CN116205488A - 风险商户识别方法、装置、设备、介质及产品 - Google Patents
风险商户识别方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN116205488A CN116205488A CN202310110086.2A CN202310110086A CN116205488A CN 116205488 A CN116205488 A CN 116205488A CN 202310110086 A CN202310110086 A CN 202310110086A CN 116205488 A CN116205488 A CN 116205488A
- Authority
- CN
- China
- Prior art keywords
- risk
- merchant
- target
- merchants
- account
- 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 63
- 238000013145 classification model Methods 0.000 claims description 51
- 230000015654 memory Effects 0.000 claims description 22
- 238000012546 transfer Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种风险商户识别方法、装置、设备、介质及产品。该风险商户识别方法包括获取与多个商户对应的商户交易信息;根据商户交易信息,构建以账户、用户和商户为节点的交易网络图谱,其中,交易网络图谱用于描述账户、用户和商户之间的关联关系;基于交易网络图谱,从多个商户中识别与目标风险账户关联的疑似风险商户;从交易网络图谱中获取与疑似风险商户关联的部分图谱,得到目标网络图谱;基于目标网络图谱,利用风险商户识别模型对目标网络图谱中的商户进行风险识别,得到风险商户。根据本申请实施例,可以快速识别出潜在的风险商户,提高风险商户的识别效率和识别效果。
Description
技术领域
本申请属于信息处理技术,尤其涉及一种风险商户识别方法、装置、设备、介质及产品。
背景技术
近年来,随着各种金融机构相继开展收单业务,以及专业化收单机构和第三方平台的快速发招,从事非法套现等违规行为的风险商户也日益增多,并且逐渐呈现出隐蔽化、集群化的趋势,损害各个机构和平台的利益。因此,如何从众多商户中识别出具有违规行为的风险商户,成为亟待解决的问题之一。
目前,识别风险商户的方式主要是基于单个商户自身的特征信息进行分析的,不仅识别效率低,而且无法识别到潜在的风险商户,降低了风险商户的识别效果。
发明内容
本申请实施例提供一种风险商户识别方法、装置、设备、介质及产品,能够快速识别出潜在的风险商户,提高风险商户的识别效率和识别效果。
第一方面,本申请实施例提供一种风险商户识别方法,该方法包括:
获取与多个商户对应的商户交易信息;
根据所述商户交易信息,构建以账户、用户和商户为节点的交易网络图谱,其中,所述交易网络图谱用于描述账户、用户和商户之间的关联关系;
基于所述交易网络图谱,从所述多个商户中识别与目标风险账户关联的疑似风险商户;
从所述交易网络图谱中获取与所述疑似风险商户关联的部分图谱,得到目标网络图谱;
基于所述目标网络图谱,利用风险商户识别模型对所述目标网络图谱中的商户进行风险识别,得到风险商户。
第二方面,本申请实施例提供了一种风险商户识别装置,该装置包括:
信息获取模块,用于获取与多个商户对应的商户交易信息;
图谱构建模块,用于根据所述商户交易信息,构建以账户、用户和商户为节点的交易网络图谱,其中,所述交易网络图谱用于描述账户、用户和商户之间的关联关系;
第一识别模块,用于基于所述交易网络图谱,从所述多个商户中识别与目标风险账户关联的疑似风险商户;
目标获取模块,用于从所述交易网络图谱中获取与所述疑似风险商户关联的部分图谱,得到目标网络图谱;
