
S2c.利用团伙不同的业务性特征进行线性加权，计算得到业务性分数和等级。
4.根据权利要求3所述的套现团伙严重等级划分方法，其特征在于，步骤S2c中，选取特定业务性特征，根据如下公式进行线性加权，计算业务性分数；然后根据所有团伙业务性分数的分布采取分箱方法划分等级，由高到低划分成若干个等级；所述公式如下：
SB＝w1*L+w2*M+w3*N；
其中SB为业务性分数；L为归一化处理的团伙交易总金额；M为团伙套现金额占比；N为团伙套现卡数占比；并且其中w1+w2+w3＝1；
其中，所述归一化函数为y＝log(x+1)/log(MaxValue+1)。
5.根据权利要求1所述的套现团伙严重等级划分方法，其特征在于，步骤S3中，所述团伙性特征指的是描述团伙商户间联系程度和相似度的特征；计算团伙性分数和等级的方式如下：
S3a.根据团伙商户之间的共享卡建立商户间的关联，构建团伙商户网络，提取团伙性特征；
S3b.利用团伙不同的团伙性特征进行线性加权，计算得到团伙性分数和等级。
6.根据权利要求5所述的套现团伙严重等级划分方法，其特征在于，步骤S3b中，选取特定团伙性特征线性加权，通过如下公式得到团伙性分数；然后根据所有团伙的团伙性分数的分布划分出不同的等级，由高到低划分成若干个等级；所述公式如下：
SG＝w1*C+w2*K
其中SG为团伙性分数；C为团伙平均聚类系数；K为归一化处理的团伙共享卡平均共享次数；并且其中w1+w2＝1
所述归一化函数为y＝log(x+1)/log(MaxValue+1)；所述团伙共享卡平均共享次数指的是共享卡在团伙商户网络中涉及边数的平均。
7.根据权利要求4或6所述的套现团伙严重等级划分方法，其特征在于，根据计算得出的业务性分数和/或团伙性分数由高到低共划分出ABC三个等级，并采取矩阵法得到团伙综合等级直观表达团伙的严重性。
8.根据权利要求1-7任一项所述的套现团伙严重等级划分方法，其特征在于，所述方法还包括，如果获知部分团伙的严重等级信息，采取聚类方式对其余团伙分级；基于已知严重等级的团伙的特征利用半监督的方法对其余团伙聚类，得到团伙的综合等级。
9.一种套现团伙严重等级划分系统，其特征在于，所述系统用于实施权利要求1-8任一项所述的方法，所述系统包括数据采集单元、计算单元和显示单元，其中：
所述数据采集单元用于获取套现团伙中商户涉及的所有原始交易数据并过滤数据；
所述计算单元用于根据交易数据计算得出业务性分数和等级、团伙性分数和等级并最终获得团伙的综合等级；
所述显示单元用于直观显示团伙的综合等级。
10.根据权利要求9所述的套现团伙严重等级划分系统，其特征在于，所述过滤数据是指根据信用卡月均交易金额分布并结合业务场景，过滤交易金额低于第一阈值的交易数据和月均交易金额低于第二阈值的信用卡涉及的交易数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110338312.3A CN112926991B (zh) | 2021-03-30 | 2021-03-30 | 一种套现团伙严重等级划分方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110338312.3A CN112926991B (zh) | 2021-03-30 | 2021-03-30 | 一种套现团伙严重等级划分方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112926991A true CN112926991A (zh) | 2021-06-08 |
| CN112926991B CN112926991B (zh) | 2024-04-30 |
Family
ID=76176471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110338312.3A Active CN112926991B (zh) | 2021-03-30 | 2021-03-30 | 一种套现团伙严重等级划分方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926991B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109394A (zh) * | 2023-03-23 | 2023-05-12 | 北京芯盾时代科技有限公司 | 团伙挖掘方法、装置、电子设备及计算机可读存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030036996A1 (en) * | 2001-08-16 | 2003-02-20 | Lazerson Jeffrey M. | Credit/financing process |
| US20160019613A1 (en) * | 2014-07-15 | 2016-01-21 | Xerox Corporation | Method and apparatus for calculating a transaction quality score of a merchant |
| CN106709800A (zh) * | 2016-12-06 | 2017-05-24 | 中国银联股份有限公司 | 一种基于特征匹配网络的社团划分方法和装置 |
| CN109299811A (zh) * | 2018-08-20 | 2019-02-01 | 众安在线财产保险股份有限公司 | 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 |
| CN109460889A (zh) * | 2018-09-14 | 2019-03-12 | 阿里巴巴集团控股有限公司 | 风险管控方法、系统、服务器及计算机可读存储介质 |
| CN109934700A (zh) * | 2019-03-01 | 2019-06-25 | 中国银联股份有限公司 | 一种套现侦测的方法及装置 |
