CN113888153A - 一种转账异常预测方法、装置、设备及可读存储介质 - Google Patents

Abstract

本发明提供了一种转账异常预测方法、装置、设备及可读存储介质，涉及计算机技术领域，包括获取第一信息，所述第一信息包括转账操作对应转出客户的信息和转入客户的信息；根据所述第一信息在数据库中提取第二信息，所述第二信息包括转出客户和转入客户对应第一预设数量的转账记录；获取第一训练数据集，所述第一训练数据集包括转账异常数据和正常转账数据；建立全连接神经网络模型，利用所述第一训练集训练全连接神经网络模型得到转账异常预测模型；将所述第二信息作为所述转账异常预测模型输入信息，求解所述转账异常预测模型得到所述客户信息对应的操作状态，本发明通过对转账的交易金额以及交易对象的执行实时监控和预测，减少异常交易发生概率。

Description

一种转账异常预测方法、装置、设备及可读存储介质

技术领域

本发明涉及计算机技术领域，具体而言，涉及转账异常预测方法、装置、设备及可读存储介质。

背景技术

金融服务中，金融诈骗的情况时有发生，之前的防诈骗技术一般都是在用户端层面作出防范。现在逐渐开始采用人工智能技术对金融诈骗进行监控，但是，目前却没有一种较为符合转账异常预测的判断方法。

发明内容

本发明的目的在于提供一种转账异常预测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种转账异常预测方法，包括：获取第一信息，所述第一信息包括转账操作对应转出客户的信息和转入客户的信息；根据所述第一信息在数据库中提取第二信息，所述第二信息包括转出客户和转入客户对应第一预设数量的转账记录；获取第一训练数据集，所述第一训练数据集包括转账异常数据和正常转账数据；建立全连接神经网络模型，并利用所述第一训练集训练全连接神经网络模型得到转账异常预测模型；将所述第二信息作为所述转账异常预测模型输入信息，求解所述转账异常预测模型得到所述客户信息对应的操作状态。

进一步地,所述根据所述第一信息在数据库中提取第二信息，之前包括：向前端发送安全校验命令，所述安全校验命令用于触发所述前端调用摄像头采集转账操作执行者的人脸信息，所述人脸信息用于触发所述前端调用数据库中的人脸数据库内数据与所述人脸信息对比，若不一致，则更新所述操作状态为危险并禁止修改所述操作状态。

进一步地,所述建立全连接神经网络模型，之前包括：对所述第二信息和所述第一训练集进行去敏处理，并分别更新所述第二信息和所述第一训练集为去敏处理之后的数据。

进一步地,所述对所述第二信息和所述第一训练集进行去敏处理，包括：对所述第二信息和所述第一训练集进行重编码处理，并分别更新所述第二信息和所述第一训练集为从重编码之后的数据。

进一步地,所述分别更新所述第二信息和所述第一训练集为从重编码之后的数据，之后包括：获取第二训练集，所述第二训练集包括经标记的敏感信息和非敏感信息；对所述第二训练集进行重编码处理，得到重编码后的所述第二训练集；建立MLP数学模型，利用重编码后的所述第二训练集训练所述MLP数学模型，得到敏感分类模型；所述第二信息作为所述敏感分类模型的输入信息，求解所述敏感分类模型得到第一子信息和第二子信息，所述第一子信息包括敏感信息和所述第二子信息不包括敏感信息；更新所述第二信息为所述第一子信息。

进一步地,所述操作状态包括风险，所述求解所述转账异常预测模型得到所述客户信息对应的操作状态，之后包括：若所述操作状态为风险，则发送第一命令和第二命令，所述第一命令包括控制所述转出客户使用的前端设备显示器显示第三信息，所述第三信息包括转账具有风险，所述第二命令用于触发银行系统延迟本次转账操作到账时间。

第二方面，本申请还提供了一种转账异常预测装置，包括：第一获取单元，用于获取第一信息，所述第一信息包括转账操作对应转出客户的信息和转入客户的信息；提取单元，用于根据所述第一信息在数据库中提取第二信息，所述第二信息包括转出客户和转入客户对应第一预设数量的转账记录；第二获取单元，用于获取第一训练数据集，所述第一训练数据集包括转账异常数据和正常转账数据；第一模型建立单元，用于建立全连接神经网络模型，并利用所述第一训练集训练全连接神经网络模型得到转账异常预测模型；预测单元，用于将所述第二信息作为所述转账异常预测模型输入信息，求解所述转账异常预测模型得到所述客户信息对应的操作状态。

