CN113506113B - 一种基于关联网络的信用卡套现团伙挖掘方法及系统 - Google Patents

一种基于关联网络的信用卡套现团伙挖掘方法及系统 Download PDF

Info

Publication number
CN113506113B
CN113506113B CN202110611206.8A CN202110611206A CN113506113B CN 113506113 B CN113506113 B CN 113506113B CN 202110611206 A CN202110611206 A CN 202110611206A CN 113506113 B CN113506113 B CN 113506113B
Authority
CN
China
Prior art keywords
merchant
network
merchants
suspicious
group
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
Application number
CN202110611206.8A
Other languages
English (en)
Other versions
CN113506113A (zh
Inventor
陈龙
玉显良
陈树华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Unionpay Co Ltd
Original Assignee
Beijing Dingxiang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dingxiang Technology Co ltd filed Critical Beijing Dingxiang Technology Co ltd
Priority to CN202110611206.8A priority Critical patent/CN113506113B/zh
Publication of CN113506113A publication Critical patent/CN113506113A/zh
Application granted granted Critical
Publication of CN113506113B publication Critical patent/CN113506113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G06Q30/0185—Product, service or business identity fraud
    • 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

  • 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)
  • Marketing (AREA)
  • Economics (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于关联网络的信用卡套现团伙挖掘方法及系统，所述系统包括以下步骤：S0、可疑卡及交易数据准备，获取可疑卡信息；S1、构建商户关联网络，定义网络中的节点和边；S2、过滤商户关联网络的边，将原始商户中关联性低于设定阈值的连接进行过滤；S3、商户节点的图嵌入表示学习，将商户关联网络中复杂的网络关系映射到多维向量空间；S4、商户聚类；S5团伙过滤；S6、输出套现商户团伙。根据本发明的套现团伙挖掘方法和系统，能够发现新的套现团伙以及扩充原有团伙中的商户，既加强了网络中商户间的联系，又可以找出遗漏的套现商户，从而弥补规则带来的局限性。