第二识别模块,用于基于所述目标网络图谱,利用风险商户识别模型对所述目标网络图谱中的商户进行风险识别,得到风险商户。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行所述计算机程序指令时实现如第一方面的任一项实施例中所述的风险商户识别方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面的任一项实施例中所述的风险商户识别方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行如第一方面的任一项实施例中所述的风险商户识别方法的步骤。
本申请实施例中的风险商户识别方法、装置、设备、介质及产品,通过构建用于描述账户、用户和商户之间的关联关系的交易网络图谱,利用该交易网络图谱,从多个商户中识别与目标风险账户关联的疑似风险商户,进而从该交易网络图谱中获取与该疑似风险商户关联的部分图谱,也即目标网络图谱,利用风险商户识别模型对该目标网络图谱中的商户进行风险识别,得到风险商户。这样,由于通过图谱结构可以发现各个实体之间潜在的关联关系,因此,即使关联距离较远的实体,也可依赖于图谱结构的性能优势实现基于关联路径的快速检索,从而可以发现潜在的风险商户间的关系,快速识别出潜在的风险商户群体,提高风险商户的识别效率和识别效果。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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是本申请一个实施例提供的风险商户识别方法的流程示意图;
图2是本申请提供的交易网络图谱的一种示意图;
图3是本申请另一个实施例提供的风险商户识别方法的流程示意图;
图4是本申请提供的社群识别结果的一种示意图;
图5是本申请提供的完整社群形成过程的一种示意图;
图6是本申请提供的潜在风险社群挖掘过程的一种示意图;
图7是本申请又一个实施例提供的风险商户识别方法的流程示意图;
图8是本申请提供的利用模型识别风险商户的一种示意图;
图9是本申请一个实施例提供的风险商户识别装置的结构示意图;
图10是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前,对风险商户的识别方式主要是针对单个商户的交易信息进行特征分析,以确定该商户是否为风险商户,但是,现有识别方式由于需要一个一个商户进行交易特征分析和识别,因此识别效率较低,而且现有识别方式无法发现潜在的风险商户,例如,若某个商户自身的交易信息并无明显的风险商户特征,但其与风险商户具有潜在关联,则该商户可能无法被识别为风险商户,从而降低了风险商户的识别效果。
为了解决现有技术问题,本申请实施例提供了一种风险商户识别方法、装置、设备、介质及产品。该风险商户识别方法可以应用于对风险商户进行识别的场景,下面首先对本申请实施例所提供的风险商户识别方法进行介绍。
图1是本申请一个实施例提供的风险商户识别方法的流程示意图。如图1所示,该风险商户识别方法具体可以包括如下步骤:
S110、获取与多个商户对应的商户交易信息;
S120、根据商户交易信息,构建以账户、用户和商户为节点的交易网络图谱,其中,交易网络图谱用于描述账户、用户和商户之间的关联关系;
S130、基于交易网络图谱,从多个商户中识别与目标风险账户关联的疑似风险商户;
S140、从交易网络图谱中获取与疑似风险商户关联的部分图谱,得到目标网络图谱;
S150、基于目标网络图谱,利用风险商户识别模型对目标网络图谱中的商户进行风险识别,得到风险商户。
由此,通过构建用于描述账户、用户和商户之间的关联关系的交易网络图谱,利用该交易网络图谱,从多个商户中识别与目标风险账户关联的疑似风险商户,进而从该交易网络图谱中获取与该疑似风险商户关联的部分图谱,也即目标网络图谱,利用风险商户识别模型对该目标网络图谱中的商户进行风险识别,得到风险商户。这样,由于通过图谱结构可以发现各个实体之间潜在的关联关系,因此,即使关联距离较远的实体,也可依赖于图谱结构的性能优势实现基于关联路径的快速检索,从而可以发现潜在的风险商户间的关系,快速识别出潜在的风险商户群体,提高风险商户的识别效率和识别效果。
下面介绍上述各个步骤的具体实现方式。
在一些实施方式中,在S110中,商户交易信息可以包括与商户和交易相关的信息,例如交易流水信息、商户持有关系信息、账户持有关系信息、商户股权信息等。
另外,商户交易信息中可涉及多个商户、多个账户和多个用户等多个实体,进而可在后续步骤中基于该多个实体之间的关联关系构建交易网络图谱。
在一些实施方式中,在S120中,由于商户交易信息中包含有商户及其交易相关的信息,因此,可基于商户交易信息,以账户、用户、商户为实体,构建交易网络图谱。
本申请实施例中,交易网络图谱主要采用“实体-关系-实体”的表达方式,并基于该表达方式构建得到。其中,实体之间的关系可体现为账户与账户之间的关系、账户与用户之间的关系、账户与商户之间的关系、用户与用户之间的关系、用户与商户之间的关系、以及商户与商户之间的关系等。另外,实体之间的关系可作为交易网络图谱中的边,实体则作为交易网络图谱中的节点。
在一些实施方式中,上述S120具体可以包括:
根据商户交易信息,确定多个账户、用户和商户之间的关联关系,其中,关联关系包括转账交易关系、账户持有关系和商户持有关系中的至少一项;
基于关联关系,构建以账户、用户和商户为节点的交易网络图谱。
这里,由于商户交易信息中包含有交易流水信息、商户持有关系信息、账户持有关系信息、商户股权信息等,因此,通过这些信息可确定账户、用户和商户之间的关联关系,例如账户与账户之间的转账交易关系、账户与商户或用户之间的账户持有关系、以及用户与商户之间的商户持有关系等。
示例性地,可以账户、用户和商户为实体,基于转账交易关系、账户持有关系、商户持有关系等构建交易网络图谱。其中,具体的图谱构建规则可以包括根据持卡用户和账户之间的持有关系建立账户与用户之间的关联;根据法人用户与商户之间的持有关系可建立用户、商户之间的关联;基于账户之间的转账关系建立账户之间的关联;基于用户共同持有的商户的股份等外部公开数据建立用户之间的关联。如此,可得到例如如图2所示的交易网络图谱。
当然,除了上述图谱构建规则之外,还可通过其他关系建立实体之间的关联,也即节点之间的边,例如用户个人账户与商户之间的消费关系,可建立账户与商户之间的关联等,在此不作限定。
在一些实施方式中,在S130中,目标风险账户可以是使用基本的风控规则和策略识别到的违规行为特征较为明显的风险账户,该目标风险账户的数量可以是一个或多个。
示例性地,可在构建得到的交易网络图谱中搜索与目标风险账户直接关联和/或间接关联的商户,作为疑似风险商户。其中,与目标风险账户直接关联的商户可以是指交易网络图谱中与目标风险账户对应的节点直接连接的商户节点所对应的商户,与目标风险账户间接关联的商户可以是指交易网络图谱中与目标风险账户对应的节点在预设连接跳数之内的商户节点所对应的商户,该预设连接跳数可以根据实际需要进行设置,在此不作限定。
在一些实施方式中,在S140中,目标网络图谱可以是从交易网络图谱中切分出来的与所述疑似风险商户关联的部分图谱,其中,与疑似风险商户关联的部分图谱中例如可以包含疑似风险商户对应的节点及其在预设连接跳数之内的节点,以及这些节点之间的连接边。
由于交易网络图谱中既包含了风险商户对应的节点,也包含了正常商户对应的节点,因此,为了提高识别效率,降低风险商户识别的复杂度,可从交易网络图谱中切分出与疑似风险商户关联的部分图谱,进而在后续利用风险商户识别模型进行风险识别时,可以无需对正常商户进行识别。
在一些实施方式中,在S150中,风险商户识别模型可以是经训练的图深度神经网络,该风险商户识别模型可以用于识别图谱中的风险商户,根据图特征和节点特征对图谱中包含的商户节点所对应的商户进行分类,进而从疑似风险商户中最终确定得到风险商户。
另外,为了进一步提高风险商户的识别效率和识别效果,及时发现潜在的风险商户,在一些实施方式中,上述S130具体可以包括如图3所示的步骤,具体如下所示:
S1301、对交易网络图谱中的节点进行社群划分处理,得到与交易网络图谱对应的多个社群;
S1302、从多个社群中确定与目标风险账户关联的社群为目标社群;
S1303、从目标社群中确定与目标风险账户关联的商户为疑似风险商户。
这样,由于风险商户具有集群化等特点,因此,可以通过对交易网络图谱进行社群识别,发现风险社群,进而搜索到潜在的风险商户。如此,可以进一步提高风险商户的识别效率和识别效果,及时发现潜在的风险商户。
在一些实施方式中,在S1301中,社群可以是紧密连接的节点集合,这些节点间有较多的内部连接,而相对较少的外部连接。例如,对交易网络图谱中的节点进行社群划分处理后,可得到如图4所示的社群识别结果,其中,小圆点表示节点,大圆圈表示社群,图4中共包含12个社群,每个社群中包含若干个节点,节点中包括但不限于商户节点、账户节点和用户节点。如此,可形成多个集商户、账户、用户为一体的社群。
基于此,在一些实施方式中,上述S1301具体可以包括:
基于预设社群识别算法,对交易网络图谱中的节点进行社群识别,得到多个初始社群;
对多个初始社群中的每个初始社群执行如下步骤,得到与交易网络图谱对应的多个社群:
确定初始社群内的核心账户,并获取核心账户对应的交易流向信息;
根据交易流向信息搜索不在初始社群内的目标商户;
在搜索到目标商户的情况下,将目标商户对应的节点归类为初始社群,得到社群。
本申请实施例中,预设社群识别算法例如可以是Louvain算法。Louvain算法是基于模块度的社群识别算法,该算法在识别效率和识别效果上都表现较好。
示例性地,采用Louvain算法对交易网络图谱中的节点进行社群识别的大致思想可以为:
1)将图谱中的每个节点看成一个独立的社群,社群的数目与节点个数相同;
2)对每个节点i,依次尝试把节点i分配到其每个邻居节点所在的社区,计算分配前与分配后的模块度变化ΔQ,并记录ΔQ最大的那个邻居节点,如果maxΔQ>0,则把节点i分配ΔQ最大的那个邻居节点所在的社区,否则保持不变;
3)返回执行2),直到所有节点的所属社区不再变化;
4)对图进行压缩,将所有在同一个社区的节点压缩成一个新节点,社区内节点之间的边的权重转化为新节点的环的权重,社区间的边权重转化为新节点间的边权重;
5)返回执行1)直到整个图的模块度不再发生变化。
如此,通过上述过程可得到与交易网络图谱对应的社群识别结果,该社群识别结果可表现为各个商户所持有的账户资金最终流转汇聚至一个或几个账户上,以这一个或几个核心账户为主体,形成集商户、账户、用户为一体的初始社群。
在此基础上,针对每个初始社群,可根据初始社群中核心账户对应的交易流向进一步进行搜索,识别隐藏的原本不属于该初始社群的零散节点所对应的商户,进而将该商户对应的账户节点、商户节点等划归到该初始社群中,并连续搜索一定次数后,最终形成完整的社群。
例如,如图5所示,初始社群中包括核心账户a、核心账户b和核心账户c的节点,根据交易流向识别到核心账户a与初始社群之外的账户i之间有转账交易记录,且核心账户c与初始社群之外的账户j之间也有转账交易记录,而该账户i和账户j均属于商户c,则可将商户c、账户i以及账户j这三个节点均划归到初始社群中,最终形成完整的社群。
在一些实施方式中,在S1302中,目标社群可以是具有潜在风险的社群。其中,与目标风险账户关联的社群可以包括交易网络图谱中与目标风险账户对应的节点所在的社群,另外,还可以根据社群见的转账交易,发现隐藏的交易流向,从而发掘潜在的风险社群。
基于此,在一些实施方式中,上述S1302具体可以包括:
从多个社群中确定目标风险账户所在的社群为第一目标社群;
从多个社群中确定与第一目标社群之间具有交易关系的社群为第二目标社群;
其中,目标社群包括第一目标社群和第二目标社群。
这里,交易关系包括但不限于直接交易关系和间接交易关系,其中,直接交易关系例如可以是直接转账,体现为社群之间直接相连,间接交易关系例如可以是间接转账,体现为社群之间在预设跳数之内间接相连。
例如,如图6所示,目标风险账户所在的社群为社群61,则该社群61即为第一目标社群,若根据路径搜索发现该社群61中的核心账户a向该社群61之外的账户k进行过转账交易,而账户k又向社群62中的账户j进行过转账交易,则可认定该社群62也是风险社群,也即第二目标社群。如此,可发掘得到潜在的风险交易社群。
在一些实施方式中,在S1303中,在确定疑似风险商户时,可将与目标风险账户直接关联的商户确定为疑似风险商户,例如交易网络图谱中与目标风险账户对应的节点直接连接的商户节点所对应的商户。另外,还可将与目标风险账户间接关联的商户确定为疑似风险商户,例如可根据社群内账户间的转账关系,商户持有者间的关系,结合专家规则、策略等,可发现其中隐藏较深、风险特征较不明显的商户。
基于此,在一些实施方式中,上述S1303具体可以包括:
从目标社群中确定目标风险账户所属的商户为第一疑似风险商户;
从目标社群中确定与第一疑似风险商户关联的商户为第二疑似风险商户;
其中,疑似风险商户包括第一疑似风险商户和第二疑似风险商户。
这里,可根据目标社群内账户间的转账关系、商户持有者间的关系,并结合专家规则、策略等,来确定与第一疑似风险商户关联的商户,也即第二疑似风险商户。
例如,若目标风险账户所属的商户为商户a,则可将商户a确定为第一疑似风险商户,基于此,若目标风险账户与账户b之间具有转账关系,则可将账户b所属的商户b确定为第二疑似风险商户。另外,若商户a的持有者用户a同样持有商户c,则可将商户c也确定为第二疑似风险商户。当然,还可基于其他关系进行疑似风险商户的挖掘,在此不作限定。
这样,通过上述疑似商户挖掘过程,可发现其中隐藏较深、风险特征较不明显的风险商户,从而进一步提高风险商户的识别效果。
另外,为了能够从多种风险识别角度识别风险商户,提高识别结果的准确度,本申请实施例中还将目标网络图谱拆分为多个子图谱,进而基于每个子图谱分别进行风险商户的识别。
基于此,在一些实施方式中,风险商户识别模型可以包括N个分类模型,一个分类模型对应一个风险识别规则,其中,N为大于1的整数。
相应地,上述S150具体可以包括如图7所示的步骤,具体如下所示:
S1501、基于N个风险识别规则分别对目标网络图谱进行拆分处理,得到N个子图谱;
S1502、利用N个分类模型中的每个分类模型,对分类模型对应风险识别规则下拆分得到的子图谱中的商户进行风险判定,得到N个分类模型分别输出的判定结果;
S1503、根据N个分类模型分别输出的判定结果确定风险商户。
这样,通过将目标网络图谱按照不同的风险识别规则拆分为多个子图谱,进而基于每个子图谱分别进行商户风险的判定,最后综合每个子图谱的判定结果来确定最终的风险商户,如此可以从不同的风险识别角度识别风险商户,从而提高最终识别结果的准确度。
在一些实施方式中,在S1501中,N个风险识别规则可以是从多个风险识别角度设置的N个互不相同的风险识别规则。具体地,可基于账户的交易数据,从时间、稳定性、密度等特征角度设置风险识别规则,其中,时间特征角度可体现为交易时间间隔,例如两个账户之间最近两笔交易的时间间隔,稳定性角度可体现为交易或转账周期是否固定等,密度特征角度可体现为交易或转账金额在某个固定的金额区间范围内等。
基于此,例如可设置其中一个风险识别规则为“两笔交易时间间隔小于0.01s”,基于该风险识别规则,若目标网络图谱中两个账户之间最近两笔交易时间间隔小于0.01s,则保留该两个账户节点之间的连接边,否则切断该两个账户节点之间的连接边。如此,可得到与该风险识别规则对应的由目标网络图谱拆分得到的子图谱。
在一些实施方式中,在S1502中,针对不同的风险识别规则可预先训练得到不同的分类模型,该分类模型可以是用图卷积层和最大池化层堆砌形成的网络结构。
这里,一个子图谱可对应一个分类模型,例如,若子图谱m是基于风险识别规则M对目标网络图谱进行拆分后得到,则可利用针对该风险识别规则M训练得到的分类模型,对该子图谱m中所包括的商户进行风险判定,并输出得到子图谱m中每个商户对应的判定结果,其中,判定结果可以包括商户为风险商户,或者商户为正常商户。
基于此,在一些实施方式中,上述S1502具体可以包括:
对N个子图谱中的每个子图谱进行特征提取,得到与N个子图谱分别对应的特征信息,其中,特征信息中包括图特征信息和节点特征信息;
将N个子图谱中每个子图谱对应的特征信息输入至对应风险识别规则的分类模型中,利用分类模型对子图谱中的商户进行风险判定,得到N个分类模型分别输出的判定结果。
这里,图特征信息可以是用于描述图谱中节点之间连接关系的特征信息,例如度矩阵和邻接矩阵。节点特征信息可以是用于描述图谱中节点自身特征的特征信息。
示例性地,在对每个子图谱进行特征提取时,可以为每个子图谱分别构建度矩阵、邻接矩阵和记录有子图谱中每个节点自身特征信息的特征列表。基于此,可将每个子图谱中提取到的这些信息输入至相应的分类模型中,进而利用该分类模型对各自子图谱中的商户进行风险判定,确定商户是否为风险商户,得到判定结果。其中,由于一个分类模型可输出一个判定结果,因此,对于目标网络图谱中的每个商户而言,可得到N个判定结果。
在一些实施方式中,在S1503中,在获取到N个分类模型分别输出的判定结果后,可基于该N个分类模型分别输出的判定结果,最终确定风险商户。
在一些示例中,如图8所示,子图谱a可输入至分类模型A中,子图谱b可输入至分类模型B中,以此类推,再综合考虑各个分类模型分别输出的判定结果,得到最终的风险商户识别结果。
基于此,为了提高最终判定结果的准确性,可基于投票法来决定是否为风险商户。在一些实施方式中,上述S1503具体可以包括:
根据N个分类模型分别输出的判定结果,确定将第一商户判定为风险商户的判定结果占比,其中,第一商户为目标网络图谱中的任一商户;
在判定结果占比大于预设阈值的情况下,将第一商户确定为风险商户。
示例性地,若在N个分类模型分别输出的判定结果中,有n个分类模型将第一商户判定为风险商户,则将第一商户判定为风险商户的判定结果占比为n/N,在此情况下,若n/N大于预设阈值,则可将第一商户确定为风险商户,若n/N不大于预设阈值,则可将第一商户确定为正常商户。其中,预设阈值可根据实际需要进行设置,在此不作限定。
如此,通过上述投票法来决定商户是否为风险商户,可以对从不同风险识别角度判定得到的结果进行综合考虑,从而得到更加准确的最终判定结果,进一步提高风险商户识别结果的准确性。
需要说明的是,上述本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
基于相同的发明构思,本申请还提供了一种风险商户识别装置。具体结合图9进行详细说明。
图9是本申请一个实施例提供的风险商户识别装置的结构示意图。
如图9所示,该风险商户识别装置900可以包括:
信息获取模块901,用于获取与多个商户对应的商户交易信息;
图谱构建模块902,用于根据所述商户交易信息,构建以账户、用户和商户为节点的交易网络图谱,其中,所述交易网络图谱用于描述账户、用户和商户之间的关联关系;
第一识别模块903,用于基于所述交易网络图谱,从所述多个商户中识别与目标风险账户关联的疑似风险商户;
目标获取模块904,用于从所述交易网络图谱中获取与所述疑似风险商户关联的部分图谱,得到目标网络图谱;
第二识别模块905,用于基于所述目标网络图谱,利用风险商户识别模型对所述目标网络图谱中的商户进行风险识别,得到风险商户。
下面对上述风险商户识别装置900进行详细说明,具体如下所示:
在其中一些实施例中,第一识别模块903具体可以包括:
社群划分子模块,用于对所述交易网络图谱中的节点进行社群划分处理,得到与所述交易网络图谱对应的多个社群;
第一确定子模块,用于从所述多个社群中确定与所述目标风险账户关联的社群为目标社群;
第二确定子模块,用于从所述目标社群中确定与所述目标风险账户关联的商户为所述疑似风险商户。
在其中一些实施例中,所述社群划分子模块具体可以包括:
社群识别单元,用于基于预设社群识别算法,对所述交易网络图谱中的节点进行社群识别,得到多个初始社群;
社群完善单元,用于对所述多个初始社群中的每个初始社群执行如下步骤,得到与所述交易网络图谱对应的多个社群:确定所述初始社群内的核心账户,并获取所述核心账户对应的交易流向信息;根据所述交易流向信息搜索不在所述初始社群内的目标商户;在搜索到所述目标商户的情况下,将所述目标商户对应的节点归类为所述初始社群,得到所述社群。
在其中一些实施例中,所述第一确定子模块具体可以包括:
第一确定单元,用于从所述多个社群中确定所述目标风险账户所在的社群为第一目标社群;
第二确定单元,用于从所述多个社群中确定与所述第一目标社群之间具有交易关系的社群为第二目标社群;
其中,所述目标社群包括所述第一目标社群和所述第二目标社群。
在其中一些实施例中,所述第二确定子模块具体可以包括:
第三确定单元,用于从所述目标社群中确定所述目标风险账户所属的商户为第一疑似风险商户;
第四确定单元,用于从所述目标社群中确定与所述第一疑似风险商户关联的商户为第二疑似风险商户;
其中,所述疑似风险商户包括所述第一疑似风险商户和所述第二疑似风险商户。
在其中一些实施例中,所述风险商户识别模型包括N个分类模型,一个分类模型对应一个风险识别规则,其中,N为大于1的整数;
所述第二识别模块905具体可以包括:
图谱拆分子模块,用于基于N个风险识别规则分别对所述目标网络图谱进行拆分处理,得到N个子图谱;
风险判定子模块,用于利用所述N个分类模型中的每个分类模型,对所述分类模型对应风险识别规则下拆分得到的子图谱中的商户进行风险判定,得到所述N个分类模型分别输出的判定结果;
综合确定子模块,用于根据所述N个分类模型分别输出的判定结果确定风险商户。
在其中一些实施例中,所述风险判定子模块具体可以包括:
特征提取单元,用于对所述N个子图谱中的每个子图谱进行特征提取,得到与所述N个子图谱分别对应的特征信息,其中,所述特征信息中包括图特征信息和节点特征信息;
风险判定单元,用于将所述N个子图谱中每个子图谱对应的特征信息输入至对应风险识别规则的分类模型中,利用所述分类模型对所述子图谱中的商户进行风险判定,得到所述N个分类模型分别输出的判定结果。
在其中一些实施例中,所述综合确定子模块具体可以包括:
占比确定单元,用于根据所述N个分类模型分别输出的判定结果,确定将第一商户判定为风险商户的判定结果占比,其中,所述第一商户为所述目标网络图谱中的任一商户;