进一步地，所述转账异常预测装置还包括：校验单元，用于向前端发送安全校验命令，所述安全校验命令用于触发所述前端调用摄像头采集转账操作执行者的人脸信息，所述人脸信息用于触发所述前端调用数据库中的人脸数据库内数据与所述人脸信息对比，若不一致，则更新所述操作状态为危险并禁止修改所述操作状态。

进一步地，所述转账异常预测装置还包括：去敏单元，用于对所述第二信息和所述第一训练集进行去敏处理，并分别更新所述第二信息和所述第一训练集为去敏处理之后的数据。

进一步地，所述去敏单元包括：第一重编码单元，用于对所述第二信息和所述第一训练集进行重编码处理，并分别更新所述第二信息和所述第一训练集为从重编码之后的数据。

进一步地，所述去敏单元还包括：第三获取单元，用于获取第二训练集，所述第二训练集包括经标记的敏感信息和非敏感信息；第二重编码单元，用于对所述第二训练集进行重编码处理，得到重编码后的所述第二训练集；第二模型建立单元，用于建立MLP数学模型，利用重编码后的所述第二训练集训练所述MLP数学模型，得到敏感分类模型；信息分类单元，用于所述第二信息作为所述敏感分类模型的输入信息，求解所述敏感分类模型得到第一子信息和第二子信息，所述第一子信息包括敏感信息和所述第二子信息不包括敏感信息；更新单元，用于更新所述第二信息为所述第一子信息。

进一步地，所述转账异常预测装置还包括：判断单元，用于若所述操作状态为风险，则发送第一命令和第二命令，所述第一命令包括控制所述转出客户使用的前端设备显示器显示第三信息，所述第三信息包括转账具有风险，所述第二命令用于触发银行系统延迟本次转账操作到账时间。

第三方面，本申请还提供了一种转账异常预测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述转账异常预测方法的步骤。

第四方面，本申请还提供了一种可读存储介质，所述可读存储介质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上述基于转账异常预测方法的步骤。

本发明的有益效果为：

本发明通过全连接神经网络模型对转账的交易金额以及交易的两个对象的执行实时监控和预测，可以减少异常交易发生的概率。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述的转账异常预测方法流程示意图；

图2为本发明实施例中所述的转账异常预测装置结构示意图；

图3为本发明实施例中所述的转账异常预测设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

本实施例提供了一种转账异常预测方法。

参见图1，图中示出了本方法包括步骤S100、步骤S300、步骤S400、步骤S600和步骤S700。

S100、获取第一信息，第一信息包括转账操作对应转出客户的信息和转入客户的信息。

可以理解是，在本步骤中所提及的第一信息包括转出客户的部分的账号、转账金额和身份标识(身份证、银行卡)等信息，转入客户的转账金额、收账人的账号和身份标识(身份证、银行卡)等信息。

S300、根据第一信息在数据库中提取第二信息，第二信息包括转出客户和转入客户对应第一预设数量的转账记录。

需要说明的是，在本步骤中所提及的第一预设数量记为100条，共计200条。而数据库即为银行系统内的转账交易记录数据库。

S400、获取第一训练数据集，第一训练数据集包括转账异常数据和正常转账数据。

可以理解的是，在本步骤中转账异常数据记为曾经被标注为转账异常交易记录，其中可以转账人员与账户汇总信息、身份证号、银行卡号、前端账户类型、IP以及MAC地址信息内容。

S600、建立全连接神经网络模型，并利用第一训练集训练全连接神经网络模型得到转账异常预测模型。

S700、将第二信息作为转账异常预测模型输入信息，求解转账异常预测模型得到客户信息对应的操作状态。

在本方法中通过采用全连接神经网络，利用人工智能算法对转出客户和转入客户各自100条的信息进行分开进行分类分析，通过对转入客户和转出客户历史交易记录预测判断出此次转账交易是否具有异常，能有效减少异常交易发生的概率，并能通过得到的预测判断进行预警备案。

同时，在本实施例中，全连接神经网络设置Python运行，其余部分设置在java端运行，依次可以围绕这个在java端建立一个完整的生态比如安全处理、使用统计等衍生功能。

