CN115034896A - 一种反洗钱模型的训练方法及装置 - Google Patents

Abstract

本发明公开了一种反洗钱模型的训练方法及装置，涉及反洗钱技术领域。本发明的反洗钱模型的训练装置包括数据获取单元：用于对数据的采集以及补录；包括数据集成和变换模块与数据预处理模块，用于对收集数据的集成与处理；包括标签添加模块、支付交易分析模块与分类模块，用于对数据的标注以及分类；包括标签样本数据库与普通样本数据库，用于对大额支付交易数据与可疑支付交易数据以及正常数据进行分类存储。本发明采用支付交易分析模块可对众多数据中的特征进行信息标注，可得到多个样本用户的不同特征数据，通过将多个样本用户的不同标注信息进行迭代训练，使训练得到的发洗钱模型加精准，同时也减少了操作次数，提高了反洗钱的识别精确度。

Description

一种反洗钱模型的训练方法及装置

技术领域

本发明属于反洗钱技术领域，特别是涉及一种反洗钱模型的训练装置与一种反洗钱模型的训练方法。

背景技术

洗钱犯罪已越来越引起国际社会的关注，一些国家通过制定法律制度，建立起相应的组织机构和机制来打击洗钱活动。统计数字表明，金融机构最容易被洗钱犯罪分子所利用。

现有的反洗钱模型的训练装置在使用时，其需要多次的对数据信息进行反复的训练才能得到反洗钱模型，其操作性不仅较高，同时其工作量也较大，使用性较低。因此，针对以上问题，提供数据处理方法及装置具有重要实际意义。

发明内容

本发明提供了一种反洗钱模型的训练方法及装置，解决了以上问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明的一种反洗钱模型的训练装置，服务器以端口的形式连接公安部账户信息、银行账户信息、第三方平台交易信息以及操作设备，所述服务器的内部含有数据获取单元、第一数据处理单元、第二数据处理单元与存储单元：

数据获取单元：用于对数据的采集以及补录，具体包括数据采集模块与数据补录模块；所述数据采集模块用于对反洗钱模型训练数据的收集；所述数据补录模块用于对反洗钱模型训练数据的补充；

第一处理单元：用于对收集数据的集成与处理，包括数据集成和变换模块与数据预处理模块；所述数据集成和变换模块将多个数据源中的数据结合起来并存放在一个一致的数据存储中，所述存放的数据包括数据库中、数据立方体或一般文件；所述数据预处理模块通过ETL过程实现；

第二处理单元：用于对数据的标注以及分类，包括标签添加模块、支付交易分析模块与分类模块；所述支付交易分析模块是对数据中含有大额支付交易信息与可疑支付交易信息的分析；所述标签添加模块是对数据中含有大额支付交易数据与可疑支付交易数据进行标注信息；所述分类模块是对大额支付交易数据与可疑支付交易数据以及剩下的正常数据进行分类；

存储单元：用于对大额支付交易数据与可疑支付交易数据以及正常数据进行分类存储，包括标签样本数据库与普通样本数据库；所述普通样本数据库是对正常数据进行储存；所述标签样本数据库是对大额支付交易数据与可疑支付交易数据进行储存。

进一步的，所述操作设备的内部含有反洗钱模型训练单元，所述反洗钱模型训练单元采用神经元网络训练。

进一步的，所述大额支付交易包含有大额转账业务与大额现金业务。

进一步的，所述ETL是对数据抽取、转换、清洗、装载的过程。

进一步的，所述数据集成和变换模块含有平滑、聚集、概化以及规范化。

进一步的，所述平滑为消除数据中心的噪声数据，所述聚集为对数据进行汇集和汇总，所述概化为使用概念分层，用高层次的概念替换“原始”的低层次的数据，所述规范化是将属性数据按比例缩放，使其落入一个小的特定区间。

一种反洗钱模型的训练方法，采用所述的一种反洗钱模型的训练装置实现，包括如下步骤：

S1、通过数据采集模块进行获取人员的个人基本信息、单位征信信息、公安部账户信息、银行账户信息以及第三方交易平台信息，在可通过使用人员手动录入相应的数据；

S2、将收集到的信息输入到服务器内部的第一数据处理单元上，通过数据集成和变换模块可对数据信息中的噪声数据进行消除，对数据进行聚集和归总，将数据信息进行规范化，在通过数据预处理模块对集成和变换后的数据信息抽取、转换、清洗、装载进行预处理；

S3、将集成转换与预处理后的信息传输到第二数据处理单元中，通过支付交易分析模块可对数据信息中含有大额支付交易信息与可疑支付交易信息进行辨别分析，通过标签添加模块对含有大额支付交易信息与可疑支付交易信息进行标注特征，通过分类模块将有标注特征信息的数据信息输送到标签样本数据库中进行保存，将为标注的数据信息输送到普通样本数据库中进行保存；

S4、分别将标签样本数据库中数据信息与普通样本数据库中的信息通过端口输送到操作设备内部的反洗钱模型训练单元上，可分别获得两份反洗钱模型训练数据，通过将两份进行比较可得出差异值，若所述差异值大于预设阈值，则调整相对应的特征数据权重与网络参数，若所述差异值小于或等于预设阈值，则停止训练，得到训练后的反洗钱模型。

本发明相对于现有技术包括有以下有益效果：

本发明采用支付交易分析模块可对众多数据中的特征进行信息标注，可得到多个样本用户的不同特征数据，通过将多个样本用户的不同标注信息进行迭代训练，使训练得到的发洗钱模型加精准，同时也减少了操作次数，降低了工作量，提高了反洗钱的识别精确度。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明的一种反洗钱模型的训练装置的结构框架图；

图2为本发明反洗钱模型的训练方法的流程图；

图3为本发明数据集成和变换模块功能图；

图4为本发明数据预处理的流程图；

图5为本发明支付交易分析模块的结构框架图。

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明的一种反洗钱模型的训练装置，服务器以端口的形式连接公安部账户信息、银行账户信息、第三方平台交易信息以及操作设备，所述服务器的内部含有数据获取单元、第一数据处理单元、第二数据处理单元与存储单元：

数据获取单元：用于对数据的采集以及补录，具体包括数据采集模块与数据补录模块；所述数据采集模块用于对反洗钱模型训练数据的收集；所述数据补录模块用于对反洗钱模型训练数据的补充；

第一处理单元：用于对收集数据的集成与处理，包括数据集成和变换模块与数据预处理模块；所述数据集成和变换模块将多个数据源中的数据结合起来并存放在一个一致的数据存储中，所述存放的数据包括数据库中、数据立方体或一般文件；所述数据预处理模块通过ETL过程实现；

第二处理单元：用于对数据的标注以及分类，包括标签添加模块、支付交易分析模块与分类模块；所述支付交易分析模块是对数据中含有大额支付交易信息与可疑支付交易信息的分析；所述标签添加模块是对数据中含有大额支付交易数据与可疑支付交易数据进行标注信息；所述分类模块是对大额支付交易数据与可疑支付交易数据以及剩下的正常数据进行分类；

存储单元：用于对大额支付交易数据与可疑支付交易数据以及正常数据进行分类存储，包括标签样本数据库与普通样本数据库；所述普通样本数据库是对正常数据进行储存；所述标签样本数据库是对大额支付交易数据与可疑支付交易数据进行储存。

其中，所述操作设备的内部含有反洗钱模型训练单元，所述反洗钱模型训练单元采用神经元网络训练，可以支付交易信息的内部包含有规则一集中与分散、规则二经营规模、规则三经营范围、规则四日常经营特点、规则五周期性经营特点、规则六相同收付款人、规则七长期不动户、规则八个人汇款、规则九现金结算规模、规则十个人户累计结算量、规则十一重点关注地区以及规则十二频繁开销户。

其中，所述大额支付交易包含有大额转账业务与大额现金业务，大额转账业务基本判定调节为金额达到100万元以上的单笔转账支付，业务筛选条件为本行办理的100万元以上的开户单位之间的人民币转账支付业务数据、包括同城和异地、本行和跨行的所有支付结算业务，即即通过汇兑、支票、银行汇票、商业汇票、本票、银行卡、托收承付、委托收款、定期借记(同城特约委托收款)、定期贷记、国内信用证等结算方式办理的大额转账支付交易信息，不包括，涉及到个人银行结算账户的业务、联行汇差划拨、同业往来账户发生的业务、涉及关键信息、行号、结算方式、交易类型、帐类、金额及币种等，大额现金业务基本判定条件为金额20万元以上的单笔现金支付，业务筛选条件为本行办理的20万元以上的现金业务数据，包括单位及个人的现金存入、现金支取、现金汇款、现金汇票解付、现金本票解付、单位签发给个人的转账票据的解付、单位户转入个人银行结算账户、个人银行结算账户转入单位户及个人银行结算账户之间的相互划转，涉及关键信息行号、结算方式、交易类型、帐；类、金额、币种等，所述可疑支付交易信息有规则一集中与分散，是指短期内资金分散转入、集中转出或集中转入、分散转出，而其要点是必须有进有出，必须体现分散与集中，有时间限制，目前只针对账户规则定义，统计时限,分散笔数上限，转入额度上限，分散与集中笔数比上限(>1)，转出与转入金额比例上限(<＝1)；规则二经营规模是指资金收付频率及金额与企业经营规模明显不符，规则要点有统计户为对公户，历史经营规模(平均结算量)与当前结算量差别过大规则定义，统计时限,日均结算笔数允许上浮比例(含)，日均结算额允许上浮比例(含)帐户信息，设定日均结算笔数/设定日均结算金额；规则三经营范围是指资金收付流向与企业经营范围明显不符，规则要点有统计户为对公户，结算单位时间经营范围无关联关系，规则定义，统计时限，违规结算笔数上限与金额上限，相关信息有行业范围、账号、行业相关匹配表；规则四日常经营特点是指企业日常收付与企业经营特点明显不符，规则要点统计户为对公户，日常结算方式反常规，规则定义，统计时限，违规结算笔数上限与金额上限，相关信息，行业范围、交易时间、行业经营特点日曲线；规则五周期性经营特点是指周期性发生大量资金收付与企业性质、业务特点明显不符，规则要点统计户为对公户，结算方式周期性反常规，规则定义违规结算笔数上限与金额上限，相关信息，行业范围、交易时间、行业经营特点日曲线；规则六相同收付款人是指相同收付款人之间短期内频繁发生资金收付，规则要点收付款人始终是在两个帐户之间，可收可付，规则定义统计时限，结算笔数上限，相关信息，交易信息；规则七长期不动户是指长期内闲置的账户原因不明的突然启用，且短期内出现大量资金收付，规则要点不动户启用，且在统计时限内发生大量资金运作，统计时限从启用日算起，规则定义，统计时限，累计结算额上限，相关信息，不动户登记簿；规则八个人汇款是指短期内频繁的收取来自与其经营业务明显无关的个人汇款，规则要点统计户为对公户，收到个汇，该行业一般不会收个汇，规则定义，统计时限，个汇笔数上限与个汇金额上限，相关信息，行业范围、交易信息、行业表；规则九现金结算规模是指存取现金的数额、频率及用途与其正常现金收付明显不符，规则要点存取现结算量与正常现金结算规模不符，规则定义统计时限，日均现金存取笔数允许上浮比例(含)，日均现金存取额允许上浮比例(含)，相关信息，账户信息、交易信息；规则十个人户累计结算量是指个人银行结算账户短期内累计100万元以上现金收付，规则要点现金结算交易，统计账户为个人户，规则定义统计上限，累计额度100万，相关信息为交易信息；规则十一重点关注地区是指贩毒、走私、恐怖活动严重地区的客户之间的商业往来活动明显增多，短期内频繁发生资金支付，规则要点为统计付款方，付款信息，敏感地区，频繁，规则定义为统计时限发生笔数上限，相关信息为账户信息、交易信息、联行代码表；规则十二频繁开销户是指短期内资金分散转入、集中转出或集中转入、分散转出，规则要点为同一帐户拥有人，频繁开销户，被销帐户前发生过大量资金收付统计的均为目前已销户的帐户，优先统计销户数符合条件的，同一行为人的判定方式，对于有客户的情况下，按客户统计；对于没有客户的情况下，对公户按户名，对私户按证件统计，规则定义为累计统计时限，已销帐户的最小发生累计额度，累计销户次数统计底线，相关信息为交易信息、开销户登记簿。

如图4所示，所述ETL是对数据抽取、转换、清洗、装载的过程，为了保证数据仓库中的数据能够满足一致性、正确性、完整性和最小性，需通过ETL对手机上来的数据进行预处理。

如图5所示，所述数据集成和变换模块含有平滑、聚集、概化以及规范化。

如图5所示，所述平滑为消除数据中心的噪声数据，所述聚集为对数据进行汇集和汇总，所述概化为使用概念分层，用高层次的概念替换“原始”的低层次的数据，所述规范化是将属性数据按比例缩放，使其落入一个小的特定区间。

如图2所示，一种反洗钱模型的训练方法，采用如上述的一种反洗钱模型的训练装置实现，包括如下步骤：

S1、通过数据采集模块进行获取人员的个人基本信息、单位征信信息、公安部账户信息、银行账户信息以及第三方交易平台信息，在可通过使用人员手动录入相应的数据；

S2、将收集到的信息输入到服务器内部的第一数据处理单元上，通过数据集成和变换模块可对数据信息中的噪声数据进行消除，对数据进行聚集和归总，将数据信息进行规范化，在通过数据预处理模块对集成和变换后的数据信息抽取、转换、清洗、装载进行预处理；

S3、将集成转换与预处理后的信息传输到第二数据处理单元中，通过支付交易分析模块可对数据信息中含有大额支付交易信息与可疑支付交易信息进行辨别分析，通过标签添加模块对含有大额支付交易信息与可疑支付交易信息进行标注特征，通过分类模块将有标注特征信息的数据信息输送到标签样本数据库中进行保存，将为标注的数据信息输送到普通样本数据库中进行保存；

S4、分别将标签样本数据库中数据信息与普通样本数据库中的信息通过端口输送到操作设备内部的反洗钱模型训练单元上，可分别获得两份反洗钱模型训练数据，通过将两份进行比较可得出差异值，若所述差异值大于预设阈值，则调整相对应的特征数据权重与网络参数，若所述差异值小于或等于预设阈值，则停止训练，得到训练后的反洗钱模型。

有益效果：

本发明采用支付交易分析模块可对众多数据中的特征进行信息标注，可得到多个样本用户的不同特征数据，通过将多个样本用户的不同标注信息进行迭代训练，使训练得到的发洗钱模型加精准，同时也减少了操作次数，降低了工作量，提高了反洗钱的识别精确度。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种反洗钱模型的训练装置，服务器以端口的形式连接公安部账户信息、银行账户信息、第三方平台交易信息以及操作设备，其特征在于，所述服务器的内部含有数据获取单元、第一数据处理单元、第二数据处理单元与存储单元：

数据获取单元：用于对数据的采集以及补录，具体包括数据采集模块与数据补录模块；所述数据采集模块用于对反洗钱模型训练数据的收集；所述数据补录模块用于对反洗钱模型训练数据的补充；

第一处理单元：用于对收集数据的集成与处理，包括数据集成和变换模块与数据预处理模块；所述数据集成和变换模块将多个数据源中的数据结合起来并存放在一个一致的数据存储中，所述存放的数据包括数据库中、数据立方体或一般文件；所述数据预处理模块通过ETL过程实现；

第二处理单元：用于对数据的标注以及分类，包括标签添加模块、支付交易分析模块与分类模块；所述支付交易分析模块是对数据中含有大额支付交易信息与可疑支付交易信息的分析；所述标签添加模块是对数据中含有大额支付交易数据与可疑支付交易数据进行标注信息；所述分类模块是对大额支付交易数据与可疑支付交易数据以及剩下的正常数据进行分类；

存储单元：用于对大额支付交易数据与可疑支付交易数据以及正常数据进行分类存储，包括标签样本数据库与普通样本数据库；所述普通样本数据库是对正常数据进行储存；所述标签样本数据库是对大额支付交易数据与可疑支付交易数据进行储存。

2.根据权利要求1所述的一种反洗钱模型的训练装置，其特征在于，所述操作设备的内部含有反洗钱模型训练单元，所述反洗钱模型训练单元采用神经元网络训练。

3.根据权利要求1所述的一种反洗钱模型的训练装置，其特征在于，所述大额支付交易包含有大额转账业务与大额现金业务。

4.根据权利要求1所述的一种反洗钱模型的训练装置，其特征在于，所述ETL是对数据抽取、转换、清洗、装载的过程。

5.根据权利要求1所述的一种反洗钱模型的训练装置，其特征在于，所述数据集成和变换模块含有平滑、聚集、概化以及规范化。

6.根据权利要求5所述的一种反洗钱模型的训练装置，其特征在于，所述平滑为消除数据中心的噪声数据，所述聚集为对数据进行汇集和汇总，所述概化为使用概念分层，用高层次的概念替换“原始”的低层次的数据，所述规范化是将属性数据按比例缩放，使其落入一个小的特定区间。

7.一种反洗钱模型的训练方法，其特征在于，采用如权1-6任一项所述的一种反洗钱模型的训练装置实现，包括如下步骤：

S1、通过数据采集模块进行获取人员的个人基本信息、单位征信信息、公安部账户信息、银行账户信息以及第三方交易平台信息，在可通过使用人员手动录入相应的数据；

S2、将收集到的信息输入到服务器内部的第一数据处理单元上，通过数据集成和变换模块可对数据信息中的噪声数据进行消除，对数据进行聚集和归总，将数据信息进行规范化，在通过数据预处理模块对集成和变换后的数据信息抽取、转换、清洗、装载进行预处理；

S3、将集成转换与预处理后的信息传输到第二数据处理单元中，通过支付交易分析模块可对数据信息中含有大额支付交易信息与可疑支付交易信息进行辨别分析，通过标签添加模块对含有大额支付交易信息与可疑支付交易信息进行标注特征，通过分类模块将有标注特征信息的数据信息输送到标签样本数据库中进行保存，将为标注的数据信息输送到普通样本数据库中进行保存；

S4、分别将标签样本数据库中数据信息与普通样本数据库中的信息通过端口输送到操作设备内部的反洗钱模型训练单元上，可分别获得两份反洗钱模型训练数据，通过将两份进行比较可得出差异值，若所述差异值大于预设阈值，则调整相对应的特征数据权重与网络参数，若所述差异值小于或等于预设阈值，则停止训练，得到训练后的反洗钱模型。

Images