Description

一种基于关联网络的信用卡套现团伙挖掘方法及系统
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，具体涉及一种基于关联网络的信用卡套现团伙挖掘方法及系统。
背景技术
随着信用卡在人们生活中的不断普及, 使用信用卡消费已经越来越受到消费者的青睐。虽然信用卡消费给人们的日常工作和生活带来了方便、安全和快捷, 但同时也滋长了某些人利用信用卡进行非法套现的行为。
信用卡套现是指信用卡持卡人不通过正常ATM或柜台提取现金, 而是通过商户以刷卡名义取现, 或者网上交易来取现。套现人通过这种非法的手段套取现金, 将卡中的信用额度以现金的方式套取出来, 同时又不用支付银行的提现费用, 享受着信用卡用户最高56天的“免息期”。近年来，以团伙形式从事信用卡套现的不法行为越来越多，涉案金额也越来越大，严重危害了金融秩序。对于套现的行为，特别是有组织的团伙套现行为，有必要采取一定的手段进行打击。
与日俱增的套现团伙数量及套现交易次数，使得业务人员人工查找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。因此如何高效精准地挖掘信用卡套现团伙是亟需解决的问题。
金融机构一般通过设定规则，通过信用卡历史交易的特征，识别出具有套现行为的可疑卡，然后进一步从这些可疑卡的交易数据中筛查出可疑交易，进而关联到疑似套现的商户。但这种传统手段只能识别具有套现行为的个体，而不能发现个体之间的关联，因而“只见树木不见森林”，无法有效识别出套现团伙。此外，找到可疑卡之后，还需要进一步通过规则识别可疑交易从而找到套现商户，不仅繁琐，而且规则是金融机构根据历史及专家经验设定的，在鲁棒性、全面性等方面是有局限的，因而会限制识别效果，往往会有漏网之鱼，进而更难以发现以团伙形式存在的套现商户。
本发明通过共享可疑卡构建商户-商户的关联网络（简称商户关联网络），不仅能简单有效地表达商户之间的关联，从而弥补规则带来的局限性，而且能通过聚类算法直截了当地将关联网络中的商户划分为团伙，达到挖掘套现团伙的目的。
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基于关联网络的信用卡套现团伙挖掘方法和系统，通过共享可疑卡构建商户-商户的关联网络，不仅能简单有效地表达商户之间的关联，从而弥补规则带来的局限性，而且能通过聚类算法直截了当地将关联网络中的商户划分为团伙，达到挖掘套现团伙的目的。
本发明提供一种基于关联网络的信用卡套现团伙挖掘方法，包括以下步骤：
S0、可疑卡及交易数据准备，获取可疑卡信息；
S1、构建商户关联网络，定义网络中的节点和边；
S2、过滤商户关联网络的边，将原始商户中关联性低于设定阈值的连接进行过滤；
S3、商户节点的图嵌入表示学习，将商户关联网络中复杂的网络关系映射到多维向量空间；
S4、商户聚类；
S5、团伙过滤；
S6、输出套现商户团伙，结束。
进一步，步骤S0中，通过套现卡的专家规则匹配得到所述可疑卡信息，并通过数据挖掘的方式进行可疑卡信息补充。
进一步，步骤S1中，构建商户关联网络的方式为：遍历所有的可疑卡，对同一张可疑卡，将与之关联的商户两两建立一条边，形成一个无向图，节点为商户，边为该可疑卡的在对应两个商户上的交易金额之和；在图中任何两个节点之间只保留一条边，边的权重设定为“所有共享可疑卡在商户A和商户B上的交易金额之和 / (商户A的交易金额+商户B的交易金额)”，得到最终的商户关联网络。
进一步，步骤S2中，过滤条件为：根据商户间共享可疑卡数目设定第一阈值，剔除商户间共享可疑卡数目小于第一阈值的商户关联，优选所述第一阈值设为3；根据商户间可疑交易金额数目设定第二阈值，剔除商户间可疑交易金额小于第二阈值的商户关联，优选所述第二阈值为100000；根据边权数值设定第三阈值，剔除边权小于第三阈值的商户关联，优选所述第三阈值设定为0.05。
进一步，步骤S3中，采用Node2vec算法作为图嵌入表示学习的算法，得到网络节点即商户对应的嵌入式表示。
进一步，步骤S4中，使用DBSCAN算法对商户进行聚类，通过Node2vec与DBSCAN的组合算法实现套现团伙划分。
进一步，步骤S5中，针对商户数目设定第四阈值，将商户数目小于或等于第四阈值的团伙过滤掉，优选所述第四阈值设定为3。