进一步地，在一些具体的实施例中，本方法中还包括步骤S200。

S200、向前端发送安全校验命令，安全校验命令用于触发前端调用摄像头采集转账操作执行者的人脸信息，人脸信息用于触发前端调用数据库中的人脸数据库内数据与人脸信息对比，若不一致，则更新操作状态为危险并禁止修改操作状态。

在本方法中，通过在正式进行是否具有转账风险前，对转账客户进行安全权限的验证，能有效的缩短转账异常判断时间，若是转账客户不是之前录入的卡主，即认定为此次转账操作为危险，且终止所有步骤。

在本申请公开的一种具体实施方式中，本方法还包括步骤S500。

S500、对第二信息和第一训练集进行去敏处理，并分别更新第二信息和第一训练集为去敏处理之后的数据。

由于在本方法中所使用的数据，例如身份证号、银行卡号、交易记录、聊天记录等，多为个人敏感信息，而进行转账异常预测又无法避免对于此类信息的使用。所以在本方法中，虽然是获得这些个人敏感信息，但是通过去敏处理降低个人敏感信息传播的可能。

具体而言，在步骤S500中还包括步骤S510。

S510、对第二信息和第一训练集进行重编码处理，并分别更新第二信息和第一训练集为从重编码之后的数据。

具体而言，在本方法中优选为XGBoost对所有信息进行重新编码，以此达到匿名化的目的。

在本申请公开的一种具体实施方式中，步骤S500还包括步骤S520、步骤S530、步骤S540、步骤S550和步骤S560。

S520、获取第二训练集，第二训练集包括经标记的敏感信息和非敏感信息；

需要说明的是，在本步骤中所提第二训练集的构成是全连接神经网络模型所需要用到的信息，包括转账人员的账户信息、身份证号和银行卡号等内容，

S530、对第二训练集进行重编码处理，得到重编码后的第二训练集；

S540、建立MLP数学模型，利用重编码后的第二训练集训练MLP数学模型，得到敏感分类模型；

S550、第二信息作为敏感分类模型的输入信息，求解敏感分类模型得到第一子信息和第二子信息，第一子信息包括敏感信息和第二子信息不包括敏感信息；

S560、更新第二信息为第一子信息。

在实际的金融交易场景中，数据是否包含敏感信息是难以判断的，使用正则表达式简单地对敏感信息进行匹配的方法过于武断，不能很好地适应真实的交易场景。而在本申请中通过采用MLP模型是一种人工神经网络，可以高效地处理非线性可分离的数据。通过经过标注的第二训练集进行人工智能分类，有效提升敏感信息标注的正确性。

需要说明的是，S530中所采用的重编码处理也是通过XGBoot的方式进行编码，其相对采用one-bot向量的方式来编码，不会生成极为稀疏的向量，造成空间复杂度极大，进而增大了系统的运算负担，同时XGBoost的方式对输入进行编码，可以生成长度固定且可以调节的向量，方便后续的计算。并且也能较好的实现去敏的效果。

同时，在本步骤中通过将MLP模型认为是敏感信息部分作为新的第二信息，能有效去除全连接神经网络模型中未使用的信息，确保敏感信息的安全性。

在本申请公开的一种具体实施方式中，在步骤S600中还包括步骤S610。

S610、设置批大小为128，学习率为0.1，每五个epoch的衰减因子为0.99，采用SGD作为优化器处理。

本方法中考虑到在训练的过程中，由于存在大量的批正则化处理。所以为了提升学习的正确率，其中设置批大小为128，学习率为0.1，每五个epoch按照因子为0.99的大小衰减。使用SGD作为优化器处理。

在本申请公开的一种具体实施方式中，本方法还包括步骤S800。

S800、若操作状态为风险，则发送第一命令和第二命令，第一命令包括控制转出客户使用的前端设备显示器显示第三信息，第三信息包括转账具有风险，第二命令用于触发银行系统延迟本次转账操作到账时间。

