CN114444873A - 一种风险识别方法、装置以及设备 - Google Patents
一种风险识别方法、装置以及设备 Download PDFInfo
- Publication number
- CN114444873A CN114444873A CN202111620846.1A CN202111620846A CN114444873A CN 114444873 A CN114444873 A CN 114444873A CN 202111620846 A CN202111620846 A CN 202111620846A CN 114444873 A CN114444873 A CN 114444873A
- Authority
- CN
- China
- Prior art keywords
- identification
- community
- modularity
- recognition result
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000012790 confirmation Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种风险识别方法、装置以及设备。所述方法包括:确定基于待处理的数据构成的关系图谱,获得构图图谱;采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果;采用k‑core算法,对所述第一识别结果进行圈团,获得第二识别结果;基于所述第二识别结果,获得风险识别结果。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种风险识别方法、装置以及设备。
背景技术
随着互联网的迅速发展,互联网为人们的生活带来了极大的便利。但是,互联网也带来了风险。团伙挖掘可以识别属于相同团伙的多个账号,而挖掘出团伙成员中的骨干成员,可提高团伙的可解释性和运营审理的效果。
因此,识别团伙的骨干成员具有重要意义。
发明内容
本说明书实施例提供一种风险识别方法、装置以及设备,用于解决以下技术问题:能够快速准确的识别出可疑团伙中的骨干成员。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供一种风险识别方法,包括:
确定基于待处理的数据构成的关系图谱,获得构图图谱;
采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果;
采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果;
基于所述第二识别结果,获得风险识别结果。
本说明书实施例还提供一种风险识别装置,包括:
构图模块,确定基于待处理的数据构成的关系图谱,获得构图图谱;
第一识别模块,采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果;
第二识别模块,采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果;
风险识别模块,基于所述第二识别结果,获得风险识别结果。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定基于待处理的数据构成的关系图谱,获得构图图谱;
采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果;
采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果;
基于所述第二识别结果,获得风险识别结果。
本说明书实施例采用确定基于待处理的数据构成的关系图谱,获得构图图谱;采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果;采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果;基于所述第二识别结果,获得风险识别结果,能够快速准确的识别出可疑团伙中的骨干成员,具有较好的灵活性,可实现自由配置,提高风险覆盖。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,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为本说明书实施例提供的一种风险识别方法的示意图;
图2为本说明书实施例提供的社区发现算法的示意图;
图3为本说明书实施例提供的一种风险识别方法的流程图;
图4为本说明书实施例提供的一种风险识别方法的应用场景的示意图;
图5为本说明书实施例提供的一种风险识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,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,都应当属于本申请保护的范围。
图1为本说明书实施例提供的一种风险识别方法的示意图,如图1所示,该风险识别方法包括以下步骤:
步骤S101:确定基于待处理的数据构成的关系图谱,获得构图图谱。
在互联网中,基于资金账户进行的与资金流动有关的业务的数据,均可以作为待处理的数据。资金账户可以是任何实现资金流入或者流出的账户,例如,借记卡,信用卡,存折等,资金账户的具体类型并不构成对本申请的限定。
待处理的数据的来源可以为来在于区块链的数据,也可以为其它数据,待处理的数据的来源并不构成对本申请的限定。
待处理的数据对应的时间点的选择,一般根据业务场景而定,一般而言,选择三个月的数据作为待处理的数据即可。
在具体实施例中,待处理的数据一般会选择信用不佳、和/或失信用户的数据,或者异常数据作为待处理的数据,用于后续构图。
在本说明书实施例中,所述确定基于待处理的数据构成的关系图谱,获得构图图谱,具体包括:
基于资金关系和/或同机关系,对所述待处理的数据进行构图,获得构图图谱,所述构图图谱的节点为所述待处理的数据,所述构图图谱的边为所述资金关系和/或同机关系。
在构图图谱中,构图图谱的节点为待处理的数据,构图图谱的每一个节点表示一个用户,用户之间的关系包括资金关系、和/或同机关系,亦即构图图谱的边为资金关系和/或同机关机。
在本说明书实施例中,所述资金关系为所述待处理的数据对应的资金的流向,所述同机关系为所述待处理的数据是否使用相同的设备和/或是否使用相同的无线网络。
具体到风控场景,节点包括客户、设备、地址、无线网络等各种互相关联的个体,边用于描述两个节点之间的关系,包括转账关系、社交关系、同设备关系、同无线网络关系(或者称为同wifi关系)。
步骤S103:采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果。
在本说明书实施例中,对构图图谱进行社区识别采用的是采用基于模块度的社区发现算法(Louvain算法),在该算法中,会不断的将社区折叠成一个单点,直到整体的模块度不再增加。在本说明书中,对模块度的计算算法进行了改进。
在社区划分应用场景中,模块度指的是网络中连接社区内部顶点的边所占的比例,减去同样的社团结构下任意两个节点的比例的期望值。一般的,模块度被用来衡量社区划分的好坏。简单来讲,就是将连接比较紧密的点划分在一个社区中,实现模块度变化量的逐渐收敛,直到模块度的变化量保持不变,则认为划分的社区的效果较好。同时,为了保证社区划分的准确性,在进行社区发现算法的计算中,考虑预设的规模参数,以获得更为准确的社区划分结果。
在本说明书实施例中,所述采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果,具体包括:
采用基于模块度的社区发现算法及预设的规模参数,对所述构图图谱中属于相同网络结构的社区进行划分,获得第一识别结果。
预设的规模参数的具体数值,一般根据业务场景而定。在本说明书的一个实施例中,预设的规模参数为200,也就是说团伙规模不超过200。
继续延续前例,在风控场景中,第一识别结果为基于待处理的数据获得的划分结果,通过基于模块度的社区算法,对待处理的数据进行划分,获得团伙的划分结果,或者说能够实现团伙识别。
为了进一步理解采用基于模块度的社区发现算法,下面将结合社区发现算法的计算过程予以说明。图2为本说明书实施例提供的社区发现算法的示意图。如图2所示,在本说明书实施例中,所述采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果,具体包括:
步骤S201:节点归属确认步骤,将所述构图图谱中的每个节点作为顶点,计算邻居节点并进行相加,计算模块度的变化量,直至所述模块度的变化量收敛为止,获得圈定的社区;
步骤S203:社区合并步骤,合并所述圈定的社区为一个新的顶点,并将所述圈定的社区的权重合并在所述新的顶点;
步骤S205:迭代步骤,迭代所述节点归属确认步骤及所述社区合并步骤,直到执行所述节点归属确认步骤执行前后的模块度保持不变,迭代完成,获得第一识别结果。
采用基于模块度的社区发现算法进行社区识别时,首先需要将构图图谱中的每个节点赋值,每个节点具有唯一的ID,ID的具体形式可以为唯一的数字编号,也可以为其它形式, ID的具体形式并不构成对本申请的限定。
为了保证团伙划分的结果的准确性,在基于模块度的社区算法进行划分时,需要考虑团伙规模。在本说明书实施例中,所述节点归属确认步骤,在计算模块度的变化量过程中的顶点的个数超过预设的规模参数,停止计算所述模块度的变化量。
在进行模块度计算时,对模块度的计算方式进行了改造。在本说明书实施例中,所述社区发现算法的模块度的计算公式为:
其中,
ΔQ为模块度增量;
ki,in为迭代过程中,同一个社区指向i节点的总和;
n为节点的个数;
Σin为同一个社区内部点权重的连接总和;
Σtot为同一个社区及其邻边的权重的总和;
m为边的个数。
步骤S105:采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果。
在本说明书实施例中,所述采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果,具体包括:
采用k-core算法,确定所述第一识别结果中的每个节点的重要程度,获得第二识别结果。
k-core算法主要通过递归策略逐层移除网络中所有度数小于等于k(核心度)的节点,逐层分解社区层次结构,使用参数k描述社区的层次结构。
在本说明书实施例中,所述采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果,具体包括:
采用k-core算法,从所述第一识别结果中移除所有顶点的度小于等于预设核心度的点,获得第二识别结果。
需要特别说明的是,预设核心度(k)可以根据业务场景而定,在具体实施例中,从多个预设核心度中,选择最佳的核心度k用于k-core算法,获取第二识别结果。
采用k-core算法获得的每个节点的重要程度为一个相对值,因此,在本说明书实施例中,所述第一识别结果中的每个节点的重要程度为大于1的相对值。
步骤S107:基于所述第二识别结果,获得风险识别结果。
基于前述步骤获得第二识别结果后,将第二识别结果进行排序,依据排序结果,将第二识别结果进行推送,获得风险识别结果。
继续延续前例,在风控场景中,将第二识别结果进行排序后,即可获得待处理的数据中的团伙的骨干成员的重要程度。
为了进一步理解本说明书实施例提供的风险识别方法,下面将结合具体的流程图予以说明。图3为本说明书实施例提供的一种风险识别方法的流程图。如图3所示,通过构图获得构图图谱后,进行社区划分(团伙划分),进一步确定骨干,最后进行团伙排序,获得风险识别结果。
本说明书实施例提供的方法,获得风险识别结果后,进一步可用于审理,满足审理的需求。该方法还可用于区块链,实现区块链中的风险识别。
为了进一步理解本说明书实施例提供的风险识别方法,下面将结合具体的场景予以说明。图4为本说明书实施例提供的一种风险识别方法的应用场景的示意图。如图4所示,包括如下步骤:
步骤S401:确定基于待处理的数据构成的关系图谱,获得构图图谱;
步骤S403:采用基于模块度的社区发现算法,对所述构图图谱进行团伙识别,获得团伙识别结果;
步骤S405:采用k-core算法,对所述团伙识别结果进行圈团,获得团伙骨干;
步骤S407:基于所述团伙骨干,获得风险识别结果。
采用本说明书实施例提供的风险识别方法,能够快速准确的识别出可疑团伙中的骨干成员,具有较好的灵活性,可实现自由配置,提高风险覆盖。
上述内容详细说明了一种风险识别方法,与之相应的,本说明书还提供了一种风险识别装置,如图5所示。图5为本说明书实施例提供的一种风险识别装置的示意图,该装置包括:
构图模块501,确定基于待处理的数据构成的关系图谱,获得构图图谱;
第一识别模块503,采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果;
第二识别模块505,采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果;
风险识别模块507,基于所述第二识别结果,获得风险识别结果。
进一步地,所述确定基于待处理的数据构成的关系图谱,获得构图图谱,具体包括:
基于资金关系和/或同机关系,对所述待处理的数据进行构图,获得构图图谱,所述构图图谱的节点为所述待处理的数据,所述构图图谱的边为所述资金关系和/或同机关系。
进一步地,所述资金关系为所述待处理的数据对应的资金的流向,所述同机关系为所述待处理的数据是否使用相同的设备和/或是否使用相同的无线网络。
进一步地,所述采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果,具体包括:
采用基于模块度的社区发现算法及预设的规模参数,对所述构图图谱中属于相同网络结构的社区进行划分,获得第一识别结果。
进一步地,所述采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果,具体包括:
节点归属确认步骤,将所述构图图谱中的每个节点作为顶点,计算邻居节点并进行相加,计算模块度的变化量,直至所述模块度的变化量收敛为止,获得圈定的社区;
社区合并步骤,合并所述圈定的社区为一个新的顶点,并将所述圈定的社区的权重合并在所述新的顶点;
迭代步骤,迭代所述节点归属确认步骤及所述社区合并步骤,直到执行所述节点归属确认步骤执行前后的模块度保持不变,迭代完成,获得第一识别结果。
进一步地,所述节点归属确认步骤,在计算模块度的变化量过程中的顶点的个数超过预设的规模参数,停止计算所述模块度的变化量。
进一步地,所述采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果,具体包括:
采用k-core算法,确定所述第一识别结果中的每个节点的重要程度,获得第二识别结果。
进一步地,所述采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果,具体包括:
采用k-core算法,从所述第一识别结果中移除所有顶点的度小于等于预设核心度的点,获得第二识别结果。
进一步地,所述第一识别结果中的每个节点的重要程度为大于1的相对值。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定基于待处理的数据构成的关系图谱,获得构图图谱;
采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果;
采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果;
基于所述第二识别结果,获得风险识别结果。
进一步地,所述确定基于待处理的数据构成的关系图谱,获得构图图谱,具体包括:
基于资金关系和/或同机关系,对所述待处理的数据进行构图,获得构图图谱,所述构图图谱的节点为所述待处理的数据,所述构图图谱的边为所述资金关系和/或同机关系。
进一步地,所述资金关系为所述待处理的数据对应的资金的流向,所述同机关系为所述待处理的数据是否使用相同的设备和/或是否使用相同的无线网络。
进一步地,所述采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果,具体包括:
采用基于模块度的社区发现算法及预设的规模参数,对所述构图图谱中属于相同网络结构的社区进行划分,获得第一识别结果。
进一步地,所述采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果,具体包括:
节点归属确认步骤,将所述构图图谱中的每个节点作为顶点,计算邻居节点并进行相加,计算模块度的变化量,直至所述模块度的变化量收敛为止,获得圈定的社区;
社区合并步骤,合并所述圈定的社区为一个新的顶点,并将所述圈定的社区的权重合并在所述新的顶点;
迭代步骤,迭代所述节点归属确认步骤及所述社区合并步骤,直到执行所述节点归属确认步骤执行前后的模块度保持不变,迭代完成,获得第一识别结果。
进一步地,所述节点归属确认步骤,在计算模块度的变化量过程中的顶点的个数超过预设的规模参数,停止计算所述模块度的变化量。
进一步地,所述采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果,具体包括:
采用k-core算法,确定所述第一识别结果中的每个节点的重要程度,获得第二识别结果。
进一步地,所述采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果,具体包括:
采用k-core算法,从所述第一识别结果中移除所有顶点的度小于等于预设核心度的点,获得第二识别结果。
进一步地,所述第一识别结果中的每个节点的重要程度为大于1的相对值。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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,对于装置、电子设备、非易失性计算机存储介质实施例而言,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。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray, FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、 CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language) 等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
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。具体的,计算机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。
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,在实施本说明书一个或多个实施例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。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、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,磁带式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。
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。
本说明书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说明书,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。
以上所述仅为本说明书实施例而已,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 (11)
1.一种风险识别方法,所述方法包括:
确定基于待处理的数据构成的关系图谱,获得构图图谱;
采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果;
采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果;
基于所述第二识别结果,获得风险识别结果。
2.如权利要求1所述的方法,所述确定基于待处理的数据构成的关系图谱,获得构图图谱,具体包括:
基于资金关系和/或同机关系,对所述待处理的数据进行构图,获得构图图谱,所述构图图谱的节点为所述待处理的数据,所述构图图谱的边为所述资金关系和/或同机关系。
3.如权利要求2所述的方法,所述资金关系为所述待处理的数据对应的资金的流向,所述同机关系为所述待处理的数据是否使用相同的设备和/或是否使用相同的无线网络。
4.如权利要求1所述的方法,所述采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果,具体包括:
采用基于模块度的社区发现算法及预设的规模参数,对所述构图图谱中属于相同网络结构的社区进行划分,获得第一识别结果。
5.如权利要求1所述的方法,所述采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果,具体包括:
节点归属确认步骤,将所述构图图谱中的每个节点作为顶点,计算邻居节点并进行相加,计算模块度的变化量,直至所述模块度的变化量收敛为止,获得圈定的社区;
社区合并步骤,合并所述圈定的社区为一个新的顶点,并将所述圈定的社区的权重合并在所述新的顶点;
迭代步骤,迭代所述节点归属确认步骤及所述社区合并步骤,直到执行所述节点归属确认步骤执行前后的模块度保持不变,迭代完成,获得第一识别结果。
6.如权利要求5所述的方法,所述节点归属确认步骤,在计算模块度的变化量过程中的顶点的个数超过预设的规模参数,停止计算所述模块度的变化量。
7.如权利要求1所述的方法,所述采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果,具体包括:
采用k-core算法,确定所述第一识别结果中的每个节点的重要程度,获得第二识别结果。
8.如权利要求1所述的方法,所述采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果,具体包括:
采用k-core算法,从所述第一识别结果中移除所有顶点的度小于等于预设核心度的点,获得第二识别结果。
9.如权利要求7所述的方法,所述第一识别结果中的每个节点的重要程度为大于1的相对值。
10.一种风险识别装置,所述装置包括:
构图模块,确定基于待处理的数据构成的关系图谱,获得构图图谱;
第一识别模块,采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果;
第二识别模块,采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果;
风险识别模块,基于所述第二识别结果,获得风险识别结果。
11.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定基于待处理的数据构成的关系图谱,获得构图图谱;
采用基于模块度的社区发现算法,对所述构图图谱进行社区识别,获得第一识别结果;
采用k-core算法,对所述第一识别结果进行圈团,获得第二识别结果;
基于所述第二识别结果,获得风险识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111620846.1A CN114444873A (zh) | 2021-12-28 | 2021-12-28 | 一种风险识别方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111620846.1A CN114444873A (zh) | 2021-12-28 | 2021-12-28 | 一种风险识别方法、装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114444873A true CN114444873A (zh) | 2022-05-06 |
Family
ID=81365466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111620846.1A Pending CN114444873A (zh) | 2021-12-28 | 2021-12-28 | 一种风险识别方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444873A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150100575A1 (en) * | 2013-10-07 | 2015-04-09 | Institute For Information Industry | Electronic computing device, personalized data recommending method thereof, and non-transitory machine-readable medium thereof |
CN104598605A (zh) * | 2015-01-30 | 2015-05-06 | 福州大学 | 一种社交网络中的用户影响力评估方法 |
US20160232161A1 (en) * | 2015-01-09 | 2016-08-11 | Research Foundation Of The City University Of New York | Method to maximize message spreading in social networks and find the most influential people in social media |
CN108280121A (zh) * | 2017-12-06 | 2018-07-13 | 上海师范大学 | 一种基于k-核分解获取社交网络意见领袖的方法 |
US20180315083A1 (en) * | 2015-01-09 | 2018-11-01 | Research Foundation Of The City University Of New York | Method to maximize message spreading in social networks and find the most influential people in social media |
CN109949046A (zh) * | 2018-11-02 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 风险团伙的识别方法和装置 |
CN110503568A (zh) * | 2019-08-19 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 一种社区划分方法、系统及设备 |
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 |
CN113254802A (zh) * | 2021-06-22 | 2021-08-13 | 成都信息工程大学 | 基于微博大数据的复杂网络舆情节点重要度排序方法 |
WO2021189729A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳壹账通智能科技有限公司 | 复杂关系网络的信息分析方法、装置、设备及存储介质 |
-
2021
- 2021-12-28 CN CN202111620846.1A patent/CN114444873A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150100575A1 (en) * | 2013-10-07 | 2015-04-09 | Institute For Information Industry | Electronic computing device, personalized data recommending method thereof, and non-transitory machine-readable medium thereof |
US20160232161A1 (en) * | 2015-01-09 | 2016-08-11 | Research Foundation Of The City University Of New York | Method to maximize message spreading in social networks and find the most influential people in social media |
US20180315083A1 (en) * | 2015-01-09 | 2018-11-01 | Research Foundation Of The City University Of New York | Method to maximize message spreading in social networks and find the most influential people in social media |
CN104598605A (zh) * | 2015-01-30 | 2015-05-06 | 福州大学 | 一种社交网络中的用户影响力评估方法 |
CN108280121A (zh) * | 2017-12-06 | 2018-07-13 | 上海师范大学 | 一种基于k-核分解获取社交网络意见领袖的方法 |
CN109949046A (zh) * | 2018-11-02 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 风险团伙的识别方法和装置 |
CN110503568A (zh) * | 2019-08-19 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 一种社区划分方法、系统及设备 |
WO2021189729A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳壹账通智能科技有限公司 | 复杂关系网络的信息分析方法、装置、设备及存储介质 |
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 |
CN113254802A (zh) * | 2021-06-22 | 2021-08-13 | 成都信息工程大学 | 基于微博大数据的复杂网络舆情节点重要度排序方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305158B (zh) | 一种训练风控模型和风控的方法、装置及设备 | |
CN108460523B (zh) | 一种风控规则生成方法和装置 | |
CN107451854B (zh) | 确定用户类型的方法及装置、电子设备 | |
CN111639687B (zh) | 一种模型训练以及异常账号识别方法及装置 | |
CN112200132B (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
CN113011483B (zh) | 一种模型训练和业务处理的方法及装置 | |
CN111310784B (zh) | 资源数据的处理方法及装置 | |
CN110119860B (zh) | 一种垃圾账号检测方法、装置以及设备 | |
CN111539811A (zh) | 风险账户的识别方法及装置 | |
CN109857984A (zh) | 一种锅炉负荷率-效能曲线的回归方法和装置 | |
CN109345221A (zh) | 资源流转的核对方法及装置 | |
CN107391564B (zh) | 数据转换方法、装置以及电子设备 | |
CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
CN116051118B (zh) | 行为时序模型的分析方法及装置 | |
CN109614415B (zh) | 一种数据挖掘、处理方法、装置、设备及介质 | |
CN114444873A (zh) | 一种风险识别方法、装置以及设备 | |
CN113992429B (zh) | 一种事件的处理方法、装置及设备 | |
CN107943923B (zh) | 电报码数据库的构建方法、电报码识别方法及装置 | |
CN107368281B (zh) | 一种数据处理方法及装置 | |
CN109902178A (zh) | 一种多级文本分类方法及系统 | |
WO2021239084A1 (zh) | 基于区块链的分佣 | |
CN115545943A (zh) | 一种图谱的处理方法、装置及设备 | |
CN111523995B (zh) | 一种模型迁移的特征值确定方法、装置及设备 | |
CN111738864B (zh) | 一种经营实体所属集团的识别方法、装置及设备 | |
CN113988718A (zh) | 一种风险识别方法、装置及设备 |
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 |