CN113919630A - 一种企业经济犯罪侦查方法、系统及设备 - Google Patents

一种企业经济犯罪侦查方法、系统及设备 Download PDF

Info

Publication number
CN113919630A
CN113919630A CN202111021441.6A CN202111021441A CN113919630A CN 113919630 A CN113919630 A CN 113919630A CN 202111021441 A CN202111021441 A CN 202111021441A CN 113919630 A CN113919630 A CN 113919630A
Authority
CN
China
Prior art keywords
node
enterprise
economic
determining
economic crime
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.)
Pending
Application number
CN202111021441.6A
Other languages
English (en)
Inventor
苏钰
陈卓
余晓填
王孝宇
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202111021441.6A priority Critical patent/CN113919630A/zh
Publication of CN113919630A publication Critical patent/CN113919630A/zh
Priority to PCT/CN2022/105141 priority patent/WO2023029758A1/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/18—Legal services
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Technology Law (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种企业经济犯罪侦查方法、系统及设备，涉及信息处理技术领域，能够有效地提高企业经济犯罪侦查的效率以及准确率，并满足现有企业经济犯罪侦查的多元化需求。该方法包括：获取目标企业的第一多维度数据；基于预构建的积分模型，确定所述第一多维度数据中每一维度数据对应的积分项，并通过所确定的积分项计算所述目标企业的可疑分数，所述可疑分数用于确定所述目标企业是否涉嫌经济犯罪；当所述目标企业涉嫌经济犯罪时，获得所述目标企业的第二多维度数据；根据所述第一多维度数据和所述第二多维度数据，确定所述目标企业的经济犯罪类型。