本实施例中，通过根据全连接神经网络的预测判断结果，对转账客户进行提示，并延迟转账到账时间达到保证转出客户保护。

实施例2：

如图2所示，本实施例提供了一种转账异常预测装置，装置包括：

第一获取单元，用于获取第一信息，第一信息包括转账操作对应转出客户的信息和转入客户的信息；

提取单元，用于根据第一信息在数据库中提取第二信息，第二信息包括转出客户和转入客户对应第一预设数量的转账记录；

第二获取单元，用于获取第一训练数据集，第一训练数据集包括转账异常数据和正常转账数据；

第一模型建立单元，用于建立全连接神经网络模型，并利用第一训练集训练全连接神经网络模型得到转账异常预测模型；

预测单元，用于将第二信息作为转账异常预测模型输入信息，求解转账异常预测模型得到客户信息对应的操作状态。

在一些具体的实施例中，本装置还包括：

校验单元，用于向前端发送安全校验命令，安全校验命令用于触发前端调用摄像头采集转账操作执行者的人脸信息，人脸信息用于触发前端调用数据库中的人脸数据库内数据与人脸信息对比，若不一致，则更新操作状态为危险并禁止修改操作状态。

在一些具体的实施例中，本装置还包括：

去敏单元，用于对第二信息和第一训练集进行去敏处理，并分别更新第二信息和第一训练集为去敏处理之后的数据。

在一些具体的实施例中，去敏单元包括：

第一重编码单元，用于对第二信息和第一训练集进行重编码处理，并分别更新第二信息和第一训练集为从重编码之后的数据。

在一些具体的实施例中，去敏单元还包括：

第三获取单元，用于获取第二训练集，第二训练集包括经标记的敏感信息和非敏感信息；

第二重编码单元，用于对第二训练集进行重编码处理，得到重编码后的第二训练集；

第二模型建立单元，用于建立MLP数学模型，利用重编码后的第二训练集训练MLP数学模型，得到敏感分类模型；

信息分类单元，用于第二信息作为敏感分类模型的输入信息，求解敏感分类模型得到第一子信息和第二子信息，第一子信息包括敏感信息和第二子信息不包括敏感信息；

更新单元，用于更新第二信息为第一子信息。

在一些具体的实施例中，第一模型建立单元包括：

模型设置单元，用于设置批大小为128，学习率为0.1，每五个epoch的衰减因子为0.99，采用SGD作为优化器处理。

在一些具体的实施例中，本装置还包括：

判断单元，用于若操作状态为风险，则发送第一命令和第二命令，第一命令包括控制转出客户使用的前端设备显示器显示第三信息，第三信息包括转账具有风险，第二命令用于触发银行系统延迟本次转账操作到账时间。

需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3：

相应于上面的方法实施例，本实施例中还提供了一种转账异常预测设备，下文描述的一种转账异常预测设备与上文描述的一种转账异常预测方法可相互对应参照。

图3是根据示例性实施例示出的一种转账异常预测设备800的框图。如图3所示，该转账异常预测设备800可以包括：处理器801，存储器802。该转账异常预测设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该转账异常预测设备800的整体操作，以完成上述的转账异常预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该转账异常预测设备800的操作，这些数据例如可以包括用于在该转账异常预测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该转账异常预测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，转账异常预测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的转账异常预测方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的转账异常预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由转账异常预测设备800的处理器801执行以完成上述的转账异常预测方法。

实施例4：

相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种转账异常预测方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的转账异常预测方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (14)

1.一种转账异常预测方法，其特征在于，包括：

获取第一信息，所述第一信息包括转账操作对应转出客户的信息和转入客户的信息；

根据所述第一信息在数据库中提取第二信息，所述第二信息包括转出客户和转入客户对应第一预设数量的转账记录；

获取第一训练数据集，所述第一训练数据集包括转账异常数据和正常转账数据；

建立全连接神经网络模型，并利用所述第一训练集训练全连接神经网络模型得到转账异常预测模型；

将所述第二信息作为所述转账异常预测模型输入信息，求解所述转账异常预测模型得到所述客户信息对应的操作状态。

2.根据权利要求1所述的转账异常预测方法，其特征在于,所述根据所述第一信息在数据库中提取第二信息，之前包括：

向前端发送安全校验命令，所述安全校验命令用于触发所述前端调用摄像头采集转账操作执行者的人脸信息，所述人脸信息用于触发所述前端调用数据库中的人脸数据库内数据与所述人脸信息对比，若不一致，则更新所述操作状态为危险并禁止修改所述操作状态。

3.根据权利要求1所述的转账异常预测方法，其特征在于,所述建立全连接神经网络模型，之前包括：

对所述第二信息和所述第一训练集进行去敏处理，并分别更新所述第二信息和所述第一训练集为去敏处理之后的数据。

4.根据权利要求3所述的转账异常预测方法，其特征在于,所述对所述第二信息和所述第一训练集进行去敏处理，包括：

对所述第二信息和所述第一训练集进行重编码处理，并分别更新所述第二信息和所述第一训练集为从重编码之后的数据。

5.根据权利要求3所述的转账异常预测方法，其特征在于,所述分别更新所述第二信息和所述第一训练集为从重编码之后的数据，之后包括：

获取第二训练集，所述第二训练集包括经标记的敏感信息和非敏感信息；

对所述第二训练集进行重编码处理，得到重编码后的所述第二训练集；

建立MLP数学模型，利用重编码后的所述第二训练集训练所述MLP数学模型，得到敏感分类模型；

所述第二信息作为所述敏感分类模型的输入信息，求解所述敏感分类模型得到第一子信息和第二子信息，所述第一子信息包括敏感信息和所述第二子信息不包括敏感信息；

更新所述第二信息为所述第一子信息。

6.根据权利要求1所述的转账异常预测方法，其特征在于,所述操作状态包括风险，所述求解所述转账异常预测模型得到所述客户信息对应的操作状态，之后包括：

若所述操作状态为风险，则发送第一命令和第二命令，所述第一命令包括控制所述转出客户使用的前端设备显示器显示第三信息，所述第三信息包括转账具有风险，所述第二命令用于触发银行系统延迟本次转账操作到账时间。

7.一种转账异常预测装置，其特征在于，包括：

第一获取单元，用于获取第一信息，所述第一信息包括转账操作对应转出客户的信息和转入客户的信息；

提取单元，用于根据所述第一信息在数据库中提取第二信息，所述第二信息包括转出客户和转入客户对应第一预设数量的转账记录；

第二获取单元，用于获取第一训练数据集，所述第一训练数据集包括转账异常数据和正常转账数据；

第一模型建立单元，用于建立全连接神经网络模型，并利用所述第一训练集训练全连接神经网络模型得到转账异常预测模型；

预测单元，用于将所述第二信息作为所述转账异常预测模型输入信息，求解所述转账异常预测模型得到所述客户信息对应的操作状态。

8.根据权利要求7所述的转账异常预测装置，其特征在于，所述转账异常预测装置还包括：

校验单元，用于向前端发送安全校验命令，所述安全校验命令用于触发所述前端调用摄像头采集转账操作执行者的人脸信息，所述人脸信息用于触发所述前端调用数据库中的人脸数据库内数据与所述人脸信息对比，若不一致，则更新所述操作状态为危险并禁止修改所述操作状态。

9.根据权利要求7所述的转账异常预测装置，其特征在于，所述转账异常预测装置还包括：

去敏单元，用于对所述第二信息和所述第一训练集进行去敏处理，并分别更新所述第二信息和所述第一训练集为去敏处理之后的数据。

10.根据权利要求9所述的转账异常预测装置，其特征在于，所述去敏单元包括：

第一重编码单元，用于对所述第二信息和所述第一训练集进行重编码处理，并分别更新所述第二信息和所述第一训练集为从重编码之后的数据。

11.根据权利要求10所述的转账异常预测装置，其特征在于，所述去敏单元还包括：

第三获取单元，用于获取第二训练集，所述第二训练集包括经标记的敏感信息和非敏感信息；

第二重编码单元，用于对所述第二训练集进行重编码处理，得到重编码后的所述第二训练集；

第二模型建立单元，用于建立MLP数学模型，利用重编码后的所述第二训练集训练所述MLP数学模型，得到敏感分类模型；

信息分类单元，用于所述第二信息作为所述敏感分类模型的输入信息，求解所述敏感分类模型得到第一子信息和第二子信息，所述第一子信息包括敏感信息和所述第二子信息不包括敏感信息；

更新单元，用于更新所述第二信息为所述第一子信息。

12.根据权利要求7所述的转账异常预测装置，其特征在于，所述转账异常预测装置还包括：

判断单元，用于若所述操作状态为风险，则发送第一命令和第二命令，所述第一命令包括控制所述转出客户使用的前端设备显示器显示第三信息，所述第三信息包括转账具有风险，所述第二命令用于触发银行系统延迟本次转账操作到账时间。

13.一种转账异常预测设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述转账异常预测方法的步骤。

14.一种可读存储介质，其特征在于：所述可读存储介质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如权利要求1至6任一项所述转账异常预测方法的步骤。

Images