CN114998003A - 一种基于图深度卷积神经网络算法识别洗钱的方法和装置 - Google Patents

Abstract

本发明涉及数据监视或测试领域，尤其涉及一种基于图深度卷积神经网络算法识别洗钱的方法和装置，通过构建映射关系，进行关联特征检测、数据判定、关联信用主体判定对反洗钱信用主体进行风险识别，经过数据判定确定第一信用主体的风险等级，对于疑似高风险的第一信用主体，进行关联特征检测以体现其他信用主体之间的复杂关系，对第一信用主体的风险等级判定结果进行干预修正，得到更为准确的识别结果，本发明通过对于某些信用主体的不易识别或隐匿关联的洗钱数据特征，考虑其他信用主体之间的关系，这些信用主体风险等级进行干预修正，减少了遗漏判定，提高隐藏洗钱数据特征信用主体的识别概率，进行大大提高了反洗钱行为的识别概率。

Description

一种基于图深度卷积神经网络算法识别洗钱的方法和装置

技术领域

本发明涉及数据监视或测试领域，具体为一种基于图深度卷积神经网络算法识别洗钱的方法和装置。

背景技术

随着信息技术的发展大数据技术以及反洗钱模型的算法的进步，通过算法模型甄别分类，结合人工识别，对反洗钱行为的风险识别率以得到较高提升；

但同样的，随着信息技术的进步，欺诈团伙开始尝试伪装自己的洗钱特征和各特征之间的关联，诱导模型分类和风险识别，导致部分信用主体的洗钱数据特征无法追踪或出现洗钱数据特征时无法追踪其关联数据特征，但是对于信用主体，其与其他信用主体之间存在的大量且复杂的关系却无法被抹平，而当任一信用主体风险提高时，与之关联的信用主体的潜在风险也会提高（即使这些信用主体不存在洗钱行为）；

而现有技术中，缺少一种当信用主体的洗钱数据特征被部分隐藏时，根据其与其他信用主体之间的复杂关系对该信用主体的风险识别结果进行干预的方法。

发明内容

本发明的目的在于部分的解决现有技术中，缺少一种当某一信用主体的洗钱数据特征被部分隐藏时，根据其与其他信用主体之间的复杂关系对该信用主体的风险识别结果进行干预的方法，为此本发明提供一种基于图深度卷积神经网络算法识别洗钱的方法，其包括：

S1、构建映射关系，通过大数据和卷积神经网络模型建立洗钱数据特征间的映射关系，所述映射关系包括所述洗钱数据特征间的关联关系以及所述关联关系的之间的权重值；

S2、关联特征检测，对信用主体进行检测，当检测到信用主体出现洗钱数据特征时，标记所述信用主体为第一信用主体，标记所述洗钱数据特征为第一洗钱数据特征，判定所述第一洗钱数据特征是否出现关联洗钱数据特征，若出现，将所述关联洗钱数据特征以及对应的权重信息记录并形成第一关联对比数据特征集合；

S3、数据判定，

当未形成所述第一关联对比数据特征集合时，则进行关联信用主体判定；

当形成所述第一关联对比数据特征集合时，根据所述第一关联对比数据特征集计算重合度判定值E，根据所述重合度判定值E的判定所述第一信用主体的风险等级，以及，所述重合度判定值E是否需要修正；

S4、关联信用主体判定，对与所述第一信用主体关联的其他信用主体进行检测，标记出现洗钱数据特征的信用主体为对照信用主体，计算参照判定系数C判定是否对所述第一信用主体对应的重合度判定值E进行修正，并重新判定所述第一信用主体的风险等级。

进一步地，所述关联特征检测中，判定所述第一洗钱数据特征是否出现关联洗钱数据特征时，根据所述映射关系调用与所述第一洗钱数据特征关联的其他洗钱数据特征以及权重信息，记录为第一关联数据特征集合，继续检测所述第一信用主体是否出现所述第一关联数据特征集合中的洗钱数据特征，以将出现的洗钱数据特征以及对应的权重信息记录为第一关联对比数据特征集合。

进一步地，所述映射关系表示为YE（Y_i,Y_ij，Y_ijk），其中：Y_i表示第i洗钱数据特征，i=1、2...n，Y_ij表示与第i洗钱数据特征关联的j个洗钱数据特征，Y_ijk表示与第i洗钱数据特征关联的第j个洗钱数据特征之间的权重值；

所述权重值表示当第i洗钱数据特征出现时，第j个洗钱数据特征出现的频率。

进一步地，所述数据判定阶段，根据所述第一关联对比数据特征集合内洗钱数据特征的数量以及与所述第一洗钱数据特征之间的权重数据计算所述重合度判定值E，确定所述第一关联对比数据特征集合中的其他洗钱数据特征之间是否存在关联关系，并记录存在关联关系的其他洗钱数据特征的数量S，所述重合度判定值E的公式为：

其中，Y_i表示所述第一关联对比数据特征集合内的洗钱数据特征与被第一洗钱数 据特征关联关系之间的权重值，

表示所述第一关联对比数据特征集合内的洗钱数据特征 与第一洗钱数据特征关联关系之间的权重值的平均值，N表示所述第一关联数据特征集合 内洗钱数据特征的数量，N>2，S表示第一关联对比数据特征集合内洗钱数据特征的数量；

预设第一参照重合度判定值E01以及第二参照重合度判定值E02,E02<E01，将所述重合度判定值E与所述第一参照重合度判定值E01进行比较，

当E≤E01时，判定所述第一信用主体为疑似高风险主体，并开始关联信用主体判定对所述重合度判定值进行修正；

当E＞E01时，判定所述第一信用主体风险等级高，判定该信用主体为高风险等级。

进一步地，所述关联信用主体判定阶段，若未标记所述对照信用主体，则不对所述重合度判定值E进行修正，判定所述信用主体为正常信用主体。

进一步地，所述关联信用主体判定阶段，对于任一所述对照信用主体对应的洗钱数据特征，判定所述洗钱数据特征是否与所述第一关联数据特征集合中的洗钱数据特征存在关联关系，

若存在关联关系，则根据所述洗钱数据特征计算所述对照信用主体对应的重合度判定值E，并与预设对比参照重合度判定值E02进行对比，当E>E02时，判定所述对照信用主体以及第一信用主体均为高风险等级；

若不存在关联关系，则计算所述参照判定系数C，并确定是否对所述第一信用主体对应的重合度判定值E进行修正进一步地，所述参照判定系数C计算时，检查所述对照信用主体之间是否存在关联，

若存在关联，则根据所述映射关系检查关联的对照信用主体对应的洗钱数据数特征之间是否存在关联，并按照以下公式计算参照判定系数C:

其中：E1_i表示第i关联对照信用主体对应的重合度判定值，n₁表示关联对照信用主体的个数，E2_i表示第i非关联对照信用主体对应的重合度判定值，n₂表示非关联对照信用主体的个数，A表示取值参量，对于第i关联对照信用主体当其洗钱数据特征与其他对照信用主体对应的洗钱数据特征相关联时A取α2，非关联时A取α1，α2>α1>1；

若不存在关联，则按照以下公式计算参照判定系数C，并对所述信用主体对应的重合度判定值E进行修正：

其中：E2_i表示非关联对照信用主体对应的重合度判定值，n₂表示非关联对照信用主体的个数。

进一步地，根据所述参照判定系数C对所述重合度判定值E进行修正时，预设参照判定对比系数C0，将所述参照判定系数C与所述参照判定对比系数C01以及C02进行对比，C02>C01>0；

当C≥C02时，按照以下公式对所述重合度判定值E进行修正，

EX=E×C×β₁

当C01≤C＜C02时，按照以下公式对所述重合度判定值E进行修正，

EX=E×C×β₂

当C＜C01时，按照以下公式对所述重合度判定值E进行修正，

EX=E×C×β₃

其中：EX表示修正后的重合度判定系数，C表示参照判定系数，β₁、β₂以及β₃表示换算系数，β₁＞β₂＞β₃。

进一步地，所述信用主体间的关联关系通过大数据构建，在预设时间T0内两信用主体之间存在货币流动或/和IP地址相同或/和注册区域相同则判定所述信用主体存在关联关系。

本发明还提供一种应用于图深度卷积神经网络算法识别洗钱的方法的装置，包括：

数据库模块，其与云端网络建立连接；

训练模块，其与所述数据库模块建立连接，其内置数据算法用以生成洗钱数据特征间的映射关系，以及信用主体之间的关联关系；

检测模块，其用以检测信用主体是否出现洗钱数据特征；

中控模块，其与所述数据库模块、训练模块以及检测模块连接并完成数据交换，其内置数据处理芯片，用以执行预设程序。

与现有技术相比，本发明通过构建映射关系，进行关联特征检测、数据判定、关联信用主体判定四个步骤对反洗钱信用主体进行风险识别，进行关联特征检测并通过映射关系计算重合度判定值E，初步判定第一信用主体的风险等级，对于疑似高风险的第一信用主体，进行关联特征检测以体现其他信用主体之间的复杂关系，计算参照判定系数C根据检测结果对第一信用主体的风险等级判定结果进行干预修正，得到更为准确的识别结果，本发明通过对于某些信用主体的不易识别或隐匿关联的洗钱数据特征，考虑其他信用主体之间的关系，这些信用主体风险等级进行干预修正，减少了遗漏判定，提高隐藏洗钱数据特征信用主体的识别概率，进行大大提高了反洗钱行为的识别概率。

尤其，本发明通过构建映射关系，映射关系包括关联洗钱数据特征和对应的特征之间的权重，便于关联识别洗钱行为，且根据大数据对洗钱数据特征赋予权重，权重值根据两洗钱数据特征出现的概率进行模型训练所得，便于后续关联判定，进而提高最终对于隐藏洗钱数据特征信用主体的识别率。

尤其，本发明通过数据判定，本发明通过洗钱数据特征出现的个数，以及洗钱数据特征之间的权重值计算重合度判定值E，根据重回度判定值E的大小判定信用主体是否出现洗钱数据特征，对于重合度判定值E中，对于出现多个关联洗钱数据特征且关联洗钱数据特征之间的权重越大其重合度判定值E也就越大，则表明其出现洗钱风险的可能性更大，以此为判定基础确定信用主体是否出现洗钱风险，具有表征性，并且识别精度较高。

尤其，本发明通过关联信用主体检测，对于重合度判定值E较低的信用主体，标记为疑似高风险，并对其存在关联关系的信用主体进行检测，以检测部分隐藏洗钱数据特征的信用主体，对关联信用主体对应的洗钱数据特征进行检测，其中，对于关联信用主体对应的洗钱数据特征与第一关联数据特征集合中的洗钱数据特征不存在关联关系的情况，计算参照判定系数C，所述参照系数C的大小取决于，关联信用主体对应出现洗钱数据集合内部是否存在关联关系以及关联信用主体对应的重合度判定值E，通过上述方法能够对关联信用主体的风险度有一个区分度，以便根据关联信用主体的风险程度对第一信用主体的风险程度进行修正，进而提高整体对反洗钱行为的识别概率。

尤其，本发明通过关联信用主体检测，对与第一信用主体存在关联关系的信用主体进行检测，若关联信用主体对应的出现洗钱数据特征，则对应的提高第一信用主体的洗钱数据特征风险，即使所述第一信用主体未出现洗钱数据特征或洗钱数据特征较为不明显，进而，对这类隐蔽的反洗钱行为进行识别，通过计算参照判定系数C表征关联信用主体的洗钱风险并以此为基准对所述第一信用主体对应的重合度判定值E进行修正，进而通过关联信用主体的行为对信用主体的判定结果产生干预，进而提高对洗钱行为的识别度，尤其是提高了对于传统算法中对洗钱数据特征识别链断裂或不易识别时的识别概率，进而整体的提升了反洗钱的精度和可靠度。

附图说明

图1为本发明实施例所提供的一种基于图深度卷积神经网络算法识别洗钱的方法示意图；

图2为本发明实施例所提供的应用于基于图深度卷积神经网络算法识别洗钱的方法的装置示意图。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

实施例1，请参阅图1所示，其为本发明实施例所提供的基于图深度卷积神经网络算法识别洗钱方法示意图，本发明的一种基于图深度卷积神经网络算法识别洗钱的方法包括：

S1、构建映射关系，通过大数据和卷积神经网络模型建立洗钱数据特征间的映射关系，所述映射关系包括所述洗钱数据特征间的关联关系以及所述关联关系的之间的权重值；

S2、关联特征检测，对信用主体进行检测，当检测到信用主体出现洗钱数据特征时，标记所述信用主体为第一信用主体，标记所述洗钱数据特征为第一洗钱数据特征，判定所述第一洗钱数据特征是否出现关联洗钱数据特征，若出现，将所述关联洗钱数据特征以及对应的权重信息记录并形成第一关联对比数据特征集合；

S3、数据判定，

当未形成所述第一关联对比数据特征集合时，则进行关联信用主体判定；

当形成所述第一关联对比数据特征集合时，根据所述第一关联对比数据特征集计算重合度判定值E，根据所述重合度判定值E的判定所述第一信用主体的风险等级，以及，所述重合度判定值E是否需要修正；

S4、关联信用主体判定，对与所述第一信用主体关联的其他信用主体进行检测，标记出现洗钱数据特征的信用主体为对照信用主体，计算参照判定系数C判定是否对所述第一信用主体对应的重合度判定值E进行修正，并重新判定所述第一信用主体的风险等级。

具体而言，所述关联特征检测中，判定所述第一洗钱数据特征是否出现关联洗钱数据特征时，根据所述映射关系调用与所述第一洗钱数据特征关联的其他洗钱数据特征以及权重信息，记录为第一关联数据特征集合，继续检测所述第一信用主体是否出现所述第一关联数据特征集合中的洗钱数据特征，以将出现的洗钱数据特征以及对应的权重信息记录为第一关联对比数据特征集合。

具体而言，所述映射关系表示为YE（Y_i,Y_ij，Y_ijk），其中：Y_i表示第i洗钱数据特征，i=1、2...n，Y_ij表示与第i洗钱数据特征关联的j个洗钱数据特征，Y_ijk表示与第i洗钱数据特征关联的第j个洗钱数据特征之间的权重值；

所述权重值表示当第i洗钱数据特征出现时，第j个洗钱数据特征出现的频率。

具体而言，在现有技术中，对于深度卷积神经网络算法的应用已经较为熟练，本申请对具体的算法不做限定，对于反洗钱这类社区结构较为明显的场景将传统的图卷积神经网络加深至3-4层，利用过平滑的性质使得社区内部的节点表示趋于一致即可，其最终模型训练结果只需包含对应信用主体的识别标签，即洗钱数据特征以及对应洗钱数据特征之间关联权重即可；

具体而言，反洗钱数据集中的每个节点代表一个信用主体，用户有一个属于自己的特征向量H⁽⁰⁾，以及表示与其他用户链接关系的邻接矩阵A，这种关系可以通过设备、IP、区域等手段建立，也可以通过属性的相似性构建，

将反洗钱数据输入模型训练，模型会输出测试集的节点类别，具体的流程如下：

1、将数据输入到模型中训练

2、训练次数达到迭代次数时固定住模型参数

3、获取代测用户的最终向量表示

4、输入到全连接层后得到对应的分类标签，即洗钱数据特征；

5、对存在关联的洗钱数据特征记录生成邻接图，

邻接图中节点表示洗钱数据特征，所述邻接图中连接则表示存在关联关系，邻接图中的边表示权重。

具体而言，所述数据判定阶段，根据所述第一关联对比数据特征集合内洗钱数据特征的数量以及与所述第一洗钱数据特征之间的权重数据计算所述重合度判定值E，确定所述第一关联对比数据特征集合中的其他洗钱数据特征之间是否存在关联关系，并记录存在关联关系的其他洗钱数据特征的数量S，所述重合度判定值E的公式为：

其中，Y_i表示所述第一关联对比数据特征集合内的洗钱数据特征与被第一洗钱数 据特征关联关系之间的权重值，

表示所述第一关联对比数据特征集合内的洗钱数据特征 与第一洗钱数据特征关联关系之间的权重值的平均值，N表示所述第一关联数据特征集合 内洗钱数据特征的数量，N>2，S表示第一关联对比数据特征集合内洗钱数据特征的数量；

预设第一参照重合度判定值E01以及第二参照重合度判定值E02,E02<E01，将所述重合度判定值E与所述第一参照重合度判定值E01进行比较，

当E≤E01时，判定所述第一信用主体为疑似高风险主体，并开始关联信用主体判定对所述重合度判定值进行修正；

当E＞E01时，判定所述第一信用主体风险等级高，判定该信用主体为高风险等级。

具体而言，在现有技术中，对于任一信用主体出现洗钱风险时，对应的其关联的信用主体出现风险的概率也应当上升，因此，利用这一关系，对实际情况中出现的不易识别洗钱风险的信用主体或识别链断裂时对对应信用主体的关联信用主体进行检测，根据检测结果对所述信用主体的风险识别结果进行干涉，能够有效的识别上述情况下的洗钱行为，因此，在所述信用主体对应的重合度判定值E较低时对其关联信用主体进行检测，对信用主体的重合度判定值E进行修正重新确定对应的风险等级，通过上述过程实现关联信用主体对信用主体的的干涉，进而识别隐藏洗钱数据特征的信用主体。

具体而言，所述关联信用主体判定阶段，若未标记所述对照信用主体，则不对所述重合度判定值E进行修正，判定所述信用主体为正常信用主体。

具体而言，所述关联信用主体判定阶段，对于任一所述对照信用主体对应的洗钱数据特征，判定所述洗钱数据特征是否与所述第一关联数据特征集合中的洗钱数据特征存在关联关系，

若存在关联关系，则根据所述洗钱数据特征计算所述对照信用主体对应的重合度判定值E，并与预设对比参照重合度判定值E02进行对比，当E>E02时，判定所述对照信用主体以及第一信用主体均为高风险等级；

若不存在关联关系，则计算所述参照判定系数C，并确定是否对所述第一信用主体对应的重合度判定值E进行修正进一步地，所述参照判定系数C计算时，检查所述对照信用主体之间是否存在关联，

若存在关联，则根据所述映射关系检查关联的对照信用主体对应的洗钱数据特征之间是否存在关联，并按照以下公式计算参照判定系数C:

其中：E1_i表示第i关联对照信用主体对应的重合度判定值，n₁表示关联对照信用主体的个数，E2_i表示第i非关联对照信用主体对应的重合度判定值，n₂表示非关联对照信用主体的个数，A表示取值参量，对于第i关联对照信用主体当其洗钱数据特征与其他对照信用主体对应的洗钱数据特征相关联时A取α2，非关联时A取α1，α2>α1>1；

若不存在关联，则按照以下公式计算参照判定系数C，并对所述信用主体对应的重合度判定值E进行修正：

其中：E2_i表示非关联对照信用主体对应的重合度判定值，n₂表示非关联对照信用主体的个数。

具体而言，根据所述参照判定系数C对所述重合度判定值E进行修正时，预设参照判定对比系数C0，将所述参照判定系数C与所述参照判定对比系数C01以及C02进行对比，C02>C01>0；

当C≥C02时，按照以下公式对所述重合度判定值E进行修正，

EX=E×C×β₁

当C01≤C＜C02时，按照以下公式对所述重合度判定值E进行修正，

EX=E×C×β₂

当C＜C01时，按照以下公式对所述重合度判定值E进行修正，

EX=E×C×β₃

其中：EX表示修正后的重合度判定系数，C表示参照判定系数，β₁、β₂以及β₃表示换算系数，β₁＞β₂＞β₃。

具体而言，所述信用主体间的关联关系通过大数据构建，在预设时间T0内两信用主体之间存在货币流动或/和IP地址相同或/和注册区域相同则判定所述信用主体存在关联关系。

请参阅图2所示，本发明还提供一种应用于图深度卷积神经网络算法识别洗钱的方法的装置，包括：

数据库模块1，其与云端网络建立连接；

训练模块2，其与所述数据库模块建立连接，其内置数据算法用以生成洗钱数据特征间的映射关系，以及信用主体之间的关联关系；

检测模块4，其用以检测信用主体是否出现洗钱数据特征；

中控模块3，其与所述数据库模块、训练模块以及检测模块连接并完成数据交换，其内置数据处理芯片，用以执行预设程序。

具体而言，本申请对于所述装置内部具体结构不做限定，对于供电、信号传输等均为现有技术，所述只需包含上述限定的模块并能完成对应限定功能即可。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于图深度卷积神经网络算法识别洗钱的方法，其特征在于，所述方法包括：

S1、构建映射关系，通过大数据和卷积神经网络模型建立洗钱数据特征间的映射关系，所述映射关系包括所述洗钱数据特征间的关联关系以及所述关联关系的之间的权重值；

S2、关联特征检测，对信用主体进行检测，当检测到信用主体出现洗钱数据特征时，标记所述信用主体为第一信用主体，标记所述洗钱数据特征为第一洗钱数据特征，判定所述第一洗钱数据特征是否出现关联洗钱数据特征，若出现，将所述关联洗钱数据特征以及对应的权重信息记录并形成第一关联对比数据特征集合；

S3、数据判定，

当未形成所述第一关联对比数据特征集合时，则进行关联信用主体判定；

当形成所述第一关联对比数据特征集合时，根据所述第一关联对比数据特征集计算重合度判定值E，根据所述重合度判定值E的判定所述第一信用主体的风险等级，以及，所述重合度判定值E是否需要修正；

S4、关联信用主体判定，对与所述第一信用主体关联的其他信用主体进行检测，标记出现洗钱数据特征的信用主体为对照信用主体，计算参照判定系数C判定是否对所述第一信用主体对应的重合度判定值E进行修正，并重新判定所述第一信用主体的风险等级。

2.根据权利要求1所述的基于图深度卷积神经网络算法识别洗钱的方法，其特征在于，所述关联特征检测中，判定所述第一洗钱数据特征是否出现关联洗钱数据特征时，根据所述映射关系调用与所述第一洗钱数据特征关联的其他洗钱数据特征以及权重信息，记录为第一关联数据特征集合，继续检测所述第一信用主体是否出现所述第一关联数据特征集合中的洗钱数据特征，以将出现的洗钱数据特征以及对应的权重信息记录为第一关联对比数据特征集合。

3.根据权利要求1所述的基于图深度卷积神经网络算法识别洗钱的方法，其特征在于，所述映射关系表示为YE（Y_i,Y_ij，Y_ijk），其中：Y_i表示第i洗钱数据特征，i=1、2...n，Y_ij表示与第i洗钱数据特征关联的j个洗钱数据特征，Y_ijk表示与第i洗钱数据特征关联的第j个洗钱数据特征之间的权重值；所述权重值表示当第i洗钱数据特征出现时，第j个洗钱数据特征出现的频率。

4.根据权利要求2所述的基于图深度卷积神经网络算法识别洗钱的方法，其特征在于，所述数据判定阶段，根据所述第一关联对比数据特征集合内洗钱数据特征的数量以及与所述第一洗钱数据特征之间的权重数据计算所述重合度判定值E，确定所述第一关联对比数据特征集合中的其他洗钱数据特征之间是否存在关联关系，并记录存在关联关系的其他洗钱数据特征的数量S，所述重合度判定值E的公式为：

其中，Y_i表示所述第一关联对比数据特征集合内的洗钱数据特征与被第一洗钱数据特 征关联关系之间的权重值，

表示所述第一关联对比数据特征集合内的洗钱数据特征与第 一洗钱数据特征关联关系之间的权重值的平均值，N表示所述第一关联数据特征集合内洗 钱数据特征的数量，N>2，S表示第一关联对比数据特征集合内洗钱数据特征的数量；

预设第一参照重合度判定值E01以及第二参照重合度判定值E02,E02<E01，将所述重合度判定值E与所述第一参照重合度判定值E01进行比较，

当E≤E01时，判定所述第一信用主体为疑似高风险主体，并开始关联信用主体判定对所述重合度判定值进行修正；

当E＞E01时，判定所述第一信用主体风险等级高，判定该信用主体为高风险等级。

5.根据权利要求4所述的基于图深度卷积神经网络算法识别洗钱的方法，其特征在于，所述关联信用主体判定阶段，若未标记所述对照信用主体，则不对所述重合度判定值E进行修正，判定所述信用主体为正常信用主体。

6.根据权利要求5所述的基于图深度卷积神经网络算法识别洗钱的方法，其特征在于，所述关联信用主体判定阶段，对于任一所述对照信用主体对应的洗钱数据特征，判定所述洗钱数据特征是否与所述第一关联数据特征集合中的洗钱数据特征存在关联关系，

若存在关联关系，则根据所述洗钱数据特征计算所述对照信用主体对应的重合度判定值E，并与预设对比参照重合度判定值E02进行对比，当E>E02时，判定所述对照信用主体以及第一信用主体均为高风险等级；

若不存在关联关系，则计算所述参照判定系数C，并确定是否对所述第一信用主体对应的重合度判定值E进行修正。

7.根据权利要求6所述的基于图深度卷积神经网络算法识别洗钱的方法，其特征在于，所述参照判定系数C计算时，检查所述对照信用主体之间是否存在关联，若存在关联，则根据所述映射关系检查关联的对照信用主体对应的洗钱数据特征之间是否存在关联，并按照以下公式计算参照判定系数C:

其中：E1_i表示第i关联对照信用主体对应的重合度判定值，n₁表示关联对照信用主体的 个数，E2_i表示第i非关联对照信用主体对应的重合度判定值，n₂表示非关联对照信用主体的 个数，A表示取值参量，对于第i关联对照信用主体当其洗钱数据特征与其他对照信用主体 对应的洗钱数据特征相关联时A取α2，非关联时A取α1，α2>α1>1；若不存在关联，则按照以下 公式计算参照判定系数C，并对所述信用主体对应的重合度判定值E进行修正：

其中：E2_i表示非关联对照信用主体对应的重合度判定值，n₂表示非关联对照信用主体的个数。

8.根据权利要求7所述的基于图深度卷积神经网络算法识别洗钱的方法，

其特征在于，根据所述参照判定系数C对所述重合度判定值E进行修正时，预设参照判定对比系数C0，将所述参照判定系数C与所述参照判定对比系数C01以及C02进行对比，C02>C01>0；

当C≥C02时，按照以下公式对所述重合度判定值E进行修正，

EX=E×C×β₁

当C01≤C＜C02时，按照以下公式对所述重合度判定值E进行修正，

EX=E×C×β₂

当C＜C01时，按照以下公式对所述重合度判定值E进行修正，

EX=E×C×β₃

其中：EX表示修正后的重合度判定系数，C表示参照判定系数，β₁、β₂以及β₃表示换算系数，β₁＞β₂＞β₃。

9.根据权利要求1所述的基于图深度卷积神经网络算法识别洗钱的方法，

其特征在于，所述信用主体间的关联关系通过大数据构建，在预设时间T0内两信用主体之间存在货币流动或/和IP地址相同或/和注册区域相同则判定所述信用主体存在关联关系。

10.一种应用权利要求1-9任一项所述方法的反洗钱装置，其特征在于，包括：

数据库模块，其与云端网络建立连接；

训练模块，其与所述数据库模块建立连接，其内置数据算法用以生成洗钱数据特征间的映射关系，以及信用主体之间的关联关系；

检测模块，其用以检测信用主体是否出现洗钱数据特征；

中控模块，其与所述数据库模块、训练模块以及检测模块连接并完成数据交换，其内置数据处理芯片，用以执行预设程序。

Images