Description

一种企业经济犯罪侦查方法、系统及设备
技术领域
本申请涉及信息处理技术领域，尤其涉及一种企业经济犯罪侦查方法、系统及设备。
背景技术
经济侦查技术，是指通过分析企业运作信息，推测相关企业是否涉嫌经济犯罪比如洗钱、非法集资等，为破获经济犯罪案件提供前瞻视角，从而保护国家和公民的财产安全。
随着网络经济的发展，经济犯罪活动日渐猖獗，经济侦查的重要性也愈发重要。然而，目前已有的经济侦查技术主要是根据注册地址、社保购买情况等信息判断目标企业是否为空壳企业，判断犯罪类型单一且准确率较低，无法满足现有企业经济犯罪侦查的多元化需求及准确率需求。
发明内容
本申请实施例提供了一种企业经济犯罪侦查方法、系统及设备，能够有效地提高企业经济犯罪侦查的效率以及准确率，并满足现有企业经济犯罪侦查的多元化需求。
第一方面，本申请提供一种企业经济犯罪侦查方法，包括：获取目标企业的第一多维度数据；基于预构建的积分模型，确定所述第一多维度数据中每一维度数据对应的积分项，并通过所确定的积分项计算所述目标企业的可疑分数，所述可疑分数用于确定所述目标企业是否涉嫌经济犯罪；当所述目标企业涉嫌经济犯罪时，获得所述目标企业的第二多维度数据；根据所述第一多维度数据和所述第二多维度数据，确定所述目标企业的经济犯罪类型。
本申请实施例通过积分模型确定第一维度数据对应的积分项来计算目标企业的可疑分数，从而将涉嫌经济犯罪的目标企业筛选出来，减少了企业经济犯罪侦查的对象，提高了企业经济犯罪侦查的效率，并且通过第二维度数据进一步对涉嫌经济犯罪的目标企业进行确认及分类，提高了企业经济犯罪侦查的准确率，并且对企业经济犯罪的类型进行细分，满足了现有企业经济犯罪侦查的多元化需求。
示例性的，所述根据所述第一多维度数据和所述第二多维度数据，确定所述目标企业的经济犯罪类型，包括：
将所述第一多维度数据和所述第二多维度数据进行重构，生成所述目标企业的异构图，所述异构图中包括节点信息和边信息；
基于异构图节点分类模型，通过所述节点信息和所述边信息，确定各个节点之间的边关系对应的节点预测值；
根据所述节点预测值，确定对应节点的节点标签，并根据所述节点标签确定所述目标企业的经济犯罪类型。
示例性的，所述基于异构图节点分类模型，通过所述节点信息和所述边信息，
第二方面，本申请提供一种企业经济犯罪侦查系统，包括：
第一多维度数据获取单元，用于获取目标企业的第一多维度数据；
积分项确定单元，用于确定所述第一多维度数据中每一维度数据对应的积分项；
可疑分数计算单元，用于基于预构建的积分模型，确定所述第一多维度数据中每一维度数据对应的积分项，并通过所确定的积分项计算所述目标企业的可疑分数，所述可疑分数用于确定所述目标企业是否涉嫌经济犯罪；
第二多维度数据获取单元，用于当所述目标企业涉嫌经济犯罪时，获得所述目标企业的第二多维度数据；
经济犯罪分类确定单元，用于根据所述第一多维度数据和所述第二多维度数据，确定所述目标企业的经济犯罪类型。
具体的，经济犯罪分类确定单元，包括：
异构图生成子单元，用于将所述第一多维度数据和所述第二多维度数据进行重构，生成所述目标企业的异构图，所述异构图中包括节点信息和边信息；
节点预测值确定子单元，用于基于异构图节点分类模型，通过所述节点信息和所述边信息，确定各个节点之间的边关系对应的节点预测值；
经济犯罪分类确定子单元，用于根据所述节点预测值，确定对应节点的节点标签，并根据所述节点标签确定所述目标企业的经济犯罪类型
第三方面，本申请提供一种企业经济犯罪侦查设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意可选方式所述的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意可选方式所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在企业经济犯罪侦查设备上运行时，使得企业经济犯罪侦查设备执行上述第一方面所述的企业经济犯罪侦查方法的步骤。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种企业经济犯罪侦查方法的流程示意图；
图2是本申请实施例提供的一种确定目标企业的经济犯罪类型的方法的流程示意图；
图3是本申请实施例提供的一种异构图的图像示意图；
图4是本申请实施例提供的一种企业经济犯罪侦查系统的结构示意图；
图5是本申请实施例提供的一种企业经济犯罪侦查设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
还应当理解，在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
在现有的企业经济犯罪侦查方法中，只使用单个维度数据比如地址、社保等进行经济侦查时，无法保证经济犯罪侦查的准确率，而且所得的犯罪类型单一。当结合个人行为和企业行为进行企业经济犯罪侦查是时，需要人工构造经济犯罪的行为特征，效率低而且无法保证经济犯罪侦查的准确率。而且由于数据的隐私性，无法获取到大量企业的隐私信息，基于假设可以直接获取海量公司的隐私信息的经济犯罪侦查方法，往往难以落地。
请参见图1，图1是本申请实施例提供的一种企业经济犯罪侦查方法的流程示意图，详述如下：
步骤S101，获取目标企业的第一多维度数据。
在本申请实施例中，为避免因使用如地址、社保等单个维度数据对企业进行经济犯罪侦查时导致的准确率低，而且犯罪类型单一的问题，通过获取多维度数据，再根据所获取到的多维度数据对企业进行经济犯罪侦查，可以有效地提高企业经济犯罪侦查的准确率，而且能够更好地对企业的经济犯罪进行分类。
在本申请的一些实施例中，第一多维度数据包括但不限于企业是否包含经济犯罪前科人员、核心人员的出勤率、核心人员的活动轨迹、企业公开信息以及企业人员同行人是否包含经济犯罪前科人员，每一维度数据至少对应一个积分项。每一维度数据对应的积分项，可以通过业务逻辑分析、数据集测试。调试与检验等方式来获得。
还需要说明的是，第一维度数据为不涉及深度隐私或敏感信息的企业相关数据，可以从企业公开信息、网络爬虫抓取到的企业相关信息等数据中获取。
还需要说明的是，目标企业为需要进行经济犯罪侦查的一个或多个企业。
步骤S102，基于预构建的积分模型，确定上述第一多维度数据中每一维度数据对应的积分项，并通过所确定的积分项计算上述目标企业的可疑分数，上述可疑分数用于确定上述目标企业是否涉嫌经济犯罪。
在本申请实施例中，在确定第一多维度数据中每一维度数据对应的积分项后，将所确定的积分项输入预构建的积分模型中，计算目标企业的可疑分数，再根据积分模型输出的结果即计算得到的目标企业的可疑分数，确定目标企业是否涉嫌经济犯罪。
在实际应用中，企业是否包含经济犯罪前科人员，是确定待侦查的目标企业人员中是否包含有经济犯罪前科人员。可以通过图像识别方法对目标企业人员进行人脸识别，并与公安内部犯罪档案进行匹配以确定待侦查的目标企业人员中是否包含有经济犯罪前科人员。当企业包含经济犯罪前科人员时，对应积分项为A，当企业不包含经济犯罪前科人员时，对应的积分项为B，A与B为不同的数值。一般情况下，A的值大于B的值，B可以为零。
在实际应用中，核心人员的出勤率，是确定待侦查的目标企业的核心人员比如管理层及管理层以上的人员的出勤率。可以通过公司考勤记录来统计核心人员的出勤率，也可以通过图像识别方法对目标企业人员进行人脸识别，记录核心人员是否到岗，从而计算出该核心人员的出勤率。在确定核心人员的出勤率对应的积分项时，可以确定出勤率所属的范围，再确定对应的积分项，比如出勤率(0～15％)对应的积分项为C，出勤率(15％～30％)对应的积分项为D，出勤率越低，对应的积分项的值越高。
在实际应用中，核心人员的活动轨迹，是确定待侦查的目标企业的核心人员比如管理层及管理层以上的人员的活动轨迹，确定核心人员是否接近或出入过可疑场所。可疑场所包括但不限于：被怀疑赌博的场所，被纳入失信名单的企业，有经济犯罪前科人员的企业。可以基于人脸识别方法，通过城市级摄像头获取核心人员的活动轨迹。当核心人员的活动轨迹为接近或出入过可疑场所时，对应的积分项为E，当核心人员的活动轨迹为未接近或出入过可疑场所时，对应的积分项为F，E的值高于F的值，F可以为零。
在实际应用中，企业公开信息包括但不限于公开的违规信息、舆论风险信息，通过自然语言处理(NLP，Natural Language Processing)技术自动检测的经济犯罪相关信息，比如企业宣传资料中是否包含金融诈骗字眼，比如保本高利等。当企业公开信息包含上述经济犯罪相关信息的任意一项或多项时，对应的积分项为G，或者依据不同的信息类型确定对应的积分项；当企业公开信息未包含上述经济犯罪相关信息时，对应的积分项为H，H可以为零。
在实际应用中，企业人员同行人是否包含经济犯罪前科人员，是确定与目标企业人员同行的其他人员是否包含经济犯罪前科人员。可以通过图像识别方法对企业人员同行人进行人脸识别，并与公安内部犯罪档案进行匹配以确定待侦查的企业人员同行人中是否包含有经济犯罪前科人员。当企业人员同行人中包含经济犯罪前科人员时，对应积分项为I，当企业人员同行人中不包含经济犯罪前科人员时，对应的积分项为J，I与J为不同的数值。I的值大于J的值，J可以为零。
需要说明的是，当某一维度数据被标记为高度可疑时，对应的积分项的值越大，比如核心人员的出勤率是维持公司正常运转的必要条件，出勤率高低将会被以高可疑度的形式标记，比如出勤率(0～15％)对应的积分项记为60分，出勤率(15％～30％)对应的积分项记为50分。而企业公开信息中存在舆论风险与企业是否涉嫌经济犯罪不一定相关，则该项对于可疑分数的影响也会较小。
在本申请的一些实施例中，在构建积分模型时，通过业务逻辑和数据分析调试，对每一维度数据都设置有相应的积分规则，比如核心人员中包含有经济犯罪前科人员的企业对应的积分项记为60分；核心人员出勤率为0～15％对应的积分项记为60分，出勤率为15％～30％对应的积分项记为50分，出勤率为30％～50％对应的积分项记为20分；核心人员的活动轨迹中有接近或出入过可疑场所的企业对应的积分项记为20分；企业公开信息中出现涉嫌经济犯罪比如高本保利字眼的企业对应的积分项记为50分；企业人员同行人中包含有经济犯罪前科人员的企业对应的积分项记为50分；预定时间内比如一个月内与可疑企业(可疑分数高或有过经济犯罪历史的企业)的联系次数超过预定次数比如15次的企业对应的积分项为30分等积分规则，构建积分模型。
在构建好积分模型后，将所获取到的第一维度数据输入至积分模型中，可以确定每一维度数据对应的积分项，然后通过积分模型提供的可疑分数计算公式，可以计算得到目标企业的可疑分数。其中可疑分数计算公式用于将所述第一多维度数据中每一维度数据对应的积分项相加，相加所得的值即为所述目标企业的可疑分数。
在本申请实施例中，基于上述积分模型，根据所确定的积分项和可疑分数计算公式，计算上述目标企业的可疑分数，其中，上述可疑分数计算公式为：
Figure BDA0003241566760000061
其中，y表示可疑分数；xi表示上述第一多维度数据中的第i维度数据；n表示上述第一多维度数据的维数，i∈(1，n)，n>1，n为整数；ωi表示xi对应的非线性参数，
Figure BDA0003241566760000071
表示第i维度数据的积分项。
在一个具体的实施例中，xi表示企业核心人员的出勤率，ωi表示企业核心人员的出勤率对应的非线性参数，比如出勤率0％≤xi＜15％，则
Figure BDA0003241566760000072
步骤S103，当上述目标企业涉嫌经济犯罪时，获得上述目标企业的第二多维度数据。
在本申请实施例中，第二多维度数据包括但不限于：是否存在未公开违规信息、银行流水信息。
在本申请的一些实施例中，计算得到目标企业的可疑分数后，可以根据可疑分数与预定分数的比较结果，确定目标企业是否涉嫌经济犯罪。其中预定分数是用于确定目标企业是否涉嫌经济犯罪的分数点，比如预定分数为100分，当目标企业的可疑分数超过100分以上，则认定目标企业涉嫌经济犯罪；当目标企业的可疑分数不超过100分，则认定目标企业不涉嫌经济犯罪。
在实际应用中，确定目标企业是否涉嫌经济犯罪，可以为后续申请违法记录、银行流水等深层次涉及敏感隐私的数据即第二多维度数据提供准备或佐证，可以通过向公安机关、市监局、银行等机构提供目标企业涉嫌经济犯罪的佐证，从相关部门中获取涉嫌经济犯罪的目标企业的深层隐私信息，从而解决了无法获得企业敏感数据的问题，使得能够提高对企业经济犯罪类型进行准确分类，并且降低了需要获取的数据量，提高了经济犯罪侦查的效率。
步骤S104，根据上述第一多维度数据和上述第二多维度数据，确定上述目标企业的经济犯罪类型。
在本申请实施例中，通过结合第一多维度数据和第二多维度数据进行分析，可以快速且准确地确定目标企业的经济犯罪分类结果。
在本申请实施例中，经济犯罪分类结果包含目标企业为空壳公司、目标企业为非法集资公司、目标企业为金融诈骗公司等等。确定目标企业的经济犯罪分类结果即是确定目标企业是为空壳公司、非法集资公司还是金融诈骗公司中的任意一种或多种。
请参见图2和图3，图2是本申请实施例提供的一种确定目标企业的经济犯罪类型的方法的流程示意图，图3是本申请实施例提供的一种异构图的图像示意图；下面结合图3，对图2提供的确定目标企业的经济犯罪类型的方法进行详细描述，具体如下：
步骤S201，将上述第一多维度数据和上述第二多维度数据进行重构，生成上述目标企业的异构图，上述异构图中包括节点信息和边信息。
在本申请实施例中，节点信息为企业节点和人员节点的信息。对于企业节点来说，每一个企业独立称为一个节点，并且每个企业节点伴随着相关的企业特征，也即第一多维数据和第二多维度数据中与企业相关的数据特征，比如目标企业的公开信息中包含高本保利字眼的特征。对于已知的涉嫌经济犯罪的企业，设定节点标签，节点标签为空壳公司、非法集资公司和诈骗公司，即节点标签对应为企业的经济犯罪类型。对于人员节点来说，每个企业人员独立称为一个节点，人员节点伴随相关的个人特征，也即第一多维数据和第二多维度数据中与个人相关的数据特征，比如核心人员的活动轨迹、犯罪记录等。
边信息为连接企业与企业之间的边、连接企业与个人之间的边、连接个人与个人之间的边的相关信息。其中连接企业与企业之间的边，代表两个企业之间存在流水交易行为；连接企业与个人之间的边，代表企业与个人之间存在雇佣关系；连接个人与个人之间的边，代表两者之间存在同行关系。
如图3所示，企业A为涉嫌诈骗的公司，其节点标签为诈骗公司。企业C与企业A之间存在流水交易行为；张三和李四与企业A之间为雇佣关系；王五与李四为在一定时期内的同行人，而王五与企业B之间为雇佣关系。企业B和企业C为未知标签的企业，需要通过分析该异构图以进行节点间的信息融合，找到更好的信息融合结果，根据信息融合结果确定企业B和企业C的节点标签为哪一类型，即确定企业B和企业C的经济犯罪类型，也即在图3中，企业B和企业C均为目标企业，需要确定其对应的节点标签，从而根据对应的节点标签确定企业B和企业C的经济犯罪类型。
在本申请的一些实施例中，对于企业的银行流水，通过业务逻辑可以构建多个经济异常指标，比如单月内低额汇款次数、总汇款额度等；对于企业之间的流水交易信息，会根据交易对手企业名称与异常企业库进行匹配，以得到企业相关的异常交易数据。
步骤S202，基于异构图节点分类模型，通过上述节点信息和上述边信息，确定各个节点之间的边关系对应的节点预测值。
在本申请实施例中，异构图节点分类模型用于对异构图中的节点进行分类，实现异构节点间信息的融合，从而根据融合结果确定对应节点的节点预测值。
在本申请的一些实施例中，异构图节点分类模型为基于关系型图注意力神经网络模型进行建模的一个神经网络模型，在该模型中，实现了异构图节点间信息的融合，从而找到更准确的节点聚合表达式，以使得能够对准确有效地对异构图中的节点进行分类。
在实际应用中，每个企业节点伴随着相关的企业特征，通过异构图节点分类模型可以使用这些企业特征构建企业节点的特征矩阵；每个人员节点伴随着相关的个人特征，通过异构图节点分类模型可以使用这些个人特征构建人员节点的特征矩阵。
在实际应用中，边信息中包括各个节点之间的边关系，通过异构图节点分类模型可以对各个节点之间的边关系学习得到对应的参数矩阵，在学习的过程中，引入了多头注意力机制，可以得到更准确的节点聚合表达，从而得到各个节点之间的边关系对应的节点预测值。
在本申请的一些实施例中，通过异构图节点分类模型确定的节点聚合表达式，根据上述节点信息和上述边信息，确定各个节点之间的边关系对应的节点预测值。
具体的，节点聚合表达式为：
Yr＝HWr
其中，r表示上述异构图中的边关系，Yr表示上述异构图中r的节点预测值，H表示相关节点的特征矩阵，Wr表示r在上述关系型图注意力神经网络学习得到的参数矩阵。
步骤S203，根据上述节点预测值，确定对应节点的节点标签，并根据上述节点标签确定上述目标企业的经济犯罪类型。
在本申请实施例中，在得到各个节点之间的边关系对应的节点预测值后，可以根据该节点预测值确定对应的企业节点的节点标签，从而根据该节点标签，可以确定目标企业的经济犯罪类型。
在本申请实施例中，通过积分模型确定第一维度数据对应的积分项来计算目标企业的可疑分数，从而将涉嫌经济犯罪的目标企业筛选出来，减少了企业经济犯罪侦查的对象，提高了企业经济犯罪侦查的效率，并且通过第二维度数据进一步对涉嫌经济犯罪的目标企业进行确认及分类，提高了企业经济犯罪侦查的准确率，并且对企业经济犯罪的类型进行细分，满足了现有企业经济犯罪侦查的多元化需求。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
基于上述实施例所提供的企业经济犯罪侦查方法，本申请实施例进一步给出实现上述方法实施例的装置实施例。
请参见图4，图4是本申请实施例提供的企业经济犯罪侦查系统的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图4，企业经济犯罪侦查系统4包括：
第一多维度数据获取单元41，用于获取目标企业的第一多维度数据；
可疑分数计算单元42，用于基于预构建的积分模型，确定上述第一多维度数据中每一维度数据对应的积分项，并通过所确定的积分项计算上述目标企业的可疑分数，上述可疑分数用于确定上述目标企业是否涉嫌经济犯罪；
第二多维度数据获取单元43，用于当上述目标企业涉嫌经济犯罪时，获得上述目标企业的第二多维度数据；
经济犯罪分类确定单元44，用于根据上述第一多维度数据和上述第二多维度数据，确定上述目标企业的经济犯罪类型。
具体的，可疑分数计算单元42，具体用于：
基于上述积分模型，根据所确定的积分项和可疑分数计算公式，计算上述目标企业的可疑分数，其中，上述可疑分数计算公式为：
Figure BDA0003241566760000101
其中，y表示可疑分数；xi表示上述第一多维度数据中的第i维度数据；n表示上述第一多维度数据的维数，i∈(1，n)，n>1，n为整数；ωi表示xi对应的非线性参数，
Figure BDA0003241566760000102
表示第i维度数据的积分项。
具体的，经济犯罪分类确定单元44，包括：
异构图生成子单元，用于将上述第一多维度数据和上述第二多维度数据进行重构，生成上述目标企业的异构图，上述异构图中包括节点信息和边信息；
节点预测值确定子单元，用于基于异构图节点分类模型，通过上述节点信息和上述边信息，确定各个节点之间的边关系对应的节点预测值；
经济犯罪分类确定子单元，用于根据上述节点预测值，确定对应节点的节点标签，并根据上述节点标签确定上述目标企业的经济犯罪类型
具体的，经济犯罪分类确定子单元，具体用于：
通过异构图节点分类模型确定的节点聚合表达式，根据上述节点信息和上述边信息，确定各个节点之间的边关系对应的节点预测值。
上述节点聚合表达式为：
Yr＝HWr
其中，r表示上述异构图中的边关系，Yr表示上述异构图中r的节点预测值，H表示相关节点的特征矩阵，Wr表示r在上述关系型图注意力神经网络学习得到的参数矩阵。
上述第一多维度数据包括：企业是否包含经济犯罪前科人员、核心人员的出勤率、核心人员的活动轨迹、企业公开信息以及企业人员同行人是否包含经济犯罪前科人员，每一维度数据至少对应一个积分项。
上述第二多维度数据包括：是否存在未公开违规信息、银行流水信息。
本申请实施例通过积分模型确定第一维度数据对应的积分项来计算目标企业的可疑分数，从而将涉嫌经济犯罪的目标企业筛选出来，减少了企业经济犯罪侦查的对象，提高了企业经济犯罪侦查的效率，并且通过第二维度数据进一步对涉嫌经济犯罪的目标企业进行确认及分类，提高了企业经济犯罪侦查的准确率，并且对企业经济犯罪的类型进行细分，满足了现有企业经济犯罪侦查的多元化需求。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图5是本申请实施例提供的企业经济犯罪侦查设备的示意图。如图5所示，该实施例的企业经济犯罪侦查设备5包括：处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52，例如语音识别程序。处理器50执行计算机程序52时实现上述各个企业经济犯罪侦查方法实施例中的步骤，例如图1所示的步骤101-104。或者，处理器50执行计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示单元41-44的功能。
示例性的，计算机程序52可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器51中，并由处理器50执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序52在企业经济犯罪侦查设备5中的执行过程。例如，计算机程序52可以被分割成第一多维度数据获取单元41、可疑分数计算单元42、第二多维度数据获取单元43、经济犯罪分类确定单元44，各单元具体功能请参阅图1对应的实施例中地相关描述，此处不赘述。
企业经济犯罪侦查设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是企业经济犯罪侦查设备5的示例，并不构成对企业经济犯罪侦查设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如企业经济犯罪侦查设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器51可以是企业经济犯罪侦查设备5的内部存储单元，例如企业经济犯罪侦查设备5的硬盘或内存。存储器51也可以是企业经济犯罪侦查设备5的外部存储设备，例如企业经济犯罪侦查设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器51还可以既包括企业经济犯罪侦查设备5的内部存储单元也包括外部存储设备。存储器51用于存储计算机程序以及企业经济犯罪侦查设备所需的其他程序和数据。存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时可实现上述企业经济犯罪侦查方法。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在企业经济犯罪侦查设备上运行时，使得企业经济犯罪侦查设备执行时实现可实现上述企业经济犯罪侦查方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种企业经济犯罪侦查方法，其特征在于，所述企业经济犯罪侦察方法包括：
获取目标企业的第一多维度数据；
基于预构建的积分模型，确定所述第一多维度数据中每一维度数据对应的积分项，并通过所确定的积分项计算所述目标企业的可疑分数，所述可疑分数用于确定所述目标企业是否涉嫌经济犯罪；
当所述目标企业涉嫌经济犯罪时，获得所述目标企业的第二多维度数据；
根据所述第一多维度数据和所述第二多维度数据，确定所述目标企业的经济犯罪类型。
2.如权利要求1所述的企业经济犯罪侦查方法，其特征在于，所述基于预构建的积分模型，确定所述第一多维度数据中每一维度数据对应的积分项，并通过所确定的积分项计算所述目标企业的可疑分数，包括：
基于所述积分模型，根据所确定的积分项和可疑分数计算公式，计算所述目标企业的可疑分数，其中，所述可疑分数计算公式用于将所述第一多维度数据中每一维度数据对应的积分项相加，相加所得的值即为所述目标企业的可疑分数。
3.如权利要求1或2所述的企业经济犯罪侦查方法，其特征在于，所述根据所述第一多维度数据和所述第二多维度数据，确定所述目标企业的经济犯罪类型，包括：
将所述第一多维度数据和所述第二多维度数据进行重构，生成所述目标企业的异构图，所述异构图中包括节点信息和边信息；
基于异构图节点分类模型，通过所述节点信息和所述边信息，确定各个节点之间的边关系对应的节点预测值；
根据所述节点预测值，确定对应节点的节点标签，并根据所述节点标签确定所述目标企业的经济犯罪类型。
4.如权利要求3所述的企业经济犯罪侦查方法，其特征在于，所述基于异构图节点分类模型，通过所述节点信息和所述边信息，确定各个节点之间的边关系对应的节点预测值，包括：
通过异构图节点分类模型确定的节点聚合表达式，根据所述节点信息和所述边信息，确定各个节点之间的边关系对应的节点预测值。
5.如权利要求1所述的企业经济犯罪侦查方法，其特征在于，所述第一多维度数据包括：企业是否包含经济犯罪前科人员、核心人员的出勤率、核心人员的活动轨迹、企业公开信息以及企业人员同行人是否包含经济犯罪前科人员，每一维度数据至少对应一个积分项。
6.如权利要求1所述的企业经济犯罪侦查方法，其特征在于，所述第二多维度数据包括：是否存在未公开违规信息、银行流水信息。
7.一种企业经济犯罪侦查系统，其特征在于，所述企业经济犯罪侦察系统包括：
第一多维度数据获取单元，用于获取目标企业的第一多维度数据；
积分项确定单元，用于确定所述第一多维度数据中每一维度数据对应的积分项；
可疑分数计算单元，用于基于预构建的积分模型，确定所述第一多维度数据中每一维度数据对应的积分项，并通过所确定的积分项计算所述目标企业的可疑分数，所述可疑分数用于确定所述目标企业是否涉嫌经济犯罪；
第二多维度数据获取单元，用于当所述目标企业涉嫌经济犯罪时，获得所述目标企业的第二多维度数据；
经济犯罪分类确定单元，用于根据所述第一多维度数据和所述第二多维度数据，确定所述目标企业的经济犯罪类型。
8.如权利要求7所述的企业经济犯罪侦查系统，其特征在于，所述经济犯罪分类确定单元，包括：
异构图生成子单元，用于将所述第一多维度数据和所述第二多维度数据进行重构，生成所述目标企业的异构图，所述异构图中包括节点信息和边信息；
节点预测值确定子单元，用于基于异构图节点分类模型，通过所述节点信息和所述边信息，确定各个节点之间的边关系对应的节点预测值；
经济犯罪分类确定子单元，用于根据所述节点预测值，确定对应节点的节点标签，并根据所述节点标签确定所述目标企业的经济犯罪类型。
9.一种企业经济犯罪侦查设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的企业经济犯罪侦查方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的企业经济犯罪侦查方法。
CN202111021441.6A 2021-09-01 2021-09-01 一种企业经济犯罪侦查方法、系统及设备 Pending CN113919630A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111021441.6A CN113919630A (zh) 2021-09-01 2021-09-01 一种企业经济犯罪侦查方法、系统及设备
PCT/CN2022/105141 WO2023029758A1 (zh) 2021-09-01 2022-07-12 一种企业经济犯罪侦查方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111021441.6A CN113919630A (zh) 2021-09-01 2021-09-01 一种企业经济犯罪侦查方法、系统及设备

Publications (1)

Publication Number Publication Date
CN113919630A true CN113919630A (zh) 2022-01-11

Family

ID=79233616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111021441.6A Pending CN113919630A (zh) 2021-09-01 2021-09-01 一种企业经济犯罪侦查方法、系统及设备

Country Status (2)

Country Link
CN (1) CN113919630A (zh)
WO (1) WO2023029758A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023029758A1 (zh) * 2021-09-01 2023-03-09 深圳云天励飞技术股份有限公司 一种企业经济犯罪侦查方法、系统及设备
CN118411039A (zh) * 2024-07-02 2024-07-30 杭州市公安局高新技术产业开发区分局、杭州市公安局滨江区分局 企业项目的风险预警方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118365144A (zh) * 2024-06-19 2024-07-19 浪潮软件科技有限公司 一种基于机器学习的空壳企业模型识别方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990946A (zh) * 2021-03-31 2021-06-18 建信金融科技有限责任公司 一种企业违约预测方法、装置、介质及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IN2015CH03655A (zh) * 2015-07-17 2015-07-31 Wipro Ltd
CN109949154B (zh) * 2018-12-17 2024-07-02 深圳平安综合金融服务有限公司 客户信息分类方法、装置、计算机设备和存储介质
CN110689438A (zh) * 2019-08-26 2020-01-14 深圳壹账通智能科技有限公司 企业类金融风险评分方法、装置、计算机设备及存储介质
CN112037038B (zh) * 2020-09-02 2024-05-28 中国银行股份有限公司 银行信贷风险预测方法及装置
CN113919630A (zh) * 2021-09-01 2022-01-11 深圳云天励飞技术股份有限公司 一种企业经济犯罪侦查方法、系统及设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990946A (zh) * 2021-03-31 2021-06-18 建信金融科技有限责任公司 一种企业违约预测方法、装置、介质及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023029758A1 (zh) * 2021-09-01 2023-03-09 深圳云天励飞技术股份有限公司 一种企业经济犯罪侦查方法、系统及设备
CN118411039A (zh) * 2024-07-02 2024-07-30 杭州市公安局高新技术产业开发区分局、杭州市公安局滨江区分局 企业项目的风险预警方法

Also Published As

Publication number Publication date
WO2023029758A1 (zh) 2023-03-09

Similar Documents

Publication Publication Date Title
De Roux et al. Tax fraud detection for under-reporting declarations using an unsupervised machine learning approach
CN110009475B (zh) 风险稽核监察方法、装置、计算机设备及存储介质
Holton Identifying disgruntled employee systems fraud risk through text mining: A simple solution for a multi-billion dollar problem
McMahon et al. New tactics in fighting financial crimes: Moving beyond the fraud triangle
US7693767B2 (en) Method for generating predictive models for a business problem via supervised learning
CN113919630A (zh) 一种企业经济犯罪侦查方法、系统及设备
Schreyer et al. Detection of accounting anomalies in the latent space using adversarial autoencoder neural networks
WO2013126281A1 (en) Systems and methods for putative cluster analysis
CN110852878B (zh) 一种可信度确定方法、装置、设备和存储介质
US20100100468A1 (en) System and method for multi layer rule processing background
CN111833182B (zh) 识别风险对象的方法和装置
Alsadah et al. Forensic accounting and cybersecurity: a literature review paper
Yang et al. Anti-money laundering supervision by intelligent algorithm
Lala et al. Fraud Detection through Routine Use of CAATTs
KR20220160996A (ko) 자금세탁 방지를 위한 안면인증 기반의 비대면 본인인증 및 요주의 인물 확인 시스템과 그 방법
El Orche et al. Approach to use ontology based on electronic payment system and machine learning to prevent Fraud
Krysovatyy et al. Classification Method of Fictitious Enterprises Based on Gaussian Naive Bayes
Wilson et al. Statistical methods in counterterrorism
Luell Employee fraud detection under real world conditions
Heidenreich How to design a method for measuring IT security in micro enterprises for IT security level measuring? A literature analysis
Kapoor Deception Detection And Vulnerability Analysis Using A Multi-Level Clustering Machine Learning Algorithm In Business Transactions
Jacob et al. AI in Forensics: A Data Analytics Perspective
Aiken Analyzing proactive fraud detection software tools and the push for quicker Solutions
Yange et al. A Schematic View of the Application of Big Data Analytics in Healthcare Crime Investigation
Raj et al. The Use of Artificial Intelligence in Anti-Money Laundering (AML)

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