另一方面，本发明提供一种基于关联网络的信用卡套现团伙挖掘系统，所述系统能够实施本发明的基于关联网络的信用卡套现团伙挖掘方法，所述系统包括：数据采集单元，用于获取可疑卡及交易数据准备；
建网单元，用于构建商户关联网络单元；
第一过滤单元，用于过滤商户关联网络的边；
学习单元，用于商户节点的图嵌入表示学习；
聚类单元，用于商户聚类、团伙划分；
第二过滤单元，用于团伙过滤；
输出单元，用于输出套现商户团伙。
本发明通过共享可疑卡构建商户-商户的关联网络，不仅能简单有效地表达商户之间的关联，从而弥补规则带来的局限性，而且能通过聚类算法直截了当地将关联网络中的商户划分为团伙，达到挖掘套现团伙的目的。
通过本发明的方法挖掘套现团伙，有利于发现新的套现团伙以及扩充原有团伙中的商户，既加强了网络中商户间的联系，又可以找出遗漏的套现商户。
附图说明
图1示出了根据本发明的基于关联网络的信用卡套现团伙挖掘方法及系统的工作流程图；
图2示出了根据本发明的商户关联网络节点和边权示意图。
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，对套现团伙信息进行挖掘和补充，有利于发现新的套现团伙以及扩充原有团伙中的商户，从而便于发现和打击套现团伙。
如附图1和2所示，本发明提出了一种基于关联网络的信用卡套现团伙挖掘方法和系统。所述方法包括以下步骤：
第一步，可疑卡及交易数据准备，通过一批疑似套现的信用卡集合（简称可疑卡，通过规则等手段获取），根据一定时间范围的交易数据，找到所有与可疑卡相关的商户。
第二步，构建商户关联网络，网络中的节点是商户，若有两个商户在同一张可疑卡上都有交易，则在这两个商户之间创建一条边（该可疑卡称为共享可疑卡）；网络构建完后，合并重复的边，并将边的权重设置为两个商户间所有共享可疑卡与这两个商户关联的交易金额之和占这两个商户所有交易金额之和的比例。
第三步：通过Node2vec算法学习商户关联网络的各个节点的嵌入式表示，从而将商户间的拓扑关系映射到向量空间，进而在欧氏空间中使用聚类算法（本文采用DBSCAN）将节点聚类，将商户划分为团伙。
具体地，参阅图1，本发明提供了一种基于关联网络的信用卡套现团伙挖掘方法，该方法用于在得到一批可疑套现卡的前提下，根据一段时间内的交易数据找到这些可疑卡关联的所有商户，并基于共享可疑卡构建商户关联网络。然后使用图嵌入+聚类的方式对商户关联网络中的节点进行划分，进而得到套现商户团伙。
请参阅图1，以下结合图1介绍基于关联网络的信用卡套现团伙挖掘方法，包括如下步骤：
步骤S0、可疑卡及交易数据准备，获取一批可疑卡信息，以及一定时间范围内（如6个月，可根据业务需求调整）的交易数据。这些可疑卡可以通过套现卡的专家规则匹配得到，还可以通过数据挖掘的方式进行补充。
步骤S1、构建商户关联网络。如果一张套现可疑卡在两个商户均有过套现交易，则两个商户便存在关联。由于商户存在大小之分，大商户对应大的交易金额，同样的可疑卡交易金额在大商户中可能显得微不足道，需要考虑商户规模的影响，因此实际使用过程中会根据商户交易金额对商户间的可疑卡交易金额进行惩罚。具体的建网方式为：遍历所有的可疑卡，对同一张可疑卡，将与之关联的商户两两建立一条边，形成一个无向图，节点为商户，边为该共享可疑卡的在对应两个商户上的交易金额之和；构建完无向图后，在图中任何两个节点之间只保留一条边，边的权重设定为“所有共享可疑卡在商户A和商户B上的交易金额之和 / (商户A的交易金额+商户B的交易金额)”，得到最终的商户关联网络，具体可参阅图2。
步骤S2、过滤商户关联网络的边。考虑到商户间关联性强弱的不同，为了减少商户间的误关联，过滤原始商户关联网络中关联性弱的连接。过滤条件为：根据商户间共享可疑卡数目设定第一阈值，剔除商户间共享可疑卡数目小于第一阈值的商户关联，优选所述第一阈值设为3；根据商户间可疑交易金额数目设定第二阈值，剔除商户间可疑交易金额小于第二阈值的商户关联，优选所述第二阈值为100000；根据边权数值设定第三阈值，剔除边权小于第三阈值的商户关联，优选所述第三阈值设定为0.05，其中，过滤条件及其阈值的设定可根据业务需求进行调整。
