CN113298118A - 一种基于神经网络的智能反欺诈方法、装置及电子设备 - Google Patents
一种基于神经网络的智能反欺诈方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113298118A CN113298118A CN202110468755.4A CN202110468755A CN113298118A CN 113298118 A CN113298118 A CN 113298118A CN 202110468755 A CN202110468755 A CN 202110468755A CN 113298118 A CN113298118 A CN 113298118A
- Authority
- CN
- China
- Prior art keywords
- user
- image
- layer
- model
- neural network
- 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 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 230000006399 behavior Effects 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 20
- 230000001537 neural effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的智能反欺诈方法、装置及电子设备,所述方法包括:基于Tensorflow框架搭建预设神经网络模型,使用训练数据集训练该预设神经网络模型,所述训练数据集包括所述网络业务的历史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像;采集网络业务新用户的包含背景的用户图像;将所述新用户的用户图像输入训练好的所述预设神经网络模型中计算该新用户的欺诈风险。本发明无需依赖外部数据源,可以有效减少因外部数据源不稳定对模型结果的影响,同时,本发明无需等待外部数据采集完成,在用户填写申请阶段就能得到风险结果,可以在较前的节点制定相关风控策略,提高风控能力、降低企业风险。
Description
技术领域
本发明涉及计算机信息处理技术领域,具体而言,涉及一种基于神经网络的智能反欺诈方法、装置、电子设备及计算机可读介质。
背景技术
风控模型是用来对业务风险进行识别、控制的模型。传统的风控模型需要依赖不同种类的外部数据(比如用户身份信息、用户行为信息等)。因为牵扯到信息安全的问题,会导致外部数据源经常出现不稳定,数据缺失等情况。
而在通常情况下,企业会接入多个外部数据源,不同的外部数据源一般会在不同时段出现不稳定的情况,这就造成频繁的出现某一时段中某一数据源不稳定的情况。这种频繁出现的不稳定数据会严重影响风控模型的结果。另一方面,由于风控模型需要依赖外部数据源,这就需要在众多数据源采集完毕之后才可以执行风控环节,导致配置风控模型的节点较为靠后,风控无法提前做相应的策略。
发明内容
本发明旨在解决传统风控模型需要依赖外部数据,影响模型结果同时导致模型节点靠后的技术问题。
为了解决上述技术问题,本发明第一方面提出一种基于神经网络的智能反欺诈方法,用于对网络业务新用户的欺诈风险进行识别,所述方法包括:
基于Tensorflow框架搭建预设神经网络模型,使用训练数据集训练该预设神经网络模型,所述训练数据集包括所述网络业务的历史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像;
采集网络业务新用户的包含背景的用户图像;
将所述新用户的用户图像输入训练好的所述预设神经网络模型中计算该新用户的欺诈风险。
根据本发明一种优选实施方式,所述基于Tensorflow框架搭建预设神经网络模型包括:
配置输入层的参数,将用户图像分为一个只包含用户的第一图像区数据和多个只包含背景的第二图像区域数据;
配置零填充层、卷积层和池化层,将所述多个第二图像区域数据通过零填充层、卷积层和池化层处理,输出多个输出项;
通过keras中的权重模型配置第一模型,将所述第一图像区数据输入所述第一模型;其中,所述第一模型包含八层网络,前四层的权重不变;
配置一个神经单元节点激活全连接层,将所述多个输出项和所述第一模型的输出项连接成一个新的张量。
根据本发明一种优选实施方式,所述用户图像是包含背景的用户半身图像,所述配置输入层的参数,将用户图像分为一个只包含用户的第一图像区数据和多个只包含背景的第二图像区域数据包括:
配置输入层图像矩阵的shap,将用户图像分为一个只包含用户半身图像的第一图像区域数据和三个包含背景的第二图像区域数据。
根据本发明一种优选实施方式,所述配置零填充层、卷积层和池化层,将所述多个第二图像区域数据通过零填充层、卷积层和池化层处理,输出多个输出项包括:
分别配置零填充层的padding、卷积层的卷积核和激活函数、以及池化层的池化函数;
将所述多个第二图像区域数据重复输入所述零填充层和所述卷积层的卷积核后,再输入卷积层的激活函数和池化层。
根据本发明一种优选实施方式,所述第一模型为VGG19。
根据本发明一种优选实施方式,所述神经单元节点的激活函数为ReLU。
根据本发明一种优选实施方式,所述使用训练数据集训练该预设神经网络模型包括:
配置多输入模型,并通过所述多输入模型读取训练数据集中的历史用户的包含背景的图像;
根据所述历史用户的包含背景的图像以fit的方式训练所述预设神经网络模型。
为解决上述技术问题,本发明第二方面提供一种基于神经网络的智能反欺诈装置,用于对网络业务新用户的欺诈风险进行识别,所述装置包括:
搭建训练模块,用于基于Tensorflow框架搭建预设神经网络模型,使用训练数据集训练该预设神经网络模型,所述训练数据集包括所述网络业务的另史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像;
采集模块,用于采集所述新用户的包含背景的用户图像;
预测模块,用于将所述新用户的用户图像输入训练好的所述预设神经网络模型中计算该新用户的欺诈风险。
根据本发明一种优选实施方式,所述搭建训练模块包括:
第一配置模块,用于配置输入层的参数,将用户图像分为一个只包含用户的第一图像区数据和多个只包含背景的第二图像区域数据;
第二配置模块,用于配置零填充层、卷积层和池化层,将所述多个第二图像区域数据通过零填充层、卷积层和池化层处理,输出多个输出项;
第三配置模块,用于通过keras中的权重模型配置第一模型,将所述第一图像区数据输入所述第一模型;其中,所述第一模型包含八层网络,前四层的权重不变;
第四配置模块,用于配置一个神经单元节点激活全连接层,将所述多个输出项和所述第一模型的输出项连接成一个新的张量。
根据本发明一种优选实施方式,所述用户图像是包含背景的用户半身图像,所述第一配置模块具体用于配置输入层图像矩阵的shap,将用户图像分为一个只包含用户半身图像的第一图像区域数据和三个包含背景的第二图像区域数据。
根据本发明一种优选实施方式,所述第二配置模块包括:
子配置模块,用于分别配置零填充层的padding、卷积层的卷积核和激活函数、以及池化层的池化函数;
输入模块,用于将所述多个第二图像区域数据重复输入所述零填充层和所述卷积层的卷积核后,再输入卷积层的激活函数和池化层。
根据本发明一种优选实施方式,所述第一模型为VGG19。
根据本发明一种优选实施方式,所述神经单元节点的激活函数为ReLU。
根据本发明一种优选实施方式,所述搭建训练模块还包括:
第五配置模块,用于配置多输入模型,并通过所述多输入模型读取训练数据集中的历史用户的包含背景的图像;
训练模块,用于根据所述历史用户的包含背景的图像以fit的方式训练所述预设神经网络模型。
为解决上述技术问题,本发明第三方面提供一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器执行上述的方法。
为解决上述技术问题,本发明第四方面提供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,当所述一个或多个程序被处理器执行时,实现上述方法。
本发明基于Tensorflow框架搭建预设神经网络模型,使用训练数据集训练该预设神经网络模型,所述训练数据集包括网络业务的历史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像;将新用户的用户图像输入训练好的预设神经网络模型,通过用户图像中的背景以及用户的微表情、用户穿着特征等来识别新用户的欺诈风险。基于此,本发明无需依赖外部数据源,可以有效减少因外部数据源不稳定对模型结果的影响,同时,本发明无需等待外部数据采集完成,在用户填写申请阶段就能得到风险结果,可以在较前的节点制定相关风控策略,提高风控能力、降低企业风险。
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的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是本发明一种基于神经网络的智能反欺诈方法的流程示意图;
图2是本发明基于Tensorflow框架搭建预设神经网络模型的流程示意图;
图3是本发明一种用户图像的示意图;
图4是本发明一种基于神经网络的智能反欺诈装置的结构框架示意图;
图5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6是本发明一种计算机可读介质实施例的示意图。
具体实施方式
现在将参考附图来更加全面地描述本发明的示例性实施例,虽然各示例性实施例能够以多种具体的方式实施,但不应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是为了使本发明的内容更加完整,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结构、性能、效果或者其他特征可以以任何合适的方式结合到一个或更多其他的实施例中。
在对于具体实施例的介绍过程中,对结构、性能、效果或者其他特征的细节描述是为了使本领域的技术人员对实施例能够充分理解。但是,并不排除本领域技术人员可以在特定情况下,以不含有上述结构、性能、效果或者其他特征的技术方案来实施本发明。
附图中的流程图仅是一种示例性的流程演示,不代表本发明的方案中必须包括流程图中的所有的内容、操作和步骤,也不代表必须按照图中所显示的的顺序执行。例如,流程图中有的操作/步骤可以分解,有的操作/步骤可以合并或部分合并,等等,在不脱离本发明的发明主旨的情况下,流程图中显示的执行顺序可以根据实际情况改变。
附图中的框图一般表示的是功能实体,并不一定必然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。
各附图中相同的附图标记表示相同或类似的元件、组件或部分,因而下文中可能省略了对相同或类似的元件、组件或部分的重复描述。还应理解,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,但是这些器件、元件、组件或部分不应受这些定语的限制。也就是说,这些定语仅是用来将一者与另一者区分。例如,第一器件亦可称为第二器件,但不偏离本发明实质的技术方案。此外,术语“和/或”、“及/或”是指包括所列出项目中的任一个或多个的所有组合。
请参阅图1,图1是本发明提供的一种基于神经网络的智能反欺诈方法的流程图。用于对网络业务新用户的欺诈风险进行识别,其中,所述网络业务是可以通过网络办理的具有欺诈风险的业务,比如,与资金往来相关的网络业务等。如图1所示,所述方法包括:
S1、基于Tensorflow框架搭建预设神经网络模型,使用训练数据集训练该预设神经网络模型;
其中,所述训练数据集包括所述网络业务的历史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像。
本发明中,神经网络是一种运算模型,由大量的节点(或称神经元)和之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。一个完整的神经网络包括输入层、卷积层、池化层、全连接层等部分。TensorFlow是一个端到端开源机器学习平台,是张量从流图的一端流动到另一端计算过程,其可以将复杂的数据结构传输至神经网络中进行分析和处理。
本发明通过预设神经网络模型对包含背景的新用户图像进行判断,从而识别新用户的欺诈风险。比如,在一种应用实例中,在新用户资源申请阶段采集包含背景的新用户图像,提取图像中用户背景、用户表情、用户穿着等特征来识别新用户是否有逾期归还、欺诈等风险。因此,本发明中,所述用户图像包含背景和至少用户脸部的图像,其可以是包含背景和用户头部的图像,也可以是包含背景和用户半身的图像,还也是包含背景和用户全身的图像,本发明不做具体限定。
示例性的,如图2所示,所述基于Tensorflow框架搭建预设神经网络模型包括:
S11、配置输入层的参数,将用户图像分为一个只包含用户的第一图像区域和多个只包含背景的第二图像区域;
本步骤通过配置输入层参数将输入的用户图像分为一个只包含用户的第一图像区域和多个只包含背景的第二图像区域。该参数具体可以是Tensorflow中输入层图像矩阵的shap。对用户图像的分割方式及对应shap的配置可以根据用户图像中包含的用户部位而定。以图3中用户图像是包含背景和用户半身像为例,可以配置输入层图像矩阵的shap,将用户图像分为一个只包含用户半身像的第一图像区域301,对应shape为(180,224,3)以及,三个包含背景的第二图像区域,分别对应shape为(149,74,3)的用户背景的左侧区域302,shape为(149,74,3)的用户背景的右侧区域303,以及shape为(44,224,3)的用户背景中上区域304。
S12、配置零填充层、卷积层和池化层,将所述多个第二图像区域通过零填充层、卷积层和池化层处理,输出多个输出项;
其中,零填充层(Zero-padding)在输入矩阵的边缘使用零值进行填充。通过零填充层可以控制特征图的大小。卷积层由一组滤波器组成,滤波器可以视为二维数字矩阵,将滤波器与输入图像进行卷积来产生输出图像。池化层夹在连续的卷积层中间,用于压缩数据和参数的量,减小过拟合。
示例的,可以分别配置零填充层的padding、卷积层的卷积核和激活函数、以及池化层的池化函数;将所述多个第二图像区域重复输入所述零填充层和所述卷积层的卷积核后,再输入卷积层的激活函数和池化层。以图3中的用户图像为例,可以配置padding为(1,1)的二维零填充层,卷积核行数列数为(3,3),激活函数为relu,以及2*2大小的池化层;将图3中用户背景的左侧区域302、用户背景的右侧区域303、用户背景的中上区域304重复加入零填充层和卷积核后,加入激活函数为relu的二维卷积层,以及2*2大小的池化层,施加最大池化函数,重复上述过程,直至各个节点的权重值不变。
S13、通过keras中的权重模型配置第一模型,将所述第一图像区域输入所述第一模型;
其中,keras是一个用Python编写的高级神经网络API,它能够以TensorFlow作为后端运行。所述第一模型包含八层网络,前四层的权重不变;所述第一模型可以直接使用keras中带有预训练权重的模型VGG19,通过VGG19定义一个新的模型对象,从中直接提取特征,并设置前4层的权重不变,通过第一图像区域只训练后面四层网络。
S14、配置一个神经单元节点激活全连接层,将所述多个输出项和所述第一模型的输出项连接成一个新的张量。
具体可以配置一个神经单元节点数为128,激活函数为relu的全连接层。将步骤S12中的多个输出项和步骤S13中第一模型的输出项连接成一个新的张量。
本发明在搭建好预设神经网络模型后配置多输入模型,并通过所述多输入模型读取训练数据集中的历史用户的包含背景的图像;根据所述历史用户的包含背景的图像以fit的方式训练所述预设神经网络模型。其中,所述训练数据集包括所述网络业务的历史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像。
其中,fit的方式是一次把训练数据全部加载到内存中,然后每次批处理batch_size个数据来更新模型参数。
本发明可以以离线方式对预设神经网络模型进行搭建和训练。
S2、采集网络业务新用户的包含背景的用户图像;
具体的,可以在接收到用户申请信息时采集网络业务新用户的包含背景的用户图像;示例性的,当新用户通过客户端申请或者办理业务时,会通过摄像头、人脸识别等技术采集网络业务新用户的包含背景的用户图像。
S3、将所述新用户的用户图像输入训练好的所述预设神经网络模型中识别该新用户的欺诈风险;
在一种示例中,训练好的预设神经网络模型会根据用户用户背景、用户表情、用户穿着等特征来识别用户是否有逾期归还、欺诈等风险。
其中,欺诈风险可以采用具体的概率值或者分数值来表示,预设神经网络模型可以输出用户欺诈概率、也可以输出用户欺诈分数。
进一步的,可以根据用户欺诈风险的具体表示形式设置对应的风险阈值,比如,对应用户欺诈概率,可以设置欺诈风险概率阈值;当用户欺诈风险大于阈值时,确定该用户为欺诈用户。
进一步的,由于本发明在用户申请阶段即可识别用户欺诈风险,也可以将步骤S3的识别结果作为新的输入项,输入到后续节点的风控模型中,从更多的角度评估用户的欺诈风险情况,进一步减少因外部数据源不稳定导致的模型结果降低,提高预测准确率。
图4是本发明一种基于神经网络的智能反欺诈装置的架构示意图,所述装置用于用于对网络业务新用户的欺诈风险进行识别,如图4所示,所述装置包括:
搭建训练模块41,用于基于Tensorflow框架搭建预设神经网络模型,使用训练数据集训练该预设神经网络模型,所述训练数据集包括所述网络业务的另史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像;
采集模块42,用于采集所述新用户的包含背景的用户图像;
预测模块43,用于将所述新用户的用户图像输入训练好的所述预设神经网络模型中识别该新用户的欺诈风险。
在一种具体实施方式中,所述搭建训练模块41包括:
第一配置模块,用于配置输入层的参数,将用户图像分为一个只包含用户的第一图像区域和多个只包含背景的第二图像区域;
第二配置模块,用于配置零填充层、卷积层和池化层,将所述多个第二图像区域通过零填充层、卷积层和池化层处理,输出多个输出项;
第三配置模块,用于通过keras中的权重模型配置第一模型,将所述第一图像区域输入所述第一模型;其中,所述第一模型包含八层网络,前四层的权重不变;优选的,所述第一模型为VGG19。
第四配置模块,用于配置一个神经单元节点激活全连接层,将所述多个输出项和所述第一模型的输出项连接成一个新的张量。优选的,所述神经单元节点的激活函数为relu。
在一种具体示例中,所述用户图像是包含背景和用户半身像的用户图像,所述第一配置模块具体用于配置输入层图像矩阵的shap,将用户图像分为一个只包含用户半身像的第一图像区域和三个包含背景的第二图像区域。
所述第二配置模块包括:
子配置模块,用于分别配置零填充层的padding、卷积层的卷积核和激活函数、以及池化层的池化函数;
输入模块,用于将所述多个第二图像区域重复输入所述零填充层和所述卷积层的卷积核后,再输入卷积层的激活函数和池化层。
进一步的,所述搭建训练模块41还包括:
第五配置模块,用于配置多输入模型,并通过所述多输入模型读取训练数据集中的历史用户的包含背景的图像;
训练模块,用于根据所述历史用户的包含背景的图像以fit的方式训练所述预设神经网络模型。
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。
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实体形式的实施方式。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5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5显示的电子设备仅仅是一个示例,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5所示,该示例性实施例的电子设备500以通用数据处理设备的形式表现。电子设备500的组件可以包括但不限于:至少一个处理单元510、至少一个存储单元520、连接不同电子设备组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中,所述存储单元520存储有计算机可读程序,其可以是源程序或都只读程序的代码。所述程序可以被处理单元510执行,使得所述处理单元510执行本发明各种实施方式的步骤。例如,所述处理单元510可以执行如图1所示的步骤。
所述存储单元520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)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作电子设备、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530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500也可以与一个或多个外部设备300(例如键盘、显示器、网络设备、蓝牙设备等)通信,使得用户能经由这些外部设备300与该电子设备500交互,和/或使得该电子设备500能与一个或多个其它数据处理设备(例如路由器、调制解调器等等)进行通信。这种通信可以通过输入/输出(I/O)接口550进行,还可以通过网络适配器560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)进行。网络适配器560可以通过总线530与电子设备500的其它模块通信。应当明白,尽管图5中未示出,电子设备500中可使用其它硬件和/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电子设备、磁带驱动器以及数据备份存储电子设备等。
图6是本发明的一个计算机可读介质实施例的示意图。如图6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、或半导体的电子设备、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。当所述计算机程序被一个或多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,即基于Tensorflow框架搭建预设神经网络模型,使用训练数据集训练该预设神经网络模型,所述训练数据集包括所述网络业务的历史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像;采集网络业务新用户的包含背景的用户图像;将所述新用户的用户图像输入训练好的所述预设神经网络模型中计算该新用户的欺诈风险。
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数据处理设备(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。
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电子设备、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音的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语音包括面向对象的程序设计语音—诸如Java、C++等,还包括常规的过程式程序设计语音—诸如“C”语音或类似的程序设计语音。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,本发明可以执行计算机程序的方法、装置、电子设备或计算机可读介质来实现。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本发明的一些或者全部功能。
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 (16)
1.一种基于神经网络的智能反欺诈方法,用于对网络业务新用户的欺诈风险进行识别,其特征在于,所述方法包括:
基于Tensorflow框架搭建预设神经网络模型,使用训练数据集训练该预设神经网络模型,所述训练数据集包括所述网络业务的历史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像;
采集网络业务新用户的包含背景的用户图像;
将所述新用户的用户图像输入训练好的所述预设神经网络模型中计算该新用户的欺诈风险。
2.根据权利要求1所述的方法,其特征在于,所述基于Tensorflow框架搭建预设神经网络模型包括:
配置输入层的参数,将用户图像分为一个只包含用户的第一图像区数据和多个只包含背景的第二图像区域数据;
配置零填充层、卷积层和池化层,将所述多个第二图像区域数据通过零填充层、卷积层和池化层处理,输出多个输出项;
通过keras中的权重模型配置第一模型,将所述第一图像区数据输入所述第一模型;其中,所述第一模型包含八层网络,前四层的权重不变;
配置一个神经单元节点激活全连接层,将所述多个输出项和所述第一模型的输出项连接成一个新的张量。
3.根据权利要求2所述的方法,其特征在于,所述用户图像是包含背景的用户半身图像,所述配置输入层的参数,将用户图像分为一个只包含用户的第一图像区数据和多个只包含背景的第二图像区域数据包括:
配置输入层图像矩阵的shap,将用户图像分为一个只包含用户半身图像的第一图像区域数据和三个包含背景的第二图像区域数据。
4.根据权利要求3所述的方法,其特征在于,所述配置零填充层、卷积层和池化层,将所述多个第二图像区域数据通过零填充层、卷积层和池化层处理,输出多个输出项包括:
分别配置零填充层的padding、卷积层的卷积核和激活函数、以及池化层的池化函数;
将所述多个第二图像区域数据重复输入所述零填充层和所述卷积层的卷积核后,再输入卷积层的激活函数和池化层。
5.根据权利要求2所述的方法,其特征在于,所述第一模型为VGG19。
6.根据权利要求2所述的方法,其特征在于,所述神经单元节点的激活函数为relu。
7.根据权利要求2所述的方法,其特征在于,所述使用训练数据集训练该预设神经网络模型包括:
配置多输入模型,并通过所述多输入模型读取训练数据集中的历史用户的包含背景的图像;
根据所述历史用户的包含背景的图像以fit的方式训练所述预设神经网络模型。
8.一种基于神经网络的智能反欺诈装置,用于对网络业务新用户的欺诈风险进行识别,其特征在于,所述装置包括:
搭建训练模块,用于基于Tensorflow框架搭建预设神经网络模型,使用训练数据集训练该预设神经网络模型,所述训练数据集包括所述网络业务的另史用户中具有欺诈行为和没有欺诈行为的用户的包含背景的图像;
采集模块,用于采集所述新用户的包含背景的用户图像;
预测模块,用于将所述新用户的用户图像输入训练好的所述预设神经网络模型中计算该新用户的欺诈风险。
9.根据权利要求8所述的装置,其特征在于,所述搭建训练模块包括:
第一配置模块,用于配置输入层的参数,将用户图像分为一个只包含用户的第一图像区数据和多个只包含背景的第二图像区域数据;
第二配置模块,用于配置零填充层、卷积层和池化层,将所述多个第二图像区域数据通过零填充层、卷积层和池化层处理,输出多个输出项;
第三配置模块,用于通过keras中的权重模型配置第一模型,将所述第一图像区数据输入所述第一模型;其中,所述第一模型包含八层网络,前四层的权重不变;
第四配置模块,用于配置一个神经单元节点激活全连接层,将所述多个输出项和所述第一模型的输出项连接成一个新的张量。
10.根据权利要求9所述的装置,其特征在于,所述用户图像是包含背景的用户半身图像,所述第一配置模块具体用于配置输入层图像矩阵的shap,将用户图像分为一个只包含用户半身图像的第一图像区域数据和三个包含背景的第二图像区域数据。
11.根据权利要求10所述的装置,其特征在于,所述第二配置模块包括:
子配置模块,用于分别配置零填充层的padding、卷积层的卷积核和激活函数、以及池化层的池化函数;
输入模块,用于将所述多个第二图像区域数据重复输入所述零填充层和所述卷积层的卷积核后,再输入卷积层的激活函数和池化层。
12.根据权利要求9所述的装置,其特征在于,所述第一模型为VGG19。
13.根据权利要求9所述的装置,其特征在于,所述神经单元节点的激活函数为relu。
14.根据权利要求9所述的装置,其特征在于,所述搭建训练模块还包括:
第五配置模块,用于配置多输入模型,并通过所述多输入模型读取训练数据集中的历史用户的包含背景的图像;
训练模块,用于根据所述历史用户的包含背景的图像以fit的方式训练所述预设神经网络模型。
15.一种电子设备,包括:
处理器;以及
存储计算机可执行指令的存储器,所述计算机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中任一项所述的方法。
16.一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,当所述一个或多个程序被处理器执行时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468755.4A CN113298118B (zh) | 2021-04-28 | 2021-04-28 | 一种基于神经网络的智能反欺诈方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468755.4A CN113298118B (zh) | 2021-04-28 | 2021-04-28 | 一种基于神经网络的智能反欺诈方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298118A true CN113298118A (zh) | 2021-08-24 |
CN113298118B CN113298118B (zh) | 2024-06-07 |
Family
ID=77320346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110468755.4A Active CN113298118B (zh) | 2021-04-28 | 2021-04-28 | 一种基于神经网络的智能反欺诈方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298118B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190026544A1 (en) * | 2016-02-09 | 2019-01-24 | Aware, Inc. | Face liveness detection using background/foreground motion analysis |
CN111861240A (zh) * | 2020-07-27 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 可疑用户识别方法、装置、设备及可读存储介质 |
CN111860369A (zh) * | 2020-07-24 | 2020-10-30 | 河南中原消费金融股份有限公司 | 一种欺诈识别方法、装置以及存储介质 |
CN112001785A (zh) * | 2020-07-21 | 2020-11-27 | 小花网络科技(深圳)有限公司 | 一种基于图像识别的网贷欺诈识别方法及系统 |
-
2021
- 2021-04-28 CN CN202110468755.4A patent/CN113298118B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190026544A1 (en) * | 2016-02-09 | 2019-01-24 | Aware, Inc. | Face liveness detection using background/foreground motion analysis |
CN112001785A (zh) * | 2020-07-21 | 2020-11-27 | 小花网络科技(深圳)有限公司 | 一种基于图像识别的网贷欺诈识别方法及系统 |
CN111860369A (zh) * | 2020-07-24 | 2020-10-30 | 河南中原消费金融股份有限公司 | 一种欺诈识别方法、装置以及存储介质 |
CN111861240A (zh) * | 2020-07-27 | 2020-10-30 | 深圳前海微众银行股份有限公司 | 可疑用户识别方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
汪亚航;宋晓宁;吴小俊;: "结合混合池化的双流人脸活体检测网络", 中国图象图形学报, no. 07, 16 July 2020 (2020-07-16) * |
Also Published As
Publication number | Publication date |
---|---|
CN113298118B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171260B (zh) | 一种图片识别方法及系统 | |
CN110647920A (zh) | 机器学习中的迁移学习方法及装置、设备与可读介质 | |
WO2022068623A1 (zh) | 一种模型训练方法及相关设备 | |
CN109325547A (zh) | 非机动车图像多标签分类方法、系统、设备及存储介质 | |
CN113435998B (zh) | 贷款逾期预测方法、装置、电子设备及存储介质 | |
CN109034206A (zh) | 图像分类识别方法、装置、电子设备及计算机可读介质 | |
CN110489545A (zh) | 文本分类方法及装置、存储介质、计算机设备 | |
CN110288605A (zh) | 细胞图像分割方法和装置 | |
CN107273979A (zh) | 基于服务级别来执行机器学习预测的方法及系统 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113409898B (zh) | 分子结构获取方法、装置、电子设备及存储介质 | |
US20230092453A1 (en) | Parameter updating method and apparatus and storage medium | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN113626606A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
Terziyan et al. | Causality-aware convolutional neural networks for advanced image classification and generation | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
Anitha et al. | Convolution Neural Network and Auto-encoder Hybrid Scheme for Automatic Colorization of Grayscale Images | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN114742645B (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
CN113298118B (zh) | 一种基于神经网络的智能反欺诈方法、装置及电子设备 | |
CN113568739B (zh) | 用户资源额度分配方法、装置及电子设备 | |
CN112529624B (zh) | 生成业务预测模型的方法、装置、设备以及存储介质 |
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 |
Country or region after: China Address after: Room 1109, No. 4, Lane 800, Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Shanghai Qiyue Information Technology Co.,Ltd. Address before: Room a2-8914, 58 Fumin Branch Road, Hengsha Township, Chongming District, Shanghai, 201500 Applicant before: Shanghai Qiyue Information Technology Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant |