CN114943608A - 一种欺诈风险评估方法、装置、设备及存储介质 - Google Patents

一种欺诈风险评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114943608A
CN114943608A CN202210728621.6A CN202210728621A CN114943608A CN 114943608 A CN114943608 A CN 114943608A CN 202210728621 A CN202210728621 A CN 202210728621A CN 114943608 A CN114943608 A CN 114943608A
Authority
CN
China
Prior art keywords
user
determining
evaluated
risk
checked
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
CN202210728621.6A
Other languages
English (en)
Inventor
黄玉婷
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202210728621.6A priority Critical patent/CN114943608A/zh
Publication of CN114943608A publication Critical patent/CN114943608A/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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • 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
    • 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

Landscapes

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

Abstract

本申请公开了一种欺诈风险评估方法、装置、设备及存储介质，该方法包括：获取待评估用户；根据待评估用户确定至少一个待检验用户，以及待检验用户与待评估用户之间的关联概率；根据各待检验用户结合用户黑名单确定欺诈用户，并确定待评估用户与各欺诈用户的相似度；针对每个欺诈用户，根据用户路径长度对相似度及其对应关联概率进行加权运算得到用户风险值；根据各用户风险值确定风险评估值；解决了风险评估时仅对用户个体进行评估的问题，计算待评估用户与欺诈用户的关联概率和相似度，通过用户路径长度分配不同的权重，进而确定待评估用户的风险评估值，在对待评估用户进行欺诈风险评估时，考虑关系网中其他用户，提高风险识别的准确率。

Description

一种欺诈风险评估方法、装置、设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种欺诈风险评估方法、装置、设备及存储介质。
背景技术
随着银行的数字化转型、信贷规模增长以及客户结构深刻变化，信贷欺诈更趋于动态化、高频化、产业化，反欺诈难度持续加大。并且在银行内部传统业务模式下的信贷风险控制体系难以满足业务经营需求。
信贷反欺诈以单个客户为评估对象识别个体欺诈风险时，较少关注客户关系网络和以客户关系网络扩展的客户所存在的信贷风险，忽视了风险因素的关联性，导致识别团伙欺诈的效率很低，无法准确识别出欺诈用户。
发明内容
本发明提供了一种欺诈风险评估方法、装置、设备及存储介质，以解决对风险用户的预测不准确的问题。
根据本发明的一方面，提供了一种欺诈风险评估方法，包括：
获取待评估用户；
根据所述待评估用户确定至少一个待检验用户，以及所述待检验用户与所述待评估用户之间的关联概率；
根据各所述待检验用户结合用户黑名单确定欺诈用户，并确定所述待评估用户与各所述欺诈用户的相似度；
针对每个欺诈用户，根据用户路径长度对所述相似度及其对应关联概率进行加权运算得到用户风险值；
根据各所述用户风险值确定风险评估值。
根据本发明的另一方面，提供了一种欺诈风险评估装置，包括：
用户获取模块，用于获取待评估用户；
待检验用户确定模块，用于根据所述待评估用户确定至少一个待检验用户，以及所述待检验用户与所述待评估用户之间的关联概率；
相似度确定模块，用于根据各所述待检验用户结合用户黑名单确定欺诈用户，并确定所述待评估用户与各所述欺诈用户的相似度；
用户风险确定模块，用于针对每个欺诈用户，根据用户路径长度对所述相似度及其对应关联概率进行加权运算得到用户风险值；
风险评估模块，用于根据各所述用户风险值确定风险评估值。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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执行本发明任一实施例所述的欺诈风险评估方法。
根据本发明的另一方面，提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的欺诈风险评估方法。
本发明实施例的技术方案，通过获取待评估用户；根据所述待评估用户确定至少一个待检验用户，以及所述待检验用户与所述待评估用户之间的关联概率；根据各所述待检验用户结合用户黑名单确定欺诈用户，并确定所述待评估用户与各所述欺诈用户的相似度；针对每个欺诈用户，根据用户路径长度对所述相似度及其对应关联概率进行加权运算得到用户风险值；根据各所述用户风险值确定风险评估值；解决了风险评估时仅对用户个体进行评估的问题，确定待评估用户关联的待检验用户，并对待检验用户进行检验确定欺诈用户，计算待评估用户与欺诈用户的相似度，通过用户路径长度为相似度和关联概率分配不同的权重，计算每个欺诈用户的用户风险值，进而确定待评估用户的风险评估值，在对待评估用户进行欺诈风险评估时，考虑关系网中的其他用户，准确识别欺诈用户，提高风险识别的准确率。并且通过用户路径长度为风险识别确定不同的权重，进一步提高风险识别的准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是根据本发明实施例一提供的一种欺诈风险评估方法的流程图；
图2是根据本发明实施例二提供的一种欺诈风险评估方法的流程图；
图3是根据本发明实施例二提供的一种待评估子图的展示示例图；
图4是根据本发明实施例三提供的一种欺诈风险评估装置的结构示意图；
图5是实现本发明实施例的欺诈风险评估方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种欺诈风险评估方法的流程图，本实施例可适用于对用户进行欺诈风险评估的情况，该方法可以由欺诈风险评估装置来执行，该欺诈风险评估装置可以采用硬件和/或软件的形式实现，该欺诈风险评估装置可配置于电子设备中。如图1所示，该方法包括：
S101、获取待评估用户。
在本实施例中，待评估用户具体可以理解为具有评估需求的用户，本申请在对用户进行欺诈风险评估可以是用户申请信贷时进行风险评估，用于判断是否批准信贷，也可以是随时对用户进行评估，提前发现风险。用户申请信贷可以通过注册账号，通过账号登录银行的系统，在银行系统上申请信贷；也可以通过在银行办事大厅，通过业务人员申请信贷。
S102、根据待评估用户确定至少一个待检验用户，以及待检验用户与待评估用户之间的关联概率。
在本实施例中，待检验用户具体可以理解为与待评估用户在一定范围内具有关联的用户。关联概率具体可以理解为待检验用户与待评估用户之间存在关联关系的概率。
具体的，预先确定银行系统中的各用户之间可能存在的关联关系，在确定待评估用户后，确定与待评估用户存在关系的用户，以及与待评估用户通过一个或多个用户实现关联的用户，分析待评估用户与各用户之间的关联关系，确定关联概率。通过对关联概率进行筛选，将关联概率较大的用户确定为待检验用户，确定每个待检验用户与待评估用户之间的关联概率。
S103、根据各待检验用户结合用户黑名单确定欺诈用户，并确定待评估用户与各欺诈用户的相似度。
在本实施例中，用户黑名单中存储信用较差的用户的标识，用户黑名单包括行政司法黑名单、行内信贷黑名单以及其他金融机构黑名单等，其中行内信贷黑名单可根据现实情况下欺诈事件进行实时的动态更新。欺诈用户具体可以理解为具有欺诈风险或进行过欺诈行为的用户。
获取用户黑名单，用户黑名单中包括一个或者多个用户，用户可通过用户标识区分。将每个待检验用户分别与用户黑名单中的用户进行匹配，若匹配成功，则此待检验用户为欺诈用户。根据待评估用户与欺诈用户之间的关联关系计算待评估用户与欺诈用户之间的相似度。
S104、针对每个欺诈用户，根据用户路径长度对相似度及其对应关联概率进行加权运算得到用户风险值。
在本实施例中，用户路径长度具体可以理解为两个用户之间的路径长度，例如，A用户到达B用户的所经过用户的数量。
确定每个欺诈用户与待评估用户之间的相似度、关联概率和用户路径长度，根据相似度计算相似度的风险值，根据关联概率计算关联概率的风险值，根据用户路径长度确定相似度的风险值的权重，以及关联概率的风险值的权重，进而根据权重对两种风险值进行加权运算，得到用户风险值。
S105、根据各用户风险值确定风险评估值。
在本实施例中，风险评估值具体可以理解为用于表示风险的数值，风险评估值越大风险越大。对各用户风险值进行运算，例如，取最大值、求和等方式，得到风险评估值。
本实施例提供了一种欺诈风险评估方法，通过获取待评估用户；根据所述待评估用户确定至少一个待检验用户，以及所述待检验用户与所述待评估用户之间的关联概率；根据各所述待检验用户结合用户黑名单确定欺诈用户，并确定所述待评估用户与各所述欺诈用户的相似度；针对每个欺诈用户，根据用户路径长度对所述相似度及其对应关联概率进行加权运算得到用户风险值；根据各所述用户风险值确定风险评估值；解决了风险评估时仅对用户个体进行评估的问题，确定待评估用户关联的待检验用户，并对待检验用户进行检验确定欺诈用户，计算待评估用户与欺诈用户的相似度，通过用户路径长度为相似度和关联概率分配不同的权重，计算每个欺诈用户的用户风险值，进而确定待评估用户的风险评估值，在对待评估用户进行欺诈风险评估时，考虑关系网中的其他用户，准确识别欺诈用户，提高风险识别的准确率。并且通过用户路径长度为风险识别确定不同的权重，进一步提高风险识别的准确性。
实施例二
图2为本发明实施例二提供的一种欺诈风险评估方法的流程图，本实施例在上述实施例的基础上进行了细化。如图2所示，该方法包括：
S201、获取待评估用户。
S202、根据待评估用户确定待评估子图，待评估子图中包括至少一个关联用户。
在本实施例中，待评估子图具体可以理解为描述待评估用户所关联的用户的社交子图。关联用户具体可以理解为与待评级用户存在关联的用户。待评估子图中包括待评估用户，以及与待评估用户存在关联关系的关联用户。
作为本实施例的一个可选实施例，本可选实施例进一步将根据所述待评估用户确定待评估子图优化为：
A1、获取预先构建的用户知识图谱。
在本实施例中，用户知识图谱具体可以理解为用于描述用户，以及用户与用户之间的关系的知识图谱。
预先获取行内的用户的信息，通过用户的信息构建用户知识图谱并保存，在使用时直接从相应的存储空间获取用户知识图谱。
获取行内信贷用户的个人申请信息以及操作行为数据，用户的个人申请信息包括工作信息、教育信息、居住地址等；操作行为数据包括历史交易行为、网银和掌银常用互联网设备的IP及MAC地址、历史GPS信息、首次注册时间到申请授信时间之间的时长、申请授信前一周内的行为统计等。对获取的用户信息以三元组的形式，即(实体1-关系-实体2)、(实体-属性-属性值)构造知识图谱。实体指的某个客户。属性值指的是实体指向的属性的值，例如客户的学历、年龄等。关系指的是实体之间是否存在社群关系。
A2、以待评估用户为中心，遍历用户知识图谱并进行六度分割，确定待评估用户的待评估子图。
以待评估用户为中心，遍历用户知识图谱，确定待评估用户直接相邻的实体以及六度范围内关联的所有实体及属性，保留拓扑结构生成待评估子图。
示例性的，图3为本申请实施例提供的一种待评估子图的展示示例图，图中的黑色圆圈为待评估用户31，白色圆圈为关联用户32，图中关联用户32仅示例性的标注几个，类似的白色圆圈均为关联用户32，图中未进行一一标注，本领域技术人员可以知晓。
S203、根据待评估子图结合预确定的目标变分自编码器确定待评估用户与各关联用户的关联概率。
在本实施例中，目标变分自编码器具体可以理解为通过训练得到的满足要求的变分自编码器。预先构建并训练变分自编码器，得到目标变分自编码器。将待评估子图处理为目标变分自编码器可以识别的数据，然后输入到目标变分自编码器，目标变分自编码器根据输入的数据进行预测，得到待评估用户与每个关联用户之间的关联概率。
作为本实施例的一个可选实施例，本可选实施例进一步将目标变分自编码器的确定步骤优化为：
B1、获取预先构建的用户知识图谱以及预设数量的目标用户。
在本实施例中，目标用户具体可以理解为模型训练过程中用于预测与其他用户之间的关联关系的用户。获取用户知识图谱后，根据用户知识图谱中的各用户选择目标用户，用于模型训练。目标用户的选择可随机选择，也可以选择一定数量的信用良好的用户，以及一定数量的欺诈用户，保证训练精度。
B2、分别以各目标用户为中心，遍历用户知识图谱并进行六度分割，确定各目标用户的目标子图。
以目标用户为中心，遍历用户知识图谱，确定目标用户直接相邻的实体以及六度范围内关联的所有实体及属性，保留拓扑结构生成目标子图，目标子图中包括目标用户，以及与目标用户可能存在关联关系的用户。
B3、按照预设规则去除各目标子图中的关联概率，形成待训练子图。
在本实施例中，预设规则可以是按照一定比例随机去除关联概率，也可以是确定目标子图中每个用户的直接关联的用户的数量，按照一定比例去除关联概率，等等。预先设置规则，对于每个目标子图，分别按照预设规则随机去除目标子图中的关联概率，目标子图中的关联概率可以是目标子图中任意两个存在关联的用户之间的关联概率，形成待训练子图。此时的待训练子图中存在关联概率未知的两个用户，根据去除的关联概率对其进行标注，以便进行后续的模型训练。
B4、根据各待训练子图对初始变分自编码器进行训练，得到目标变分自编码器。
在本实施例中，初始变分自编码器具体可以理解为未进行训练的变分自编码器。将各待训练子图及其对应的标注作为训练集，对初始变分自编码器进行训练，得到目标变分自编码器。
变分自编码器由两层神经网络的编码器和两层神经网络的解码器构成,隐层的神经元数量为N-256-128-256-N,N是输入的维度。变分自编码器的输入是子图的邻接矩阵A和节点特征矩阵X，输出是重构的邻接矩阵 A*，解码器网络的最后一层输出通过softmax函数变换来得到重构结果中的关联概率矩阵。
训练初始变分自编码器即最大化损失函数
Figure BDA0003711818170000091
Figure BDA0003711818170000092
其中，
Figure BDA0003711818170000093
表示交叉熵函数，Z表示初始变分自编码器的隐变量向量， p(A∣Z)表示解码器拟合的后验分布,q(Z∣X,A)表示编码器对输入子图的参数化分布,p(Z)表示高斯分布，KL[q(·)||p(·)]表示q(·)与p(·)之间的KL散度。
作为本实施例的一个可选实施例，本可选实施例进一步将根据待评估子图结合预确定的目标变分自编码器确定待评估用户与各关联用户的关联概率优化为：
C1、根据待评估子图确定邻接矩阵和节点特征矩阵。
在本实施例中，邻接矩阵具体可以理解为一个二维数组，用于存放待评估子图中各关联用户以及待评估子图间关系的数据。节点特征矩阵用于存放各关联用户以及待评估用户的特征数据。对待评估子图进行处理，得到可以表示待评估子图的邻接矩阵和节点特征矩阵。
C2、将邻接矩阵和节点特征矩阵输入至预确定的目标变分自编码器，得到输出的关联概率矩阵。
将邻接矩阵和节点特征矩阵输入至目标变分自编码器，目标变分自编码器经过处理输出关联概率矩阵。
C3、根据关联概率矩阵确定待评估用户与各关联用户的关联概率。
通过关联概率矩阵确定各个用户之间的关联概率，进一步确定待评估用户与每个关联用户之间的关联概率。
S204、根据各关联概率确定至少一个待检验用户。
对各关联概率进行筛选，关联概率越大，两个用户之间的关联性越强，选择关联性较强的用户作为待检验用户，例如，根据各关联概率选择概率较大的预设数量的关联用户作为待检验用户；或者，选择关联概率大于一定概率阈值的关联用户作为待检验用户。
作为本实施例的一个可选实施例，本可选实施例进一步将根据各关联概率确定至少一个待检验用户优化为：判断是否存在大于概率阈值的关联概率，若是，将大于概率阈值的关联概率所对应的关联用户确定为待检验用户；否则，将关联概率的最大值所对应的关联用户确定为待检验用户。
在本实施例中，概率阈值格局根据需求预先设置。关联概率大于概率阈值时，两个用户之间具有较强关联。若存在大于概率阈值的关联概率，将大于概率阈值的关联概率所对应的关联用户确定为待检验用户；若不存在大于概率阈值的关联概率，确定关联概率中的概率最大值，将最大值对应的关联用户作为待检验用户。
S205、根据各待检验用户结合用户黑名单确定欺诈用户，并确定待评估用户与各欺诈用户的相似度。
本申请实施例提供一种相似度的计算公式：
Figure BDA0003711818170000111
其中，Q(i,j)表示待评估用户j与欺诈用户i的相似度，I(i)表示欺诈用户i的入射相邻节点的集合，Im(i)表示欺诈用户i的第m个相邻节点。 I(j)表示待评估用户j的入射相邻节点的集合，In(j)表示待评估用户j的第n个相邻节点，|I(i)|为欺诈用户i的入射相邻节点的数量，|I(j)|为待评估用户j的入射相邻节点的数量；s(Im(i),Im(j))为Im(i)与In(j)之间的相似度；β是阻尼系数，且β∈(0,1)。其他情况下Q(i,j)＝0。
计算相似度的方式可以是余弦距离、欧式距离等。
S206、针对每个欺诈用户，计算欺诈用户的相似度与所对应的用户路径长度的乘积，确定相似度风险值。
在本实施例中，相似度风险值具体可以理解为用于表示两个用户之间的相似度的风险大小的数值。针对每个欺诈用户，分别计算对应的用户风险值。确定欺诈用户与待评估用户之间的最短路径，将其作为用户路径长度，将用户路径长度作为权重，计算相似度与用户路径长度的乘积得到相似度风险值。
S207、根据欺诈用户的关联概率、待检验用户的用户数量结合对应的用户路径长度确定关联概率风险值。
在本实施例中，关联概率风险值具体可以理解为用于表示两个用户之间的关联程度的风险大小的数值。确定欺诈用户与待评估用户之间的最短路径，将其作为用户路径长度，确定待检验用户的用户数量，根据用户数量与用户路径长度计算权重，计算权重与关联概率的乘积得到关联概率风险值。
本申请实施例提供一种根据用户数量与用户路径长度计算权重的方法：
Figure BDA0003711818170000121
其中，w为权重，di为待评估用户与欺诈用户之间的用户路径长度，
|S|为待检验用户的用户数量。
S208、根据相似度风险值和关联概率风险值确定用户风险值。
通过相似度风险值和关联概率风险值确定用户风险值的方式可以是求和，取最大值，加权求和等等。
S209、根据各用户风险值确定风险评估值。
风险评估值的计算方式可以选择任意的运算方式。由于存在团伙欺诈，为了提高团伙欺诈的风险检测的准确率，优选将各用户风险值进行累加，得到风险评估值，此时的欺诈风险来源于对客户与欺诈节点的关联概率和相似度的累积。
示例性的，本申请实施例提供一种风险评估值的计算公式：
Figure BDA0003711818170000122
其中，R为风险评估值，i为欺诈用户，S为待检验用户的集合，|S|为待检验用户的集合中的用户数量，即待检验用户的用户数量，di为欺诈用户i与待评估用户j之间的用户路径长度，Q(i,j)为欺诈用户i与待评估用户j之间的相似度，Pi为欺诈用户i与待评估用户j之间的关联概率。
上述公式的含义是欺诈风险来源于对待评估用户与欺诈用户的关联概率和相似度的累积，且与关联概率和相似度是正相关关系；当待评估用户与欺诈用户的距离较大时，说明待评估用户与欺诈用户之间的关联本身较弱，则风险评估增大待评估用户与欺诈用户的相似度所占权重，而降低直接关联概率的权重。
S210、当风险评估值大于预设风险阈值时，确定待检验用户为风险用户。
在本实施例中，预设风险阈值具体可以理解为判断风险评估值是否安全的阈值。预设风险阈值的大小与用户知识图谱的大小有关，用户知识图谱越大，预设风险阈值越大。当风险评估值大于预设风险阈值时，该待评估用户具有较大的欺诈风险，确定待检验用户为风险用户。对于风险用户可以对其进行相应的限贷或者拒贷处理。
本申请实施例提供了一种欺诈风险评估方法，将欺诈风险评估问题转化为知识图谱中的链路(关联)预测与节点特征相似度评估问题，从两个维度评估欺诈风险，得到更加综合完整的风险评估结果；本发明提出利用无监督学习来进行关联预测，挖掘知识图谱拓扑结构即待评估用户与欺诈用户或者风险属性之间的隐藏信息，更深一步地挖掘出用户潜在的团伙欺诈风险。与其他传统反欺诈技术相比，本申请提出使用变分自编码器对知识图谱进行知识推理，学习欺诈团伙客户数据及行为信息的数据分布，能更加准确地评估待评估用户与欺诈用户之间的关联，应对更先进的欺诈手段；本申请使用无监督学习进行关联预测，相比于有监督学习，无需在数据预处理阶段准备大规模的标签数据，节约了人力成本，提高了反欺诈技术的效率。
实施例三
图4为本发明实施例三提供的一种欺诈风险评估装置的结构示意图。如图4所示，该装置包括：用户获取模块41、待检验用户确定模块42、相似度确定模块43、用户风险确定模块44和风险评估模块45。
其中，用户获取模块41，用于获取待评估用户；
待检验用户确定模块42，用于根据所述待评估用户确定至少一个待检验用户，以及所述待检验用户与所述待评估用户之间的关联概率；
相似度确定模块43，用于根据各所述待检验用户结合用户黑名单确定欺诈用户，并确定所述待评估用户与各所述欺诈用户的相似度；
用户风险确定模块44，用于针对每个欺诈用户，根据用户路径长度对所述相似度及其对应关联概率进行加权运算得到用户风险值；
风险评估模块45，用于根据各所述用户风险值确定风险评估值。
本实施例提供了一种欺诈风险评估装置，解决了风险评估时仅对用户个体进行评估的问题，确定待评估用户关联的待检验用户，并对待检验用户进行检验确定欺诈用户，计算待评估用户与欺诈用户的相似度，通过用户路径长度为相似度和关联概率分配不同的权重，计算每个欺诈用户的用户风险值，进而确定待评估用户的风险评估值，在对待评估用户进行欺诈风险评估时，考虑关系网中的其他用户，准确识别欺诈用户，提高风险识别的准确率。并且通过用户路径长度为风险识别确定不同的权重，进一步提高风险识别的准确性。
可选的，待检验用户确定模块42包括：
待评估子图确定单元，用于根据所述待评估用户确定待评估子图，所述待评估子图中包括至少一个关联用户；
关联概率确定单元，用于根据所述待评估子图结合预确定的目标变分自编码器确定待评估用户与各所述关联用户的关联概率；
待检验用户确定单元，用于根据各所述关联概率确定至少一个待检验用户。
可选的，待评估子图确定单元具体用于：获取预先构建的用户知识图谱；以所述待评估用户为中心，遍历所述用户知识图谱并进行六度分割，确定所述待评估用户的待评估子图。
可选的，关联概率确定单元，具体用于：根据所述待评估子图确定邻接矩阵和节点特征矩阵；将所述邻接矩阵和节点特征矩阵输入至预确定的目标变分自编码器，得到输出的关联概率矩阵；根据所述关联概率矩阵确定待评估用户与各所述关联用户的关联概率。
可选的，待检验用户确定单元，具体用于：判断是否存在大于概率阈值的关联概率，若是，将所述大于概率阈值的关联概率所对应的关联用户确定为待检验用户；否则，将关联概率的最大值所对应的关联用户确定为待检验用户。
可选的，该装置还包括：
目标用户确定模块，用于获取预先构建的用户知识图谱以及预设数量的目标用户；
目标子图确定模块，用于分别以各所述目标用户为中心，遍历所述用户知识图谱并进行六度分割，确定各所述目标用户的目标子图；
待训练子图确定模块，用于按照预设规则去除各所述目标子图中的关联概率，形成待训练子图；
训练模块，用于根据各所述待训练子图对初始变分自编码器进行训练，得到目标变分自编码器。
可选的，用户风险确定模块44包括：
相似度风险值确定单元，用于计算所述欺诈用户的相似度与所对应的用户路径长度的乘积，确定相似度风险值；
概率风险值确定单元，用于根据所述欺诈用户的关联概率、待检验用户的用户数量结合对应的用户路径长度确定关联概率风险值；
用户风险值确定单元，用于根据所述相似度风险值和关联概率风险值确定用户风险值。
可选的，该装置还包括：
风险用户确定模块，用于当所述风险评估值大于预设风险阈值时，确定所述待检验用户为风险用户。
本发明实施例所提供的欺诈风险评估装置可执行本发明任意实施例所提供的欺诈风险评估方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备50的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备50包括至少一个处理器51，以及与至少一个处理器51通信连接的存储器，如只读存储器(ROM)52、随机访问存储器 (RAM)53等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器51可以根据存储在只读存储器(ROM)52中的计算机程序或者从存储单元58加载到随机访问存储器(RAM)53中的计算机程序，来执行各种适当的动作和处理。在RAM 53中，还可存储电子设备50操作所需的各种程序和数据。处理器51、ROM 52以及RAM 53通过总线54彼此相连。输入/输出(I/O)接口55也连接至总线54。
电子设备50中的多个部件连接至I/O接口55，包括：输入单元56，例如键盘、鼠标等；输出单元57，例如各种类型的显示器、扬声器等；存储单元58，例如磁盘、光盘等；以及通信单元59，例如网卡、调制解调器、无线通信收发机等。通信单元59允许电子设备50通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器51可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器51的一些示例包括但不限于中央处理单元(CPU)、图形处理单元 (GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器51执行上文所描述的各个方法和处理，例如欺诈风险评估方法。
在一些实施例中，欺诈风险评估方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元58。在一些实施例中，计算机程序的部分或者全部可以经由ROM 52和/或通信单元59而被载入和/ 或安装到电子设备50上。当计算机程序加载到RAM 53并由处理器51执行时，可以执行上文描述的欺诈风险评估方法的一个或多个步骤。备选地，在其他实施例中，处理器51可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行欺诈风险评估方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/ 或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (11)

1.一种欺诈风险评估方法，其特征在于，包括：
获取待评估用户；
根据所述待评估用户确定至少一个待检验用户，以及所述待检验用户与所述待评估用户之间的关联概率；
根据各所述待检验用户结合用户黑名单确定欺诈用户，并确定所述待评估用户与各所述欺诈用户的相似度；
针对每个欺诈用户，根据用户路径长度对所述相似度及其对应关联概率进行加权运算得到用户风险值；
根据各所述用户风险值确定风险评估值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待评估用户确定至少一个待检验用户，以及所述待检验用户与所述待评估用户之间的关联概率，包括：
根据所述待评估用户确定待评估子图，所述待评估子图中包括至少一个关联用户；
根据所述待评估子图结合预确定的目标变分自编码器确定待评估用户与各所述关联用户的关联概率；
根据各所述关联概率确定至少一个待检验用户。
3.根据权利要求2所述的方法，其特征在于，所述根据所述待评估用户确定待评估子图，包括：
获取预先构建的用户知识图谱；
以所述待评估用户为中心，遍历所述用户知识图谱并进行六度分割，确定所述待评估用户的待评估子图。
4.根据权利要求2所述的方法，其特征在于，所述根据所述待评估子图结合预确定的目标变分自编码器确定待评估用户与各所述关联用户的关联概率，包括：
根据所述待评估子图确定邻接矩阵和节点特征矩阵；
将所述邻接矩阵和节点特征矩阵输入至预确定的目标变分自编码器，得到输出的关联概率矩阵；
根据所述关联概率矩阵确定待评估用户与各所述关联用户的关联概率。
5.根据权利要求2所述的方法，其特征在于，所述根据各所述关联概率确定至少一个待检验用户，包括：
判断是否存在大于概率阈值的关联概率，若是，将所述大于概率阈值的关联概率所对应的关联用户确定为待检验用户；
否则，将关联概率的最大值所对应的关联用户确定为待检验用户。
6.根据权利要求2所述的方法，其特征在于，所述目标变分自编码器的确定步骤包括：
获取预先构建的用户知识图谱以及预设数量的目标用户；
分别以各所述目标用户为中心，遍历所述用户知识图谱并进行六度分割，确定各所述目标用户的目标子图；
按照预设规则去除各所述目标子图中的关联概率，形成待训练子图；
根据各所述待训练子图对初始变分自编码器进行训练，得到目标变分自编码器。
7.根据权利要求1所述的方法，其特征在于，所述根据用户路径长度对所述相似度及其对应关联概率进行加权运算得到用户风险值，包括：
计算所述欺诈用户的相似度与所对应的用户路径长度的乘积，确定相似度风险值；
根据所述欺诈用户的关联概率、待检验用户的用户数量结合对应的用户路径长度确定关联概率风险值；
根据所述相似度风险值和关联概率风险值确定用户风险值。
8.根据权利要求1-7任一项所述的方法，其特征在于，还包括：
当所述风险评估值大于预设风险阈值时，确定所述待检验用户为风险用户。
9.一种欺诈风险评估装置，其特征在于，包括：
用户获取模块，用于获取待评估用户；
待检验用户确定模块，用于根据所述待评估用户确定至少一个待检验用户，以及所述待检验用户与所述待评估用户之间的关联概率；
相似度确定模块，用于根据各所述待检验用户结合用户黑名单确定欺诈用户，并确定所述待评估用户与各所述欺诈用户的相似度；
用户风险确定模块，用于针对每个欺诈用户，根据用户路径长度对所述相似度及其对应关联概率进行加权运算得到用户风险值；
风险评估模块，用于根据各所述用户风险值确定风险评估值。
10.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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执行权利要求1-8中任一项所述的欺诈风险评估方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的欺诈风险评估方法。
CN202210728621.6A 2022-06-24 2022-06-24 一种欺诈风险评估方法、装置、设备及存储介质 Pending CN114943608A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210728621.6A CN114943608A (zh) 2022-06-24 2022-06-24 一种欺诈风险评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210728621.6A CN114943608A (zh) 2022-06-24 2022-06-24 一种欺诈风险评估方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114943608A true CN114943608A (zh) 2022-08-26

Family

ID=82910967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210728621.6A Pending CN114943608A (zh) 2022-06-24 2022-06-24 一种欺诈风险评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114943608A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542685A (zh) * 2023-07-06 2023-08-04 凯泰铭科技（北京）有限公司 一种基于图网络的车险数据处理方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542685A (zh) * 2023-07-06 2023-08-04 凯泰铭科技（北京）有限公司 一种基于图网络的车险数据处理方法及装置
CN116542685B (zh) * 2023-07-06 2023-09-15 凯泰铭科技（北京）有限公司 一种基于图网络的车险数据处理方法及装置

Similar Documents

Publication Publication Date Title
CN110009174B (zh) 风险识别模型训练方法、装置及服务器
CN111371767B (zh) 恶意账号识别方法、恶意账号识别装置、介质及电子设备
CN114641811B (zh) 用于用户网络活动异常检测的系统、方法和计算机程序产品
CN112561082A (zh) 生成模型的方法、装置、设备以及存储介质
CN115545712A (zh) 一种交易行为的欺诈预测方法、装置、设备和存储介质
CN112435137A (zh) 一种基于社团挖掘的欺诈信息检测方法及系统
CN112766421A (zh) 基于结构感知的人脸聚类方法和装置
CN115545886A (zh) 逾期风险识别方法、装置、设备及存储介质
CN116128627A (zh) 风险预测方法、装置、电子设备及存储介质
CN117235608B (zh) 风险检测方法、装置、电子设备及存储介质
CN114943608A (zh) 一种欺诈风险评估方法、装置、设备及存储介质
CN117455067A (zh) 一种电量消耗预测方法、装置、电子设备及存储介质
CN116703109A (zh) 一种配电网项目选取方法、装置、设备及存储介质
CN110619564B (zh) 一种反欺诈特征生成方法和装置
CN115982654A (zh) 一种基于自监督图神经网络的节点分类方法及装置
CN115359322A (zh) 一种目标检测模型训练方法、装置、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
CN114120180A (zh) 一种时序提名的生成方法、装置、设备及介质
CN113298641A (zh) 诚信程度认知方法及装置
CN113379464A (zh) 基于区块链的网点选址方法、装置、设备和存储介质
CN109308565B (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
CN112116356B (zh) 资产特征信息处理方法及装置
CN115600129A (zh) 信息识别方法、装置、电子设备及存储介质
Sindhwani et al. Rohit Anand¹, Harinder Singh², Kamal Sardana³, Deena Nath Gupta
CN117217777A (zh) 一种基于对比学习的估值方法、装置、设备及介质

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