例如，根据选定的可疑卡在某6个月时间范围内的交易数据，涉及商户A的交易总金额为50w，涉及商户B的交易为30w。此外，在商户A和商户B有过交易的信用卡有三张，设为卡1、卡2、卡3，其中卡1在商户A交易5w、在商户B交易3w；卡2在商户A交易3w，在商户B交易5w；卡3在商户A交易2w，在商户B交易2w。则商户A和商户B之间需要建立一条边，对应的所有三张共享可疑卡（卡1、卡2、卡3）在商户A和商户B上的交易总金额为20w（5+3+3+5+2+2），商户A的交易金额和商户B的交易金额之和为80w （50+30），因而边的权重为20 / 80 = 0.25。该条边符合过滤条件（共享可疑卡数目3>=3，交易金额20w>10w，边权0.25>0.05），因而会被保留而不被过滤掉。
步骤S3、商户节点的图嵌入表示学习。图嵌入是图表示学习的一种，把图模型映射到多维向量空间，表示成的向量形式还应该尽量的保留图模型的结构信息和潜在的特性。基于算法优缺点比较及资源条件限制的综合考量，本方法采用Node2vec算法作为图嵌入表示学习的算法。Node2vec是基于随机游走的图嵌入算法，目标是对复杂网络随机采样进行序列化，然后基于word2vec的思想得到图嵌入。它可以通过参数控制节点选择游走路径的概率影响随机游走的结果。使用者可根据需要控制游走时深度优先及广度优先的倾向，在局部关联和全局关联中找到平衡。图嵌入可以将商户关联网络中复杂的网络关系映射到多维向量空间，既保留了原始网络拓扑结构关系，又利用了节点的属性信息，同时也简化了复杂网络的表达。
步骤S4、商户聚类。通过多种聚类算法的比较，使用DBSCAN对商户进行聚类，可以较好地区分边缘异常团伙。DBSCAN基于样本分布提出了密度可达的概念，将密度可达的样本归为一个簇，可以处理各种形状的簇及处理噪声的影响，且不需要考虑初始化问题，但是对于密度可达的核心参数“领域半径”和“核心点领域内样本点的最少数目”较为敏感，需要根据实际数据进行调参。
步骤S5、团伙过滤。针对商户数目设定第四阈值，将商户数目小于或等于第四阈值的团伙过滤掉，优选所述第四阈值设定为3，将商户数目过少（如<=3）的团伙进行过滤。在这一步还可以补充进行团伙画像的提取。
步骤S6、输出套现商户团伙，结束。
本发明通过共享可疑卡构建商户-商户的关联网络，不仅能简单有效地表达商户之间的关联，从而弥补规则带来的局限性，而且能通过聚类算法直截了当地将关联网络中的商户划分为团伙，达到挖掘套现团伙的目的。
通过本发明的方法挖掘套现团伙，有利于发现新的套现团伙以及扩充原有团伙中的商户，既加强了网络中商户间的联系，又可以找出遗漏的套现商户。
此外，本发明还提供一种基于关联网络的信用卡套现团伙挖掘系统，所述系统包括：数据采集单元，用于获取可疑卡及交易数据准备；
建网单元，用于构建商户关联网络单元；
第一过滤单元，用于过滤商户关联网络的边；
学习单元，用于商户节点的图嵌入表示学习；
聚类单元，用于商户聚类、团伙划分；
第二过滤单元，用于团伙过滤；
输出单元，用于输出套现商户团伙。
本技术方案中很多参数可以根据实际业务需求进行调整，包括但不限于：交易数据选取的时间范围、过滤原始商户关联网络中的边的条件、Node2vec算法参数、DBSCAN算法参数、过滤团伙的条件等。其中Node2vec算法中可调的参数包括walk_length（嵌入式表示的维度）、num_walks（迭代次数）、以及调节随机游走时深度优先/广度优先的参数p、q。而DBSCAN算法中最主要的两个参数是“领域半径”eps（判定两个样本点相邻的距离阈值）和“核心点领域内样本点的最少数目”min_samples（判定一个样本点为核心点，其领域内至少需要的样本数目）。
此外，本发明采用Node2vec+DBSCAN的组合算法实现关联网络中节点的划分，还可以采用其他算法实现此目的，比如直接在关联网络中应用louvain社区划分算法。
本发明的核心技术在于：
1、关于商户关联网络的建立方式：通过共享可疑卡构建商户之间的关联，并考虑了商户规模的影响，将边的权重设定为“共享可疑卡在商户A和商户B上的交易金额之和 /(商户A的交易金额+商户B的交易金额)”。
2、关于商户关联网络中商户节点的聚类，本发明使用Node2vec+DBSCAN的组合算法实现套现团伙划分，并过滤商户数目较少（<=3）的团伙。
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 (8)

1.一种基于关联网络的信用卡套现团伙挖掘方法，其特征在于，包括以下步骤：
S0、可疑卡及交易数据准备，获取可疑卡信息；
S1、构建商户关联网络，定义网络中的节点和边；
S2、过滤商户关联网络的边，将原始商户中关联性低于设定阈值的连接进行过滤；
S3、商户节点的图嵌入表示学习，将商户关联网络中复杂的网络关系映射到多维向量空间；
S4、商户聚类；
S5、团伙过滤；
S6、输出套现商户团伙，结束；
其中，步骤S1中，节点为商户，边为可疑卡的在对应两个商户上的交易金额之和；边的权重为“所有共享可疑卡在商户A和商户B上的交易金额之和/(商户A的交易金额+商户B的交易金额)”；
步骤S3中，采用Node2vec算法作为图嵌入表示学习的算法，得到网络节点即商户对应的嵌入式表示；
步骤S4中，使用DBSCAN算法对商户进行聚类；
步骤S5中，针对商户数目设定第四阈值，将商户数目小于或等于第四阈值的团伙过滤掉。
2.根据权利要求1所述的基于关联网络的信用卡套现团伙挖掘方法，其特征在于，步骤S0中，通过套现卡的专家规则匹配得到所述可疑卡信息，并通过数据挖掘的方式进行可疑卡信息补充。
3.根据权利要求1所述的基于关联网络的信用卡套现团伙挖掘方法，其特征在于，步骤S1中，构建商户关联网络的方式为：遍历所有的可疑卡，对同一张可疑卡，将与之关联的商户两两建立一条边，形成一个无向图，节点为商户，边为共享可疑卡的在对应两个商户上的交易金额之和；在图中任何两个节点之间只保留一条边，边的权重设定为“共享可疑卡在商户A和商户B上的交易金额之和/(商户A的交易金额+商户B的交易金额)”，得到最终的商户关联网络。
4.根据权利要求1所述的基于关联网络的信用卡套现团伙挖掘方法，其特征在于，步骤S2中，过滤条件为：根据商户间共享可疑卡数目设定第一阈值，剔除商户间共享可疑卡数目小于第一阈值的商户关联；根据商户间可疑交易金额数目设定第二阈值，剔除商户间可疑交易金额小于第二阈值的商户关联；根据边权数值设定第三阈值，剔除边权小于第三阈值的商户关联。
5.根据权利要求4所述的基于关联网络的信用卡套现团伙挖掘方法，其特征在于，所述第一阈值设为3，所述第二阈值为100000，所述第三阈值设定为0.05。
6.根据权利要求1所述的基于关联网络的信用卡套现团伙挖掘方法，其特征在于，步骤S4中，通过Node2vec与DBSCAN的组合算法实现套现团伙划分。
7.根据权利要求1所述的基于关联网络的信用卡套现团伙挖掘方法，其特征在于，所述第四阈值设定为3。
8.一种基于关联网络的信用卡套现团伙挖掘系统，所述系统能够实施上述权利要求1-7任一项所述的基于关联网络的信用卡套现团伙挖掘方法，所述系统包括：数据采集单元，用于获取可疑卡及交易数据准备；
建网单元，用于构建商户关联网络单元；
第一过滤单元，用于过滤商户关联网络的边；
学习单元，用于商户节点的图嵌入表示学习；
聚类单元，用于商户聚类、团伙划分；
第二过滤单元，用于团伙过滤；
输出单元，用于输出套现商户团伙；
其中，节点为商户，边为可疑卡的在对应两个商户上的交易金额之和；边的权重为“所有共享可疑卡在商户A和商户B上的交易金额之和/(商户A的交易金额+商户B的交易金额)”；
采用Node2vec算法作为图嵌入表示学习的算法，得到网络节点即商户对应的嵌入式表示；
使用DBSCAN算法对商户进行聚类；
针对商户数目设定第四阈值，将商户数目小于或等于第四阈值的团伙过滤掉。
CN202110611206.8A 2021-06-02 2021-06-02 一种基于关联网络的信用卡套现团伙挖掘方法及系统 Active CN113506113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110611206.8A CN113506113B (zh) 2021-06-02 2021-06-02 一种基于关联网络的信用卡套现团伙挖掘方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110611206.8A CN113506113B (zh) 2021-06-02 2021-06-02 一种基于关联网络的信用卡套现团伙挖掘方法及系统

Publications (2)

Publication Number Publication Date
CN113506113A CN113506113A (zh) 2021-10-15
CN113506113B true CN113506113B (zh) 2022-02-11

Family

ID=78008839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110611206.8A Active CN113506113B (zh) 2021-06-02 2021-06-02 一种基于关联网络的信用卡套现团伙挖掘方法及系统

Country Status (1)

Country Link
CN (1) CN113506113B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114741433B (zh) * 2022-06-09 2022-09-23 北京芯盾时代科技有限公司 一种社群挖掘方法、装置、设备及存储介质
CN115237601A (zh) * 2022-08-01 2022-10-25 北京理工大学 基于多线程与环算法的信用卡套现关系网挖掘方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107835113A (zh) * 2017-07-05 2018-03-23 中山大学 一种基于网络映射的社交网络中异常用户检测方法
CN107918905A (zh) * 2017-11-22 2018-04-17 阿里巴巴集团控股有限公司 异常交易识别方法、装置及服务器
CN110472050A (zh) * 2019-07-24 2019-11-19 阿里巴巴集团控股有限公司 一种团伙聚类方法和装置
US10482466B1 (en) * 2018-08-24 2019-11-19 Capital One Services, Llc Methods and arrangements to distribute a fraud detection model
CN110796394A (zh) * 2019-11-13 2020-02-14 北京顶象技术有限公司 待标定节点标记方法及装置
CN110807036A (zh) * 2019-11-06 2020-02-18 北京顶象技术有限公司 关联数据网络构建方法及装置
CN111754337A (zh) * 2020-06-30 2020-10-09 上海观安信息技术股份有限公司 一种信用卡养卡套现团体识别的方法及系统
CN112287039A (zh) * 2020-10-30 2021-01-29 税友软件集团股份有限公司 一种团伙识别方法及相关装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166030A (zh) * 2018-08-01 2019-01-08 深圳微言科技有限责任公司 一种反欺诈解决方法及系统
US10872345B1 (en) * 2020-01-30 2020-12-22 Capital One Services, Llc Transaction cards and computer-based systems that provide fraud detection at POS devices based on analysis of feature sets and methods of use thereof
CN111626842A (zh) * 2020-04-22 2020-09-04 北京芯盾时代科技有限公司 一种消费行为数据的分析方法和装置
CN112587932A (zh) * 2020-12-30 2021-04-02 网易（杭州）网络有限公司 游戏外挂的检测方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107835113A (zh) * 2017-07-05 2018-03-23 中山大学 一种基于网络映射的社交网络中异常用户检测方法
CN107918905A (zh) * 2017-11-22 2018-04-17 阿里巴巴集团控股有限公司 异常交易识别方法、装置及服务器
US10482466B1 (en) * 2018-08-24 2019-11-19 Capital One Services, Llc Methods and arrangements to distribute a fraud detection model
CN110472050A (zh) * 2019-07-24 2019-11-19 阿里巴巴集团控股有限公司 一种团伙聚类方法和装置
CN110807036A (zh) * 2019-11-06 2020-02-18 北京顶象技术有限公司 关联数据网络构建方法及装置
CN110796394A (zh) * 2019-11-13 2020-02-14 北京顶象技术有限公司 待标定节点标记方法及装置
CN111754337A (zh) * 2020-06-30 2020-10-09 上海观安信息技术股份有限公司 一种信用卡养卡套现团体识别的方法及系统
CN112287039A (zh) * 2020-10-30 2021-01-29 税友软件集团股份有限公司 一种团伙识别方法及相关装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Methods for cluster-based incident detection;Carrier, BD 等;《SECOND IEEE INTERNATIONAL INFORMATION ASSURANCE WORKSHOP, PROCEEDINGS》;20041231;第71-78页 *
Real-time credit card fraud detection using computational intelligence;Quah, JTS 等;《EXPERT SYSTEMS WITH APPLICATIONS》;20081130;第35卷(第4期);第1721-1732页 *
信用评估与信用卡欺诈侦测的智能决策系统研究;李睿;《中国优秀博硕士学位论文全文数据库(博士)经济与管理科学辑》;中国学术期刊（光盘版）电子杂志社;20111215(第12期);第J159-16页 *
基于社交网络的犯罪团伙发现研究;潘潇;《中国优秀博硕士学位论文全文数据库(硕士)社会科学Ⅰ辑》;中国学术期刊（光盘版）电子杂志社;20190915(第9期);第G113-284页 *
金融交易数据驱动的图谱网络智能化欺诈侦测;孙权 等;《应用科学学报》;20200930;第38卷(第5期);第713-723页 *

Also Published As

Publication number Publication date
CN113506113A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
TWI728292B (zh) 可疑洗錢團夥的識別方法和識別裝置
TWI673666B (zh) 資料風險控制的方法及裝置
US20160364794A1 (en) Scoring transactional fraud using features of transaction payment relationship graphs
US20140279306A1 (en) System and Method for Detecting Merchant Points of Compromise Using Network Analysis and Modeling
CN113506113B (zh) 一种基于关联网络的信用卡套现团伙挖掘方法及系统
CN106156151B (zh) 互联网操作事件的风险识别方法及装置
CN109271418A (zh) 可疑团伙识别方法、装置、设备及计算机可读存储介质
CN105391594B (zh) 识别特征账号的方法及装置
CN106897930A (zh) 一种信用评估的方法及装置
CN110008343A (zh) 文本分类方法、装置、设备及计算机可读存储介质
CN109543373A (zh) 一种基于用户行为的信息识别方法及装置
CN111861595A (zh) 一种基于知识图谱的循环开票风险识别方法
CN111522968B (zh) 知识图谱融合方法及装置
CN111090780A (zh) 可疑交易信息的确定方法及装置、存储介质、电子设备
CN113657896A (zh) 一种基于图神经网络的区块链交易拓扑图分析方法和装置
CN112001786B (zh) 基于知识图谱的客户信用卡额度配置方法及装置
CN109918678A (zh) 一种字段含义识别方法和装置
CN116401379A (zh) 金融产品数据推送方法、装置、设备及存储介质
CN113553446B (zh) 一种基于异构图解构的金融反欺诈方法及装置
CN112750038B (zh) 交易风险的确定方法、装置和服务器
CN112927071A (zh) 一种贷后行为特征加工的方法与装置
CN112950290A (zh) 经济依存客户的挖掘方法、装置、存储介质及电子设备
CN110751354A (zh) 一种异常用户的检测方法和装置
CN113988878B (zh) 一种基于图数据库技术的反欺诈方法及系统
CN115840738A (zh) 一种数据迁移方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhou Hao

Inventor after: Pang Lei

Inventor after: Zhang Ming

Inventor after: Liao Yuanyuan

Inventor after: Chen Long

Inventor before: Chen Long

Inventor before: Yu Xianliang

Inventor before: Chen Shuhua

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220318

Address after: No.36, Hanxiao Road, Pudong New Area, Shanghai, 200135

Patentee after: CHINA UNIONPAY Co.,Ltd.

Address before: 100085 room 0308 / 0310, 3 / F, No. 26, shangdixinxi Road, Haidian District, Beijing

Patentee before: BEIJING DINGXIANG TECHNOLOGY Co.,Ltd.