| CN110009490A (zh) * | 2019-01-14 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 异常金融交易群体识别方法及装置 |
| CN110348978A (zh) * | 2019-07-19 | 2019-10-18 | 中国工商银行股份有限公司 | 基于图计算的风险团伙识别方法、装置、设备和存储介质 |
| CN110413707A (zh) * | 2019-07-22 | 2019-11-05 | 百融云创科技股份有限公司 | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 |
| US20200211021A1 (en) * | 2018-12-28 | 2020-07-02 | Mastercard International Incorporated | Systems and methods for early detection of network fraud events |
| CN111861486A (zh) * | 2020-06-29 | 2020-10-30 | 中国银联股份有限公司 | 异常账户识别方法、装置、设备及介质 |
| WO2020238535A1 (zh) * | 2019-05-28 | 2020-12-03 | 深圳壹账通智能科技有限公司 | 聚合支付商户的套现风险检测方法及装置、电子设备 |
| CN112085586A (zh) * | 2020-08-10 | 2020-12-15 | 北京中亦安图科技股份有限公司 | 一种基于密集子图的银行信用卡反套现方法 |
-
2021
- 2021-03-30 CN CN202110338312.3A patent/CN112926991B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030036996A1 (en) * | 2001-08-16 | 2003-02-20 | Lazerson Jeffrey M. | Credit/financing process |
| US20160019613A1 (en) * | 2014-07-15 | 2016-01-21 | Xerox Corporation | Method and apparatus for calculating a transaction quality score of a merchant |
| CN106709800A (zh) * | 2016-12-06 | 2017-05-24 | 中国银联股份有限公司 | 一种基于特征匹配网络的社团划分方法和装置 |
| WO2018103456A1 (zh) * | 2016-12-06 | 2018-06-14 | 中国银联股份有限公司 | 一种基于特征匹配网络的社团划分方法、装置及电子设备 |
| CN109299811A (zh) * | 2018-08-20 | 2019-02-01 | 众安在线财产保险股份有限公司 | 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 |
| CN109460889A (zh) * | 2018-09-14 | 2019-03-12 | 阿里巴巴集团控股有限公司 | 风险管控方法、系统、服务器及计算机可读存储介质 |
| US20200211021A1 (en) * | 2018-12-28 | 2020-07-02 | Mastercard International Incorporated | Systems and methods for early detection of network fraud events |
| CN110009490A (zh) * | 2019-01-14 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 异常金融交易群体识别方法及装置 |
| CN109934700A (zh) * | 2019-03-01 | 2019-06-25 | 中国银联股份有限公司 | 一种套现侦测的方法及装置 |
| WO2020238535A1 (zh) * | 2019-05-28 | 2020-12-03 | 深圳壹账通智能科技有限公司 | 聚合支付商户的套现风险检测方法及装置、电子设备 |
| CN110348978A (zh) * | 2019-07-19 | 2019-10-18 | 中国工商银行股份有限公司 | 基于图计算的风险团伙识别方法、装置、设备和存储介质 |
| CN110413707A (zh) * | 2019-07-22 | 2019-11-05 | 百融云创科技股份有限公司 | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 |
| CN111861486A (zh) * | 2020-06-29 | 2020-10-30 | 中国银联股份有限公司 | 异常账户识别方法、装置、设备及介质 |
| CN112085586A (zh) * | 2020-08-10 | 2020-12-15 | 北京中亦安图科技股份有限公司 | 一种基于密集子图的银行信用卡反套现方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孙权;汤韬;郑建宾;潘婧;赵金涛;: "金融交易数据驱动的图谱网络智能化欺诈侦测", 应用科学学报, no. 05, pages 59 - 69 * |
| 章明，刘培: "基于大数据的智能风险防控平台设计与实现", 中国工程科学, vol. 22, no. 6, pages 111 - 120 * |
| 章明;: "信用卡风险分析及安全使用防范", 中国防伪报道, no. 06, pages 53 - 55 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109394A (zh) * | 2023-03-23 | 2023-05-12 | 北京芯盾时代科技有限公司 | 团伙挖掘方法、装置、电子设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112926991B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492945A (zh) | 企业风险识别监控方法、装置、设备及存储介质 | |
| CN111784508A (zh) | 企业风险评估方法、装置及电子设备 | |
| 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 | |
| CN107679734A (zh) | 一种用于无标签数据分类预测的方法和系统 | |
| TW202042132A (zh) | 一種異常交易節點的檢測方法及裝置 | |
| CN108022146A (zh) | 征信数据的特征项处理方法、装置、计算机设备 | |
| CN107194815B (zh) | 客户分类方法及系统 | |
| CN110895758A (zh) | 存在作弊交易的信用卡账户的筛选方法、装置及系统 | |
| CN114022269A (zh) | 一种公共信用领域企业信用风险评估方法 | |
| CN115526700A (zh) | 风险的预测方法、装置及电子设备 | |
| CN112926991A (zh) | 一种套现团伙严重等级划分方法及系统 | |
| CN113919932A (zh) | 一种基于贷款申请评分模型的客户评分偏移检测方法 | |
| Apparao et al. | Financial statement fraud detection by data mining | |
| WO2019196502A1 (zh) | 营销活动质量评估方法、服务器及计算机可读存储介质 | |
| Houssou et al. | Adaptive financial fraud detection in imbalanced data with time-varying poisson processes | |
| CN115913745A (zh) | 车辆安全事件预测方法、装置、计算机设备和存储介质 | |
| CN115392351A (zh) | 风险用户识别方法、装置、电子设备及存储介质 | |
| CN113641825A (zh) | 基于客观信息论的智慧法院系统大数据处理方法及装置 | |
| CN110570301B (zh) | 风险识别方法、装置、设备及介质 | |
| WO2022183019A9 (en) | Methods for mitigation of algorithmic bias discrimination, proxy discrimination and disparate impact | |
| CN113935574B (zh) | 异常交易的监测方法、装置、计算机设备和存储介质 | |
| US20230394069A1 (en) | Method and apparatus for measuring material risk in a data set | |
| CN112529708B (zh) | 一种客户识别方法及装置、电子设备 | |
| Apitzsch et al. | Cluster Analysis of Mixed Data Types in Credit Risk: A study of clustering algorithms to detect customer segments | |
| CN114549006A (zh) | 一种团伙挖掘方法、装置、设备及可读存储介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 603b, building 19, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Dingxiang Technology Co.,Ltd. Address before: Room 603b, building 19, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: Top Elephant Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Pang Lei Inventor after: Zhou Hao Inventor after: Zhang Ming Inventor after: Yang Zhenzhong Inventor after: Chen Long Inventor before: Yu Xianliang Inventor before: Chen Long Inventor before: Chen Shuhua |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220316 Address after: No.36, Hanxiao Road, Pudong New Area, Shanghai, 200135 Applicant after: CHINA UNIONPAY Co.,Ltd. Address before: Room 603b, building 19, No. 998, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou Dingxiang Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |