CN114387103A - 一种交易风险识别方法和装置 - Google Patents
一种交易风险识别方法和装置 Download PDFInfo
- Publication number
- CN114387103A CN114387103A CN202210031012.5A CN202210031012A CN114387103A CN 114387103 A CN114387103 A CN 114387103A CN 202210031012 A CN202210031012 A CN 202210031012A CN 114387103 A CN114387103 A CN 114387103A
- Authority
- CN
- China
- Prior art keywords
- transaction
- sequence diagram
- user
- subgraphs
- risk
- 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
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种交易风险识别方法和装置,可用于人工智能技术领域,所述方法包括:根据查询到的交易明细,构建交易时序图;提取交易时序图中的子图,生成模式子图集;将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型,能够提高识别结果的准确性和及时性,节约人力资源成本,从而提高识别效率。
Description
技术领域
本发明涉及计算机技术领域,特别涉及人工智能技术领域,尤其涉及一种交易风险识别方法和装置。
背景技术
近年来,一系列由操作风险而引发的金融事件给商业银行造成了巨大损失。操作风险控制能力是决定业务健康发展的一个重要因素。相关技术中,通常通过人工核查识别交易是否存在风险,并将识别结果下发进行人工确认。但人工核查和人工确认的方式存在不确定性,无法保证识别结果的准确客观,而且事后对风险进行确认的方式,具有一定滞后性,浪费大量人力资源成本,从而降低识别效率。
发明内容
本发明的一个目的在于提供一种交易风险识别方法,能够提高识别结果的准确性和及时性,节约人力资源成本,从而提高识别效率。本发明的另一个目的在于提供一种交易风险识别装置。本发明的再一个目的在于提供一种计算机可读介质。本发明的还一个目的在于提供一种计算机设备。
为了达到以上目的,本发明一方面公开了一种交易风险识别方法,包括:
根据查询到的交易明细,构建交易时序图;
提取交易时序图中的子图,生成模式子图集;
将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型。
优选的,交易明细包括用户信息、交易信息和风险类型;
根据查询到的交易明细,构建交易时序图,包括:
对用户信息和交易信息进行计算,生成各用户之间的交互信息;
将各用户作为节点,将交互信息作为边;
通过设置的风险类型对应的表现方式,根据节点和边,构建交易时序图。
优选的,提取交易时序图中的子图,生成模式子图集,包括:
通过频繁子图挖掘算法,对交易时序图中的频繁子图进行挖掘,生成多个频繁子图;
从多个频繁子图中筛选出多个目标频繁子图,生成模式子图集。
优选的,从多个频繁子图中筛选出多个目标频繁子图,生成模式子图集,包括:
按照频繁子图的边的数量对频繁子图进行排序;
通过排序算法,按照频繁子图的边的数量对频繁子图进行排序过滤,得到多个目标频繁子图;
将多个目标频繁子图作为模式子图集。
优选的,在将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型之前,还包括:
提取出当前交易的交易用户;
将交易用户与交易时序图中的节点进行匹配;
若匹配成功,提取出交易用户对应的初始时序图;
将当前交易的交易用户作为新节点,交互信息作为新边;
将新节点和新边添加至初始时序图,得到目标时序图。
优选的,在将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型之后,包括:
根据当前交易,对模式子图和交易时序图进行更新。
优选的,方法还包括:
响应于输入的对交易时序图的点击操作,按照输入的参数提取出交互时序图;
对交互时序图进行可视化展示。
本发明还公开了一种交易风险识别装置,包括:
构建单元,用于根据查询到的交易明细,构建交易时序图;
第一提取单元,用于提取交易时序图中的子图,生成模式子图集;
第一匹配单元,用于将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型。
本发明还公开了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述方法。
本发明还公开了一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述处理器执行所述程序时实现如上所述方法。
本发明根据查询到的交易明细,构建交易时序图;提取交易时序图中的子图,生成模式子图集;将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型,能够提高识别结果的准确性和及时性,节约人力资源成本,从而提高识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种交易风险识别方法的流程图;
图2为本发明实施例提供的又一种交易风险识别方法的流程图;
图3为本发明实施例提供的一种交易时序图;
图4为本发明实施例提供的一种交易风险识别装置的结构示意图;
图5为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
需要说明的是,本申请公开的一种交易风险识别方法和装置可用于人工智能技术领域,也可用于除人工智能技术领域之外的任意领域,本申请公开的一种交易风险识别方法和装置的应用领域不做限定。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的相关内容进行说明。银行存在大量交易数据,数据背后往往存在着丰富的隐含信息,而图结构能够直观的展示数据之间的联系,并且在用户的真实交易场景中,交易的发生都是实时的,随着交易的发生,同类型的交易也在重复发生,大量的重复交易体现了数据固有的规律性。针对用户之间交易数据的特点,提岀了从海量数据中构建交易时序图的方式实现对交易风险的监控,基于当前时刻(Tt时刻)数据构建出的图对下一时刻(Tt+1时刻)产生的交易的风险类型进行预测,从而达到对新交易风险有效监控的目的,节约人力资源成本,提高识别效率。
下面以交易风险识别装置作为执行主体为例,说明本发明实施例提供的交易风险识别方法的实现过程。可理解的是,本发明实施例提供的交易风险识别方法的执行主体包括但不限于交易风险识别装置。
图1为本发明实施例提供的一种交易风险识别方法的流程图,如图2所示,该方法包括:
步骤101、根据查询到的交易明细,构建交易时序图。
步骤102、提取交易时序图中的子图,生成模式子图集。
步骤103、将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型。
本发明实施例提供的技术方案中,根据查询到的交易明细,构建交易时序图;提取交易时序图中的子图,生成模式子图集;将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型,能够提高识别结果的准确性和及时性,节约人力资源成本,从而提高识别效率。
图2为本发明实施例提供的又一种交易风险识别方法的流程图,如图3所示,该方法包括:
步骤201、根据查询到的交易明细,构建交易时序图。
本发明实施例中,各步骤由交易风险识别装置执行。
本发明实施例中,交易明细存储在数据库中,交易明细包括用户信息、交易信息和风险类型。具体地,可以按照用户输入的查询条件,从数据库中查询出对应的交易明细。值得说明的是,查询条件可以根据用户的实际需求进行设置,本发明实施例对此不作限定。作为一种可选方案,查询条件为指定时间段,例如,查询条件为2021年1月1日至2021年12月31日。
本发明实施例中,步骤201具体包括:
步骤2011、对用户信息和交易信息进行计算,生成各用户之间的交互信息。
本发明实施例中,用户信息包括但不限于编号、性别和所属年龄段,交易信息包括但不限于交易对象、交易频次和单次交易平均金额。其中,交易频次的计算单位可以根据实际情况进行设置,本发明实施例对此不作限定。作为一种可选方案,交易频次的计算单位可以为月。
具体地,交互信息为两个用户之间进行的交易的信息,交互信息包括但不限于累计交易次数、交易平均金额和累计交易总额。筛选出用户与同一交易对象的交易明细,统计交易次数、交易平均金额和累计交易总额,并将统计出的数据作为交互信息。
步骤2012、将各用户作为节点,将交互信息作为边。
步骤2013、通过设置的风险类型对应的表现方式,根据节点和边,构建交易时序图。
本发明实施例中,风险类型包括正常交易、风险交易、异常交易和未知交易。其中,风险交易为确定该交易存在较大风险的交易;异常交易为与大多数交易存在显著不同的交易,例如,用户1的转账交易长期为小额转账交易,某笔交易为大额转账交易,则该笔交易为异常交易;未知交易为尚未确定风险类型的交易。
本发明实施例中,风险类型对应的表现方式可以根据实际情况进行设置,本发明实施例对此不作限定。作为一种可选方案,可以通过不同颜色线条表示不同风险类型,例如,采用绿色代表正常交易,采用红色代表风险交易,采用黄色代表异常交易,采用黑色代表未知交易。作为另一种可选方案,可以通过不同样式线条表示不同风险类型,例如,采用实线代表正常交易,采用点划线代表风险交易,采用波浪线代表异常交易,采用双点划线代表未知交易。
图3为本发明实施例提供的一种交易时序图,如图3所示,交易时序图包括10个节点,分别代表用户1至用户10。用户1的节点信息包括编号1、性别为女、所述年龄段为老年,交易频次为5,单次交易平均金额为500;用户2的节点信息包括编号2、性别为女、所述年龄段为中年,交易频次为8,单次交易平均金额为1000;用户1的节点与用户2的节点之间构成的边代表用户1与用户2之间的交互信息,交互信息包括累计交易次数为18次、交易平均金额为1000和累计交易总额18000,用户1的节点与用户2的节点之间构成的边为实线,表明用户1与用户2之间的交易的风险类型为正常交易。
用户5的节点信息包括编号5、性别为男、所述年龄段为中年,交易频次为14,单次交易平均金额为700;用户1的节点与用户5的节点之间构成的边代表用户1与用户5之间的交互信息,交互信息包括累计交易次数为3次、交易平均金额为1000和累计交易总额3000,用户1的节点与用户5的节点之间构成的边为波浪,表明用户1与用户5之间的交易的风险类型为异常交易。
用户6的节点信息包括编号6、性别为女、所述年龄段为青年,交易频次为33,单次交易平均金额为1000;用户6的节点与用户2的节点之间构成的边代表用户6与用户2之间的交互信息,交互信息包括累计交易次数为2次、交易平均金额为800和累计交易总额1600,用户6的节点与用户2的节点之间构成的边为点划线,表明用户6与用户2之间的交易的风险类型为风险交易。
用户4的节点信息包括编号4、性别为男、所述年龄段为青年,交易频次为10,单次交易平均金额为1000;用户7的节点信息包括编号7、性别为女、所述年龄段为青年,交易频次为16,单次交易平均金额为1500;用户4的节点与用户7的节点之间构成的边代表用户4与用户7之间的交互信息,交互信息包括累计交易次数为10次、交易平均金额为2000和累计交易总额20000,用户4的节点与用户7的节点之间构成的边为双点划线,表明用户4与用户7之间的交易的风险类型为未知交易。
值得说明的是,图3中所示的其他节点和边与上述节点的描述相应,在此不再一一赘述。
本发明实施例中,从数据库的海量数据中提取出交易明细,构建了直观的交易时序图,具有较好的理解性和启发性。
进一步地,响应于输入的对交易时序图的点击操作,按照输入的参数提取出交互时序图;对交互时序图进行可视化展示。具体地,用户可以输入参数,参数包括但不限于边的数量和节点的数量,本发明实施例对此不作限定。用户对交易时序图进行点击操作,点击操作可以是对边的点击操作,也可以是对节点的点击操作。例如,输入的参数为2个,输入的点击操作为点击边的操作,则提取出与点击的边同类型的两条边以及相连的节点的交互时序图,并对该交互时序图进行可视化展示。例如,输入的参数为3个,输入的点击操作为点击节点的操作,则提取出与点击的节点直连的3个节点和边的交互时序图,并对该交互时序图进行可视化展示。
进一步地,若输入节点的节点信息和/或边的交互信息,则提取出与节点信息和/或边的交互信息匹配的交互时序图,并对该交互时序图进行可视化展示。
本发明实施例中,通过提供图交互操作,展示个人交易网络或重点交易模式,可以对个人的交易偏好进行预测,得到重点监管人群,风险账户的识别,对重点交易类型进行把控。
步骤202、提取交易时序图中的子图,生成模式子图集。
本发明实施例中,步骤202具体包括:
步骤2021、通过频繁子图挖掘算法,对交易时序图中的频繁子图进行挖掘,生成多个频繁子图。
具体地,将交易时序图输入频繁子图挖掘算法,得到多个频繁子图。
步骤2022、从多个频繁子图中筛选出多个目标频繁子图,生成模式子图集。
具体地,按照频繁子图的边的数量对频繁子图进行排序;通过排序算法,按照频繁子图的边的数量对频繁子图进行排序过滤,得到多个目标频繁子图;将多个目标频繁子图作为模式子图集。其中,排序过滤包括对大频繁子图包含的小频繁子图进行过滤处理,以提高后续对于交易的风险识别效率。其中,排序算法可以按照实际情况进行设置,本发明实施例对此不作限定。作为一种可选方案,排序算法为top-N算法。
进一步地,排序算法还会输出每个目标频繁子图的在交易时序图中的出现次数;将每个目标频繁子图的在交易时序图中的出现次数与设置的次数阈值进行比较,若出现次数小于次数阈值,则在模式子图集中丢弃对应的目标频繁子图;若出现次数大于或等于次数阈值,在模式子图集中保留对应的目标频繁子图,能够提高后续的匹配精度,节约资源。值得说明的是,次数阈值可以根据实际需求进行设置,本发明实施例对此不作限定。
步骤203、提取出当前交易的交易用户。
本发明实施例中,当前交易为系统接收到的新产生的交易,提取出当前交易的两个交易用户。
步骤204、将交易用户与交易时序图中的节点进行匹配,若匹配成功,执行步骤205;若匹配失败,流程结束。
本发明实施例中,若交易时序图中存在当前交易的两个交易用户直接交易的边,表明匹配成功,继续执行步骤205;若交易时序图中不存在当前交易的两个交易用户直接交易的边,表明匹配失败,后续可以通过其他方法判断当前交易的风险类型,例如,可以通过计算交易发生的概率判断交易的风险类型,本发明实施例对该方法不做限定。
步骤205、提取出交易用户对应的初始时序图。
本发明实施例中,以两个交易用户为中心,从交易时序图中提取出两个交易用户的所有直接交易,形成初始时序图,初始时序图中包括两个交易用户直接交易的边,还包括分别与两个交易用户直连的边以及边对应的其他用户。
步骤206、将当前交易的交易用户作为新节点,交互信息作为新边。
步骤207、将新节点和新边添加至初始时序图,得到目标时序图。
本发明实施例中,目标时序图中的新边以指定表现形式进行展示,作为一种可选方案,新边以黑色虚线进行展示。值得说明的是,新边还可以为其他的表现形式,本发明实施例对此不作限定。
步骤208、将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型。
本发明实施例中,模式子图集中包括多个频繁子图。
具体地,通过相似性算法,计算出目标时序图与每个频繁子图的相似性;筛选出相似性最高的频繁子图;将相似性最高的频繁子图和目标时序图进行匹配,将频繁子图中对应于目标时序图中的新边的边的风险类型确定为当前交易的风险类型。作为另一种可选方案,通过训练的机器学习算法对新边的风险类型进行预测,生成当前交易的风险类型。值得说明的是,本发明实施例对机器学习算法的具体类型不作限定,作为一种可选方案,机器学习算法为隐马尔可夫算法;作为另一种可选方案,机器学习算法为神经网络算法。
本发明实施例中,基于构建出的交易时序图,能有效的对实时交易风险进行把控,提高了预测的及时性和效率,降低人力成本。
步骤209、根据当前交易,对模式子图和交易时序图进行更新。
具体地,按照风险类型对应的表现方式,根据当前交易的风险类型,更新交易时序图,即:按照当前交易的风险类型对应的表现方式,替换交易时序图中的黑色虚线。
具体地,以当前交易的新边为中心进行点边扩展,在模式子图集中进行子图同构匹配,以更新模式子图,一直扩展到不存在相同图结构,并以此时图结构的出现次数与次数阈值进行比较。
本发明实施例提供的交易风险识别方法的技术方案中,根据查询到的交易明细,构建交易时序图;提取交易时序图中的子图,生成模式子图集;将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型,能够提高识别结果的准确性和及时性,节约人力资源成本,从而提高识别效率。
图4为本发明实施例提供的一种交易风险识别装置的结构示意图,该装置用于执行上述交易风险识别方法,如图4所示,该装置包括:构建单元11、第一提取单元12和第一匹配单元13。
构建单元11用于根据查询到的交易明细,构建交易时序图。
第一提取单元12用于提取交易时序图中的子图,生成模式子图集。
第一匹配单元13用于将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型。
本发明实施例中,构建单元11具体用于对用户信息和交易信息进行计算,生成各用户之间的交互信息;将各用户作为节点,将交互信息作为边;通过设置的风险类型对应的表现方式,根据节点和边,构建交易时序图。
本发明实施例中,第一提取单元12具体用于通过频繁子图挖掘算法,对交易时序图中的频繁子图进行挖掘,生成多个频繁子图;从多个频繁子图中筛选出多个目标频繁子图,生成模式子图集。
本发明实施例中,第一提取单元12具体用于按照频繁子图的边的数量对频繁子图进行排序;通过排序算法,按照频繁子图的边的数量对频繁子图进行排序过滤,得到多个目标频繁子图;将多个目标频繁子图作为模式子图集。
本发明实施例中,该装置还包括:第二提取单元14、第二匹配单元15、第三提取单元16、确定单元17和生成单元18。
第二提取单元14用于提取出当前交易的交易用户。
第二匹配单元15用于将交易用户与交易时序图中的节点进行匹配。
第三提取单元16用于若匹配成功,提取出交易用户对应的初始时序图。
确定单元17用于将当前交易的交易用户作为新节点,交互信息作为新边。
生成单元18用于将新节点和新边添加至初始时序图,得到目标时序图。
本发明实施例中,该装置还包括:更新单元19。
更新单元19用于根据当前交易,对模式子图和交易时序图进行更新。
本发明实施例中,该装置还包括:第四提取单元20和展示单元21。
第四提取单元20用于响应于输入的对交易时序图的点击操作,按照输入的参数提取出交互时序图。
展示单元21用于对交互时序图进行可视化展示。
本发明实施例的方案中,根据查询到的交易明细,构建交易时序图;提取交易时序图中的子图,生成模式子图集;将提取出的当前交易的目标时序图与模式子图集进行匹配,得到当前交易的风险类型,能够提高识别结果的准确性和及时性,节约人力资源成本,从而提高识别效率。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备,具体的,计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
本发明实施例提供了一种计算机设备,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现上述交易风险识别方法的实施例的各步骤,具体描述可参见上述交易风险识别方法的实施例。
下面参考图5,其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图5所示,计算机设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中,还存储有计算机设备600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶反馈器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡,调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口606。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种交易风险识别方法,其特征在于,所述方法包括:
根据查询到的交易明细,构建交易时序图;
提取所述交易时序图中的子图,生成模式子图集;
将提取出的当前交易的目标时序图与所述模式子图集进行匹配,得到当前交易的风险类型。
2.根据权利要求1所述的交易风险识别方法,其特征在于,所述交易明细包括用户信息、交易信息和风险类型;
所述根据查询到的交易明细,构建交易时序图,包括:
对用户信息和交易信息进行计算,生成各用户之间的交互信息;
将各用户作为节点,将所述交互信息作为边;
通过设置的风险类型对应的表现方式,根据所述节点和边,构建所述交易时序图。
3.根据权利要求1所述的交易风险识别方法,其特征在于,所述提取所述交易时序图中的子图,生成模式子图集,包括:
通过频繁子图挖掘算法,对所述交易时序图中的频繁子图进行挖掘,生成多个频繁子图;
从所述多个频繁子图中筛选出多个目标频繁子图,生成模式子图集。
4.根据权利要求3所述的交易风险识别方法,其特征在于,从所述多个频繁子图中筛选出多个目标频繁子图,生成模式子图集,包括:
按照所述频繁子图的边的数量对所述频繁子图进行排序;
通过排序算法,按照所述频繁子图的边的数量对所述频繁子图进行排序过滤,得到多个目标频繁子图;
将多个目标频繁子图作为模式子图集。
5.根据权利要求1所述的交易风险识别方法,其特征在于,在将提取出的当前交易的目标时序图与所述模式子图集进行匹配,得到当前交易的风险类型之前,还包括:
提取出当前交易的交易用户;
将所述交易用户与所述交易时序图中的节点进行匹配;
若匹配成功,提取出所述交易用户对应的初始时序图;
将所述当前交易的交易用户作为新节点,交互信息作为新边;
将所述新节点和新边添加至所述初始时序图,得到目标时序图。
6.根据权利要求1所述的交易风险识别方法,其特征在于,在将提取出的当前交易的目标时序图与所述模式子图集进行匹配,得到当前交易的风险类型之后,包括:
根据当前交易,对所述模式子图和交易时序图进行更新。
7.根据权利要求1所述的交易风险识别方法,其特征在于,所述方法还包括:
响应于输入的对所述交易时序图的点击操作,按照输入的参数提取出交互时序图;
对所述交互时序图进行可视化展示。
8.一种交易风险识别装置,其特征在于,所述装置包括:
构建单元,用于根据查询到的交易明细,构建交易时序图;
第一提取单元,用于提取所述交易时序图中的子图,生成模式子图集;
第一匹配单元,用于将提取出的当前交易的目标时序图与所述模式子图集进行匹配,得到当前交易的风险类型。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7任一项所述的交易风险识别方法。
10.一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现权利要求1至7任一项所述的交易风险识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210031012.5A CN114387103A (zh) | 2022-01-12 | 2022-01-12 | 一种交易风险识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210031012.5A CN114387103A (zh) | 2022-01-12 | 2022-01-12 | 一种交易风险识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387103A true CN114387103A (zh) | 2022-04-22 |
Family
ID=81201175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210031012.5A Pending CN114387103A (zh) | 2022-01-12 | 2022-01-12 | 一种交易风险识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387103A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564525A (zh) * | 2022-04-28 | 2022-05-31 | 支付宝(杭州)信息技术有限公司 | 基于用户交易数据挖掘用户意图的方法和装置 |
CN115018280A (zh) * | 2022-05-24 | 2022-09-06 | 支付宝(杭州)信息技术有限公司 | 风险图模式的挖掘方法、风险识别方法及对应装置 |
-
2022
- 2022-01-12 CN CN202210031012.5A patent/CN114387103A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114564525A (zh) * | 2022-04-28 | 2022-05-31 | 支付宝(杭州)信息技术有限公司 | 基于用户交易数据挖掘用户意图的方法和装置 |
CN114564525B (zh) * | 2022-04-28 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 基于用户交易数据挖掘用户意图的方法和装置 |
CN115018280A (zh) * | 2022-05-24 | 2022-09-06 | 支付宝(杭州)信息技术有限公司 | 风险图模式的挖掘方法、风险识别方法及对应装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10977739B2 (en) | Risk identification model building and risk identification | |
EP3989131A1 (en) | Method and system for realizing machine learning modeling process | |
EP3819835A1 (en) | Risk identification model training method and apparatus, and server | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN111476662A (zh) | 反洗钱识别方法及装置 | |
CN109583904A (zh) | 异常操作检测模型的训练方法、异常操作检测方法及装置 | |
CN114387103A (zh) | 一种交易风险识别方法和装置 | |
CN113360580A (zh) | 基于知识图谱的异常事件检测方法、装置、设备及介质 | |
CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
US10963799B1 (en) | Predictive data analysis of stocks | |
CN111611390B (zh) | 一种数据处理方法及装置 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN113538137A (zh) | 一种基于双图谱融合计算的资金流监控方法及装置 | |
CN113849848A (zh) | 一种数据权限配置方法及系统 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN115204889A (zh) | 文本处理方法、装置、计算机设备及存储介质 | |
CN112507098B (zh) | 问题处理方法、装置、电子设备、存储介质及程序产品 | |
CN113392920A (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN113762703A (zh) | 确定企业画像的方法和装置、计算设备和存储介质 | |
CN112995155A (zh) | 金融异常报文识别方法及装置 | |
CN115983902B (zh) | 基于用户实时事件的信息推送方法及系统 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN114756685A (zh) | 一种投诉单的投诉风险识别方法及装置 | |
CN114092057A (zh) | 一种项目模型的构建方法、装置、终端设备和存储介质 | |
CN113807391A (zh) | 任务模型的训练方法、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 |