CN114723554A - 异常账户识别方法及装置 - Google Patents
异常账户识别方法及装置 Download PDFInfo
- Publication number
- CN114723554A CN114723554A CN202210643973.1A CN202210643973A CN114723554A CN 114723554 A CN114723554 A CN 114723554A CN 202210643973 A CN202210643973 A CN 202210643973A CN 114723554 A CN114723554 A CN 114723554A
- Authority
- CN
- China
- Prior art keywords
- account
- graph
- information
- sub
- transaction
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006870 function Effects 0.000 claims description 39
- 230000004927 fusion Effects 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 8
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 17
- 238000010276 construction Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000182988 Assa Species 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种异常账户识别方法及装置，涉及大数据技术领域和金融领域。该异常账户识别方法包括：获取待识别账户的交易记录；将所述交易记录中的各类交易信息分别输入至对应的识别模型中，分别得到对应的账户初步识别结果；所述识别模型是分别根据多个交易信息生成的；对所述账户初步识别结果进行均值运算，得到对应的账户识别结果；所述账户识别结果包括涉诈账户和非涉诈账户。本申请训练并使用各类交易信息对应的识别模型进行异常账户识别，相比于传统的机器学习算法模型而言，本申请的识别模型在预测账户是否存在异常的场景中，具有更好的识别精确率、召回率和综合测评价值，能更精准地预测是否账户是否涉及异常活动，减少资金损失。
Description
技术领域
本申请涉及大数据技术领域和金融领域，具体涉及一种异常账户识别方法及装置。
背景技术
互联网和电信产业迅猛发展的同时，大数据技术的发展也使得积累账户相关的信息变得越来越容易，例如账户之间的交易信息、账户间登记的地址信息是否相近、账户登记的预留电话信息是否相同、账户登陆的IP地址是否相同等均可被轻易获取到。但是通过给账户标记标签信息判断是否涉及异常活动的方式需要消耗大量的人力和时间，代价非常昂贵。
利用目前主流的机器学习技术挖掘涉及异常活动的账户十分有价值，但仍有一些不足：首先，在该场景中，账户之间的关联关系不可忽视，例如账户之间的交易关系、账户之间的地址是否相近、银行预留号码是否相同，交易IP是否相同等。而传统的大多数机器学习算法将账户表示为孤立的样本进行建模预测，忽略了样本之间的各种关联关系，导致模型效果不佳。
发明内容
为了提高账户异常识别的准确性和下效率，第一方面，本申请提供一种异常账户识别方法，包括：
获取待识别账户的交易记录；
将所述交易记录中的各类交易信息分别输入至对应的识别模型中，分别得到对应的账户初步识别结果；所述识别模型是分别根据多个交易信息以及各交易信息之间的关联关系生成的；
对所述账户初步识别结果进行均值运算，得到对应的账户识别结果；所述账户识别结果包括涉诈账户和非涉诈账户。
在一实施例中，所述识别模型包括账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型；所述账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型是分别根据多个交易信息中的账户信息、联系地址信息、联系电话信息和登录IP信息以及对应的账户分类标签生成的；
所述将所述交易记录中的各类交易信息分别输入至对应的识别模型中，分别得到对应的账户初步识别结果，包括：
将所述交易记录中的账户信息输入所述账户子图识别模型中，得到第一账户初步识别结果；
将所述交易记录中的联系地址信息输入所述地址子图识别模型中，得到第二账户初步识别结果；
将所述交易记录中的联系电话信息输入所述电话子图识别模型中，得到第三账户初步识别结果；
将所述交易记录中的登录IP信息输入所述IP子图识别模型中，得到第四账户初步识别结果。
在一实施例中，生成所述账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型的步骤包括：
获取多个交易信息及其对应的账户分类标签；
基于所述交易信息中的账户信息、联系地址信息、联系电话信息以及登录IP信息分别构建对应的交易子图、地址子图、电话子图和IP子图；
根据各子图中的节点、连接不同节点的边以及所述账户分类标签构建目标函数；
最小化所述目标函数，得到各子图对应的识别模型。
在一实施例中，所述基于所述交易信息中的账户信息、联系地址信息、联系电话信息以及登录IP信息分别构建交易子图、地址子图、电话子图和IP子图，包括：
以各账户信息中的账户交易特征为节点、以各账户的交易关系为边构建所述账户子图；
以各联系地址信息中的地域特征为节点、以各账户的地址相关关系为边构建所述地址子图；
以各联系电话信息中的电话特征为节点、以各账户的电话相关关系为边构建所述电话子图；
以各登录IP信息中的IP特征为节点、以各账户的IP相关关系为边构建所述IP子图。
在一实施例中，所述根据各子图中的节点以及节点之间的关联关系以及所述账户分类标签构建模型目标函数，包括：
根据同一子图中的各节点的关联关系构建图结构约束项，以及根据所有子图中节点的关联关系构建异构图对比融合学习项；
基于所述图结构约束项、所述异构图对比融合学习项以及所述账户分类标签构建所述模型目标函数。
在一实施例中，所述根据同一子图中各节点的关联关系构建图结构约束项，包括：
分别根据各子图中的节点信息和边信息得到各子图中的各节点之间的相似度；
根据节点之间的相似度确定同一子图中的各节点之间的表征关系；
根据所述相似度以及所述表征关系构建所述图结构约束项。
在一实施例中，所述根据所有子图中节点的关联关系构建异构图对比融合学习项，包括：
获取预设的对比融合规则，所述对比融合规则包括：使同一账户信息中的交易信息、联系地址信息、联系电话信息以及登录IP信息在对应子图中的识别结果之间的差的绝对值小于预设阈值；
根据所述对比融合规则构建所述异构图对比融合学习项。
第二方面，本申请提供一种异常账户识别装置，该装置包括：
交易记录获取模块，用于获取待识别账户的交易记录；
初步识别模块，用于将所述交易记录中的各类交易信息分别输入至对应的识别模型中，分别得到对应的账户初步识别结果；所述识别模型是分别根据多个交易信息生成的；
账户识别模块，用于对所述账户初步识别结果进行均值运算，得到对应的账户识别结果；所述账户识别结果包括涉诈账户和非涉诈账户。
在一实施例中，所述识别模型包括账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型；所述账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型是分别根据多个交易信息中的账户信息、联系地址信息、联系电话信息和登录IP信息以及对应的账户分类标签生成的；
所述初步识别模块具体用于：
将所述交易记录中的账户信息输入所述账户子图识别模型中，得到第一账户初步识别结果；
将所述交易记录中的联系地址信息输入所述地址子图识别模型中，得到第二账户初步识别结果；
将所述交易记录中的联系电话信息输入所述电话子图识别模型中，得到第三账户初步识别结果；
将所述交易记录中的登录IP信息输入所述IP子图识别模型中，得到第四账户初步识别结果。
在一实施例中，所述异常账户识别装置还包括识别模型生成模块，用于生成所述账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型；
所述识别模块具体包括：
交易信息获取单元，用于获取多个交易信息及其对应的账户分类标签；
子图构建单元，用于基于所述交易信息中的账户信息、联系地址信息、联系电话信息以及登录IP信息分别构建对应的交易子图、地址子图、电话子图和IP子图；
目标函数构建单元，用于根据各子图中的节点、连接不同节点的边以及所述账户分类标签构建目标函数；
识别模型生成单元，用于最小化所述目标函数，得到各子图对应的识别模型。
在一实施例中，所述子图构建单元具体用于：
以各账户信息中的账户交易特征为节点、以各账户的交易关系为边构建所述账户子图；
以各联系地址信息中的地域特征为节点、以各账户的地址相关关系为边构建所述地址子图；
以各联系电话信息中的电话特征为节点、以各账户的电话相关关系为边构建所述电话子图；
以各登录IP信息中的IP特征为节点、以各账户的IP相关关系为边构建所述IP子图。
在一实施例中，所述目标函数构建单元包括：
约束向构建子单元，用于根据同一子图中的各节点的关联关系构建图结构约束项，
异构图对比融合学习项构建子单元，用于根据所有子图中节点的关联关系构建异构图对比融合学习项；
目标函数构建子单元，用于基于所述图结构约束项、所述异构图对比融合学习项以及所述账户分类标签构建所述模型目标函数。
在一实施例中，所述约束向构建子单元具体用于：
分别根据各子图中的节点信息和边信息得到各子图中的各节点之间的相似度；
根据节点之间的相似度确定同一子图中的各节点之间的表征关系；
根据所述相似度以及所述表征关系构建所述图结构约束项。
在一实施例中，所述异构图对比融合学习项构建子单元具体用于：
获取预设的对比融合规则，所述对比融合规则包括：使同一账户信息中的交易信息、联系地址信息、联系电话信息以及登录IP信息在对应子图中的识别结果之间的差的绝对值小于预设阈值；
根据所述对比融合规则构建所述异构图对比融合学习项。
第三方面，本申请提供一种电子设备，包括：
中央处理器、存储器、通信模块，所述存储器中存储有计算机程序，所述中央处理器可调用所述计算机程序，所述中央处理器执行所述计算机程序时实现本申请提供的任一异常账户识别方法。
第四方面，本申请提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现本申请提供的任一异常账户识别方法。
本申请的异常账户识别方法及装置中训练并使用各类交易信息对应的识别模型进行识别，相比于传统的机器学习算法模型而言，本申请的识别模型在预测账户是否涉及异常活动的场景中，识别的精确率、召回率和综合测评价值上都效果更好，能更精准地预测是否账户是否涉及异常活动。银行的各级分行可以参考模型预测的可疑账户采取相应措施，实现第一时间发现异常活动，减少资金损失。
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为本申请提供的异常账户识别方法的一种示意图。
图2为本申请提供的异常账户识别方法的另一种示意图。
图3为本申请提供的生成各识别模型的步骤示意图。
图4为本申请提供的基于交易信息构建异构图的步骤示意图。
图5为本申请提供的基于异构图构建模型目标函数的步骤示意图。
图6为本申请提供的异常账户识别装置的一种示意图。
图7为本申请提供的异常账户识别装置的另一种示意图。
图8为本申请提供的异常账户识别装置的另一种示意图。
图9为本申请提供的一种电子设备的示意图。
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。
首先需要说明的是，本申请的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。本申请实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等均在经过客户授权同意的前提下执行。
第一方面，本申请提供一种异常账户识别方法，本申请主要用于判断账户是否涉及可能造成财产损失的场景中，因此这里的“异常账户”主要指“涉诈账户”，本申请的“异常账户识别方法”主要用于“涉诈账户”识别。实际应用中，本申请的异常账户还可用于其他异常行为的识别，只需适应性调整待识别的参数即可。
如图1所示，该方法包括步骤S101至步骤S103：
步骤S101，获取待识别账户的交易记录。
具体地，本申请是根据账户产生的交易信息作为账户识别的依据。因此需要获得账户的多条交易记录。本步骤中的交易记录中包含账户信息、联系地址信息、联系电话信息以及登录IP信息等各类交易信息。本申请基于这些交易信息共同判断账户是否存在异常。
步骤S102，将所述交易记录中的各类交易信息分别输入至对应的识别模型中，分别得到对应的账户初步识别结果；所述识别模型是分别根据多个交易信息以及各交易信息之间的关联关系生成的。
具体地，以步骤S101中提及的账户信息、联系地址信息、联系电话信息以及登录IP信息为例，本申请预先针对这四类交易信息分别训练了四个识别模型，每一个识别模型基于对应类型的交易信息进行异常账户识别，得到账户初步识别结果。也即，在本步骤的例子中，分别通过四个识别模型对待识别账户四种类型的交易信息进行识别，得到四个账户初步识别结果。各识别模型输出的账户初步识别结果均为常数，该常数的取值范围为[0,1]，该常数表示待识别账户为涉诈账户（或异常账户）的概率。
本步骤中用到的识别模型分别根据大量对应类型的交易信息训练得到，这些交易信息来源于大量的不同账户的交易记录。训练识别模型的具体步骤会在后续实施例中进行详细说明。
步骤S103，对所述账户初步识别结果进行均值运算，得到对应的账户识别结果；所述账户识别结果包括涉诈账户和非涉诈账户。
具体地，步骤S103中得到的账户识别结果是基于步骤S102中的四个账户初步识别结果获得的。一般而言，若对以上四个账户初步识别结果进行均值运算得到的值小于或等于0.5，则账户识别结果为非涉诈账户，若对以上四个账户初步识别结果进行均值运算得到的值大于0.5，则账户识别结果为涉诈账户。
由以上内容可知，本申请在识别账户是否为异常账户（涉诈账户）时，综合考虑了账户对应的账户信息、联系地址信息、联系电话信息以及登录IP信息等各类交易信息，深入挖掘客户之间的关联关系，相比于传统的将客户表示为孤立的样本进行建模预测的方法，本申请的异常账户识别方法更加准确，效果更好。
在一实施例中，本申请对步骤S102中用到的识别模型作进一步说明。与账户信息、联系地址信息、联系电话信息以及登录IP信息这四类交易信息对应，本申请的识别模型也分别包括四个，分别为账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型。
其中，账户子图识别模型是根据采集到的多个历史交易信息中的账户信息以及对应的账户分类标签生成；地址子图识别模型是根据采集到的多个历史交易信息中的联系地址信息以及对应的账户分类标签生成；电话子图识别模型是根据采集到的多个历史交易信息中的联系电话信息以及对应的账户分类标签生成；IP子图识别模型是根据采集到的多个历史交易信息中的登录IP信息以及对应的账户分类标签生成。
因此，如图2所示，步骤S102，将所述交易记录中的各类交易信息分别输入至对应的识别模型中，分别得到对应的账户初步识别结果，可进一步包括以下四个并列的步骤：
步骤S1021，将所述交易记录中的账户信息输入所述账户子图识别模型中，得到第一账户初步识别结果；
步骤S1022，将所述交易记录中的联系地址信息输入所述地址子图识别模型中，得到第二账户初步识别结果；
步骤S1023，将所述交易记录中的联系电话信息输入所述电话子图识别模型中，得到第三账户初步识别结果；
步骤S1024，将所述交易记录中的登录IP信息输入所述IP子图识别模型中，得到第四账户初步识别结果。
本领域技术人员应该明白，以上步骤S1021~步骤S1024的书写顺序并不代表其执行顺序，实际上，步骤S1021~步骤S1024为并列的四个步骤，其执行不分先后，更不限于上述顺序。
在一实施例中，如图3所示，本申请的异常账户识别方法还包括生成所述账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型的步骤，生成各识别模型的过程包括以下步骤S104~步骤S107：
步骤S104，获取多个交易信息及其对应的账户分类标签。
具体地，关于交易信息，本申请主要涉及交易信息中的账户信息、联系地址信息、联系电话信息以及登录IP信息这四类信息，实际应用中，可以根据需求选择其他类型的数据信息。
关于账户分类标签，本申请的目的在于预测出账户是否涉及异常活动相关案件，因此本申请将该目的定义为二分类问题，账户分类标签可以定义如下：涉及异常活动相关案件的账户，其账户分类标签为1；不涉及异常活动相关案件的账户，其账户分类标签为0。
在步骤S104中，获取到多个交易信息后，还会进行数据预处理，将缺失数据较多的样本数据删除。
步骤S105，基于所述交易信息中的账户信息、联系地址信息、联系电话信息以及登录IP信息分别构建对应的交易子图、地址子图、电话子图和IP子图。其中，交易子图、地址子图、电话子图和IP子图共同组成了本申请所需的异构图。
具体地，如图4所示，步骤S105包括以下步骤：
步骤S1051，以各账户信息中的账户交易特征为节点、以各账户的交易关系为边构建所述账户子图。
其中，账户交易特征包括但不限于账户在多个三个月内的交易笔数、交易金额、夜间交易次数、交易终端等特征，提取这些账户交易特征，即可得到多个节点；各账户的交易关系指账户之间是否存在交易，若存在，则代表两个账户的节点之间存在边，若不存在，则代表两个账户的节点之间不存在边。
步骤S1052，以各联系地址信息中的地域特征为节点、以各账户的地址相关关系为边构建所述地址子图。
其中，地域特征包括但不限于登记地址类型（城市或农村）、上级城市、距离一二线城市的距离、周边城市等；各账户的地址相关关系指账户的联系地址信息是否属于同一个市，若属于，则代表两个账户的节点之间存在边，若不属于，则代表两个账户的节点之间不存在边。
步骤S1053，以各联系电话信息中的电话特征为节点、以各账户的电话相关关系为边构建所述电话子图。
其中，电话特征包括但不限于拨打客服电话的次数、电话状态（例如停机欠费、正常使用）、电话归属地等；各账户的电话相关关系指账户的电话号码是否相同，若相同，则代表两个账户的节点之间存在边，若不同，则代表两个账户的节点之间不存在边。
步骤S1054，以各登录IP信息中的IP特征为节点、以各账户的IP相关关系为边构建所述IP子图。
其中，IP特征包括但不限于3个月内IP涉及的地区、IP所属区域等信息；各账户的IP相关关系指账户是否使用同一IP，若是，则代表两个账户的节点之间存在边，若不是，则代表两个账户的节点之间不存在边。
通过以上步骤S1051~步骤S1054得到的四个子图，即交易子图、地址子图、电话子图和IP子图，共同构成了本申请的异构图，异构图可通过以下式子表示：
其中，G代表异构图，由m张子图组成（本申请提供的案例中，异构图包含的子图的数量为4，即m=4），
代表第s个子图，V是该子图中的节点的集合，E是该子图中的边的集合， 
为第s个子图中的样本，N为样本个数，d s 为特征维数。
需要说明的是，以上步骤S1051~步骤S1054为并列的四个步骤，其执行不分先后。本领域技术人员应该明白，为各步骤编号仅是为了便于说明，并非用以限定各步骤的执行顺序。
步骤S106，根据各子图中的节点、连接不同节点的边以及所述账户分类标签构建目标函数。
具体地，如图5所示，步骤S106中构建目标函数进一步包括以下步骤S1061至步骤S1062：
步骤S1061，根据同一子图中的各节点的关联关系构建图结构约束项，以及根据所有子图中节点的关联关系构建异构图对比融合学习项。
步骤S1062，基于所述图结构约束项、所述异构图对比融合学习项以及所述账户分类标签构建所述模型目标函数。
以下将分别对步骤S1061中的图结构约束项、异构图对比融合学习项的构建过程以及步骤S1062中的模型目标函数的构建过程进行阐述。
步骤S1061中的图结构约束项用以约束相似样本在每一个子图中的输出尽可能相近。构建图结构约束项时，按照以下步骤即可实现：
（1）分别根据各子图中的节点信息和边信息得到各子图中的各节点之间的相似度。
这里需要用到各子图的邻接矩阵A s ，其中， 
表示第s个子图中的邻接矩阵， 
表示第s个子图中的节点i和节点j之间有边， 
表示第s个子图中的节点i和节点j之间没有边，即
对于任意一个子图，利用其邻接矩阵约束子图中无关联关系的样本之间的相似性为0，计算有关联关系的样本之间的相似性，这里采用径向基函数计算样本之间的相似性，公式如下：
其中，s代表第s个子图，
表示第s个子图中节点i和节点j之间的相似性，
分别表示第s个子图中节点i和节点j的表达形式，
表示第s个子图中节点i和节点j之间的边信息（从邻接矩阵A s 中直接获取即可），
为超参数。
（2）根据节点之间的相似度确定同一子图中的各节点之间的表征关系。即，对于任意一个子图，分别使用该子图中与当前样本有关联关系的其他样本的输出表征当前样本的输出，具体地第s个子图中的第i个样本可通过以下公式进行表征：
其中，
为第s个子图中节点i和节点j之间的相似性（计算方式参见前述步骤（1）），
表示第s个子图中的子分类器（也即前文提及的识别模型之一），子分类器在本式子中为未知的；N为第s个子图中的节点总数，
为第s个子图中使用有关联关系的样本j的输出表征的当前样本i的输出。
（3）根据所述相似度以及所述表征关系构建所述图结构约束项。
具体地，通过上述步骤（1）和（2），可以得到各子图中不同节点之间的相似度以及各节点的表征关系，步骤（3）则利用以上所得构建图结构约束项L1如下：
其中，s表示第s个子图，m表示异构图中包含的子图的总数，i、j为第s个子图中任意两个节点的编号，N为节点总数，
为第s个子图中节点i和节点j之间的相似性（计算方式参见前述步骤（1）），
为第s个子图中使用有关联关系的样本的输出表征的当前样本i的输出，
为第s个子图中使用有关联关系的样本的输出表征的当前样本j的输出。
通过最小化图结构约束项L1，可使得每一个子图中，相似节点对应的输出尽可能相近。
而步骤S1061中的异构图对比融合学习项则用以约束不同子图对应输出的一致性。异构图对比融合学习项的具体形式如下：
其中，s、s’表示不同的子图，m表示异构图中包含的子图的总数，N为节点总数，
表示第s个子图中的子分类器（也即前文提及的识别模型之一），
表示第s’个子图中的子分类器（也即前文提及的识别模型之一），子分类器在本式子中为未知的，i、k为子图中任意节点的编号，
为子图中节点的表达形式。
本申请的异构图对比融合学习项L2的构建依据或者本申请的对比融合学习规则为：1）对于任何节点i，使它在任意两个不同子图对应的输出
尽可能相近，具体实施时，可设置第一阈值，使同一账户信息中的交易信息、联系地址信息、联系电话信息以及登录IP信息在对应子图中的识别结果之间的差的绝对值小于该第一阈值，即
的差的绝对值小于该第一阈值。2）对于不同节点i和k，使其在同一子图对应的输出
尽可能不同，具体实施时，可设置第二阈值，使
的差的绝对值大于该第二阈值。3）对于不同节点i和k，使其在不同子图对应的输出
尽可能不同，具体实施时，可设置第三阈值，使
的差的绝对值大于该第三阈值。
至此，步骤S1601执行完毕。
步骤S1062中基于所述图结构约束项、所述异构图对比融合学习项以及所述账户分类标签构建得到的模型目标函数如下：
其中，s表示第s个子图，m表示异构图中包含的子图的总数，X s 表示第s个子图中的训练样本集合，Y表示训练样本的标签集合，
表示第s个子图中的子分类器（也即前文提及的识别模型之一），emp()表示经验损失函数，L1表示图结构约束项，L2表示异构图对比融合学习项。
步骤S107，最小化所述目标函数，得到各子图对应的识别模型。
具体地，将目标函数Loss最小化，得到一组
，s=1，2，…，m，m为异构图中包含的子图的总数，
即为本申请得到的第s个子图对应的识别模型。也即，这里分别得到了账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型。
进一步地，步骤S103对所述账户初步识别结果进行均值运算，得到对应的账户识别结果可采用如下模型判别函数实现：
其中，X表示待识别账户，s为第s个子图，m为异构体中的子图总数，f s (X s )表示待识别账户X在第s个子图对应的识别模型中得到的账户初步识别结果，F(X)表示均值运算结果，
为待识别账户的账户分类标签。从该模型判别函数中可以看出，当均值运算得到的值小于或等于0.5时，账户分类标签为0，对应的账户识别结果为非涉诈账户；当均值运算得到的值大于0.5时，账户分类标签为1，账户识别结果为涉诈账户。
综上所述，本申请的异常账户识别方法，训练并使用各类交易信息对应的识别模型进行识别，综合各识别模型的识别结果确定账户识别结果。本申请基于图结构约束和异构图对比融合学习，使每一个子图中相似样本之间的输出尽可能相近，使不同子图中同一节点的输出尽可能相近，且不同节点的输出尽可能远离，提高了模型泛化效果。相比于传统的机器学习算法模型而言，本申请的识别模型在预测账户是否涉及异常活动的场景中，识别的精确率、召回率和综合测评价值上都效果更好，能更精准地预测是否账户是否涉及异常活动。银行的各级分行可以参考模型预测的可疑账户采取相应措施，实现第一时间发现异常活动，减少资金损失。
基于同一发明构思，本申请实施例还提供了一种异常账户识别装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于异常账户识别装置解决问题的原理与异常账户识别方法相似，因此异常账户识别装置的实施可以参见异常账户识别方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
如图6所示，本申请提供一种异常账户识别装置，该装置包括：
交易记录获取模块601，用于获取待识别账户的交易记录；
初步识别模块602，用于将所述交易记录中的各类交易信息分别输入至对应的识别模型中，分别得到对应的账户初步识别结果；所述识别模型是分别根据多个交易信息生成的；
账户识别模块603，用于对所述账户初步识别结果进行均值运算，得到对应的账户识别结果；所述账户识别结果包括涉诈账户和非涉诈账户。
在一实施例中，所述识别模型包括账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型；所述账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型是分别根据多个交易信息中的账户信息、联系地址信息、联系电话信息和登录IP信息以及对应的账户分类标签生成的；
所述初步识别模块602具体用于：
将所述交易记录中的账户信息输入所述账户子图识别模型中，得到第一账户初步识别结果；
将所述交易记录中的联系地址信息输入所述地址子图识别模型中，得到第二账户初步识别结果；
将所述交易记录中的联系电话信息输入所述电话子图识别模型中，得到第三账户初步识别结果；
将所述交易记录中的登录IP信息输入所述IP子图识别模型中，得到第四账户初步识别结果。
在一实施例中，如图7所示，所述异常账户识别装置还包括识别模型生成模块604，用于生成所述账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型；
所述识别模型生成模块604具体包括：
交易信息获取单元6041，用于获取多个交易信息及其对应的账户分类标签；
子图构建单元6042，用于基于所述交易信息中的账户信息、联系地址信息、联系电话信息以及登录IP信息分别构建对应的交易子图、地址子图、电话子图和IP子图；
目标函数构建单元6043，用于根据各子图中的节点、连接不同节点的边以及所述账户分类标签构建目标函数；
识别模型生成单元6044，用于最小化所述目标函数，得到各子图对应的识别模型。
在一实施例中，所述子图构建单元6042具体用于：
以各账户信息中的账户交易特征为节点、以各账户的交易关系为边构建所述账户子图；
以各联系地址信息中的地域特征为节点、以各账户的地址相关关系为边构建所述地址子图；
以各联系电话信息中的电话特征为节点、以各账户的电话相关关系为边构建所述电话子图；
以各登录IP信息中的IP特征为节点、以各账户的IP相关关系为边构建所述IP子图。
在一实施例中，如图8所示，所述目标函数构建单元6043包括：
约束向构建子单元60431，用于根据同一子图中的各节点的关联关系构建图结构约束项，
异构图对比融合学习项构建子单元60432，用于根据所有子图中节点的关联关系构建异构图对比融合学习项；
目标函数构建子单元60433，用于基于所述图结构约束项、所述异构图对比融合学习项以及所述账户分类标签构建所述模型目标函数。
在一实施例中，所述约束向构建子单元60341具体用于：
分别根据各子图中的节点信息和边信息得到各子图中的各节点之间的相似度；
根据节点之间的相似度确定同一子图中的各节点之间的表征关系；
根据所述相似度以及所述表征关系构建所述图结构约束项。
在一实施例中，所述异构图对比融合学习项构建子单元60342具体用于：
获取预设的对比融合规则，所述对比融合规则包括：使同一账户信息中的交易信息、联系地址信息、联系电话信息以及登录IP信息在对应子图中的识别结果之间的差的绝对值小于预设阈值；
根据所述对比融合规则构建所述异构图对比融合学习项。
本申请的异常账户识别装置训练并使用各类交易信息对应的识别模型进行识别，相比于传统的机器学习算法模型而言，本申请的识别模型在预测账户是否涉及异常活动的场景中，识别的精确率、召回率和综合测评价值上都效果更好，能更精准地预测是否账户是否涉及异常活动。银行的各级分行可以参考模型预测的可疑账户采取相应措施，实现第一时间发现异常活动，减少资金损失。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
第三方面，本申请还提供一种电子设备，参见图9，所述电子设备100具体包括：
中央处理器(processor) 110、存储器(memory)120、通信模块(Communications)130、输入单元140、输出单元150以及电源160。
其中，所述存储器(memory)120、通信模块(Communications)130、输入单元140、输出单元150以及电源160分别与所述中央处理器(processor)110相连接。所述存储器120中存储有计算机程序，所述中央处理器110可调用所述计算机程序，所述中央处理器110执行所述计算机程序时实现上述实施例中的异常账户识别方法中的全部步骤。
第四方面，本申请的实施例还提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序可被处理器执行。所述计算机程序被处理器执行时实现本发明所提供的任一基于异常账户识别方法。
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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
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，对于硬件+程序类实施例而言，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。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行（例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境）。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。
Claims (10)
1.一种异常账户识别方法，其特征在于，包括：
获取待识别账户的交易记录；
将所述交易记录中的各类交易信息分别输入至对应的识别模型中，分别得到对应的账户初步识别结果；所述识别模型是分别根据多个交易信息以及各交易信息之间的关联关系生成的；
对所述账户初步识别结果进行均值运算，得到对应的账户识别结果；所述账户识别结果包括涉诈账户和非涉诈账户。
2.根据权利要求1所述的异常账户识别方法，其特征在于，所述识别模型包括账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型；所述账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型是分别根据多个交易信息中的账户信息、联系地址信息、联系电话信息和登录IP信息以及对应的账户分类标签生成的；
所述将所述交易记录中的各类交易信息分别输入至对应的识别模型中，分别得到对应的账户初步识别结果，包括：
将所述交易记录中的账户信息输入所述账户子图识别模型中，得到第一账户初步识别结果；
将所述交易记录中的联系地址信息输入所述地址子图识别模型中，得到第二账户初步识别结果；
将所述交易记录中的联系电话信息输入所述电话子图识别模型中，得到第三账户初步识别结果；
将所述交易记录中的登录IP信息输入所述IP子图识别模型中，得到第四账户初步识别结果。
3.根据权利要求2所述的异常账户识别方法，其特征在于，生成所述账户子图识别模型、地址子图识别模型、电话子图识别模型以及IP子图识别模型的步骤包括：
获取多个交易信息及其对应的账户分类标签；
基于所述交易信息中的账户信息、联系地址信息、联系电话信息以及登录IP信息分别构建对应的交易子图、地址子图、电话子图和IP子图；
根据各子图中的节点、连接不同节点的边以及所述账户分类标签构建目标函数；
最小化所述目标函数，得到各子图对应的识别模型。
4.根据权利要求3所述的异常账户识别方法，其特征在于，所述基于所述交易信息中的账户信息、联系地址信息、联系电话信息以及登录IP信息分别构建交易子图、地址子图、电话子图和IP子图，包括：
以各账户信息中的账户交易特征为节点、以各账户的交易关系为边构建所述账户子图；
以各联系地址信息中的地域特征为节点、以各账户的地址相关关系为边构建所述地址子图；
以各联系电话信息中的电话特征为节点、以各账户的电话相关关系为边构建所述电话子图；
以各登录IP信息中的IP特征为节点、以各账户的IP相关关系为边构建所述IP子图。
5.据权利要求3所述的异常账户识别方法，其特征在于，所述根据各子图中的节点以及节点之间的关联关系以及所述账户分类标签构建模型目标函数，包括：
根据同一子图中的各节点的关联关系构建图结构约束项，以及根据所有子图中节点的关联关系构建异构图对比融合学习项；
基于所述图结构约束项、所述异构图对比融合学习项以及所述账户分类标签构建所述模型目标函数。
6.根据权利要求5所述的异常账户识别方法，其特征在于，所述根据同一子图中各节点的关联关系构建图结构约束项，包括：
分别根据各子图中的节点信息和边信息得到各子图中的各节点之间的相似度；
根据节点之间的相似度确定同一子图中的各节点之间的表征关系；
根据所述相似度以及所述表征关系构建所述图结构约束项。
7.根据权利要求5所述的异常账户识别方法，其特征在于，所述根据所有子图中节点的关联关系构建异构图对比融合学习项，包括：
获取预设的对比融合规则，所述对比融合规则包括：使同一账户信息中的交易信息、联系地址信息、联系电话信息以及登录IP信息在对应子图中的识别结果之间的差的绝对值小于预设阈值；
根据所述对比融合规则构建所述异构图对比融合学习项。
8.一种异常账户识别装置，其特征在于，包括：
交易记录获取模块，用于获取待识别账户的交易记录；
初步识别模块，用于将所述交易记录中的各类交易信息分别输入至对应的识别模型中，分别得到对应的账户初步识别结果；所述识别模型是分别根据多个交易信息以及各交易信息之间的关联关系生成的；
账户识别模块，用于对所述账户初步识别结果进行均值运算，得到对应的账户识别结果；所述账户识别结果包括涉诈账户和非涉诈账户。
9.一种电子设备，其特征在于，包括：
中央处理器、存储器、通信模块，所述存储器中存储有计算机程序，所述中央处理器可调用所述计算机程序，所述中央处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的异常账户识别方法。
10.一种计算机可读存储介质，用于存储计算机程序，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中任一项所述的异常账户识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210643973.1A CN114723554B (zh) | 2022-06-09 | 2022-06-09 | 异常账户识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210643973.1A CN114723554B (zh) | 2022-06-09 | 2022-06-09 | 异常账户识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114723554A true CN114723554A (zh) | 2022-07-08 |
| CN114723554B CN114723554B (zh) | 2022-09-23 |
Family
ID=82232710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210643973.1A Active CN114723554B (zh) | 2022-06-09 | 2022-06-09 | 异常账户识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114723554B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117034094A (zh) * | 2023-10-10 | 2023-11-10 | 连连银通电子支付有限公司 | 一种账户类型预测方法及账户类型预测装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014035990A1 (en) * | 2012-08-27 | 2014-03-06 | Yuh-Shen Song | Transactional monitoring system |
| CN109003089A (zh) * | 2018-06-28 | 2018-12-14 | 中国工商银行股份有限公司 | 风险识别方法及装置 |
| CN110400082A (zh) * | 2019-07-29 | 2019-11-01 | 中国工商银行股份有限公司 | 异常交易企业的识别方法和装置 |
| CN110517097A (zh) * | 2019-09-09 | 2019-11-29 | 平安普惠企业管理有限公司 | 识别异常用户的方法、装置、设备及存储介质 |
| CN111160695A (zh) * | 2019-11-21 | 2020-05-15 | 中国建设银行股份有限公司四川省分行 | 计算机运行的风险账户的识别方法、系统、装置及存储介质 |
| CN111784502A (zh) * | 2020-06-30 | 2020-10-16 | 中国工商银行股份有限公司 | 异常交易账户群体识别方法及装置 |
| CN113240524A (zh) * | 2021-05-10 | 2021-08-10 | 深圳前海微众银行股份有限公司 | 联邦学习系统中账户的异常检测方法、装置及电子设备 |
| CN113362157A (zh) * | 2021-05-27 | 2021-09-07 | 中国银联股份有限公司 | 异常节点识别方法、模型的训练方法、装置及存储介质 |
| CN113689218A (zh) * | 2021-08-06 | 2021-11-23 | 上海浦东发展银行股份有限公司 | 风险账户的识别方法、装置、计算机设备和存储介质 |
| CN114358147A (zh) * | 2021-12-17 | 2022-04-15 | 建信金融科技有限责任公司 | 异常账户识别模型的训练方法、识别方法、装置及设备 |
-
2022
- 2022-06-09 CN CN202210643973.1A patent/CN114723554B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014035990A1 (en) * | 2012-08-27 | 2014-03-06 | Yuh-Shen Song | Transactional monitoring system |
| CN109003089A (zh) * | 2018-06-28 | 2018-12-14 | 中国工商银行股份有限公司 | 风险识别方法及装置 |
| CN110400082A (zh) * | 2019-07-29 | 2019-11-01 | 中国工商银行股份有限公司 | 异常交易企业的识别方法和装置 |
| CN110517097A (zh) * | 2019-09-09 | 2019-11-29 | 平安普惠企业管理有限公司 | 识别异常用户的方法、装置、设备及存储介质 |
| CN111160695A (zh) * | 2019-11-21 | 2020-05-15 | 中国建设银行股份有限公司四川省分行 | 计算机运行的风险账户的识别方法、系统、装置及存储介质 |
| CN111784502A (zh) * | 2020-06-30 | 2020-10-16 | 中国工商银行股份有限公司 | 异常交易账户群体识别方法及装置 |
| CN113240524A (zh) * | 2021-05-10 | 2021-08-10 | 深圳前海微众银行股份有限公司 | 联邦学习系统中账户的异常检测方法、装置及电子设备 |
| CN113362157A (zh) * | 2021-05-27 | 2021-09-07 | 中国银联股份有限公司 | 异常节点识别方法、模型的训练方法、装置及存储介质 |
| CN113689218A (zh) * | 2021-08-06 | 2021-11-23 | 上海浦东发展银行股份有限公司 | 风险账户的识别方法、装置、计算机设备和存储介质 |
| CN114358147A (zh) * | 2021-12-17 | 2022-04-15 | 建信金融科技有限责任公司 | 异常账户识别模型的训练方法、识别方法、装置及设备 |
Non-Patent Citations (4)
| Title |
|---|
| UTKU GÖRKEM KETENCI 等: "A Time-Frequency Based Suspicious Activity Detection for Anti-Money Laundering", 《IEEE ACCESS》 * |
| 孙权等: "金融交易数据驱动的图谱网络智能化欺诈侦测", 《应用科学学报》 * |
| 熊建英: "基于账户风险与交易关联约束的洗钱路径挖掘研究", 《海南金融》 * |
| 贵州电网有限责任公司: "《高原山区风电功率预测技术》", 31 March 2017, 贵州大学出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117034094A (zh) * | 2023-10-10 | 2023-11-10 | 连连银通电子支付有限公司 | 一种账户类型预测方法及账户类型预测装置 |
| CN117034094B (zh) * | 2023-10-10 | 2024-03-12 | 连连银通电子支付有限公司 | 一种账户类型预测方法及账户类型预测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114723554B (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
| CN110188198B (zh) | 一种基于知识图谱的反欺诈方法及装置 | |
| Vercamer et al. | Predicting consumer load profiles using commercial and open data | |
| CN111831923A (zh) | 识别关联的特定账户的方法、装置及存储介质 | |
| CN111325619A (zh) | 一种基于联合学习的信用卡欺诈检测模型更新方法及装置 | |
| Yun et al. | Predictive analytics: a survey, trends, applications, opportunities’ and challenges for smart city planning | |
| CN107622326A (zh) | 用户分类、可用资源预测方法、装置及设备 | |
| CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
| CN113314188B (zh) | 图结构增强的小样本学习方法、系统、设备及存储介质 | |
| CN105678323A (zh) | 基于图的分析用户的方法和系统 | |
| CN111639690A (zh) | 基于关系图谱学习的欺诈分析方法、系统、介质及设备 | |
| CN113469578A (zh) | 基于多目标优化的业务策略生成方法、装置及系统 | |
| CN114723554B (zh) | 异常账户识别方法及装置 | |
| CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
| CN110363534B (zh) | 用于识别异常交易的方法及装置 | |
| CN117035082A (zh) | 一种用于识别欺诈团伙的知识图谱实时运算方法和系统 | |
| CN112435068A (zh) | 一种恶意订单识别方法、装置、电子设备及存储介质 | |
| CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
| CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
| CN118134652A (zh) | 一种资产配置方案生成方法、装置、电子设备及介质 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN110633919A (zh) | 经营实体的评估方法及其装置 | |
| CN111275480B (zh) | 面向多维稀疏销售数据仓库的欺诈行为挖掘方法 | |
| CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
| CN110910241B (zh) | 现金流评估方法、装置、服务器设备及存储介质 |
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 |