风险确定单元,用于在所述判定结果占比大于预设阈值的情况下,将所述第一商户确定为风险商户。
在其中一些实施例中,所述图谱构建模块902具体可以包括:
关系确定子模块,用于根据所述商户交易信息,确定多个账户、用户和商户之间的关联关系,其中,所述关联关系包括转账交易关系、账户持有关系和商户持有关系中的至少一项;
谱图构建子模块,用于基于所述关联关系,构建以账户、用户和商户为节点的交易网络图谱。
由此,通过构建用于描述账户、用户和商户之间的关联关系的交易网络图谱,利用该交易网络图谱,从多个商户中识别与目标风险账户关联的疑似风险商户,进而从该交易网络图谱中获取与该疑似风险商户关联的部分图谱,也即目标网络图谱,利用风险商户识别模型对该目标网络图谱中的商户进行风险识别,得到风险商户。这样,由于通过图谱结构可以发现各个实体之间潜在的关联关系,因此,即使关联距离较远的实体,也可依赖于图谱结构的性能优势实现基于关联路径的快速检索,从而可以发现潜在的风险商户间的关系,快速识别出潜在的风险商户群体,提高风险商户的识别效率和识别效果。
图10是本申请一个实施例提供的电子设备的结构示意图。
在电子设备1000可以包括处理器1001以及存储有计算机程序指令的存储器1002。
具体地,上述处理器1001可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器1002可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器1002可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器1002可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器1002可在综合网关容灾设备的内部或外部。在特定实施例中,存储器1002是非易失性固态存储器。
在特定实施例中,存储器可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请的一方面的方法所描述的操作。
处理器1001通过读取并执行存储器1002中存储的计算机程序指令,以实现上述实施例中的任意一种风险商户识别方法。
在一些示例中,电子设备1000还可包括通信接口1003和总线1010。其中,如图10所示,处理器1001、存储器1002、通信接口1003通过总线1010连接并完成相互间的通信。
通信接口1003主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线1010包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线1010可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线1010可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
示例性的,电子设备1000可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等。
该电子设备1000可以执行本申请实施例中的风险商户识别方法,从而实现结合图1至图9描述的风险商户识别方法和装置。
另外,结合上述实施例中的风险商户识别方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种风险商户识别方法。计算机可读存储介质的示例包括非暂态计算机可读存储介质,如便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件等。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (13)
1.一种风险商户识别方法,其特征在于,包括:
获取与多个商户对应的商户交易信息;
根据所述商户交易信息,构建以账户、用户和商户为节点的交易网络图谱,其中,所述交易网络图谱用于描述账户、用户和商户之间的关联关系;
基于所述交易网络图谱,从所述多个商户中识别与目标风险账户关联的疑似风险商户;
从所述交易网络图谱中获取与所述疑似风险商户关联的部分图谱,得到目标网络图谱;
基于所述目标网络图谱,利用风险商户识别模型对所述目标网络图谱中的商户进行风险识别,得到风险商户。
2.根据权利要求1所述的方法,其特征在于,所述基于所述交易网络图谱,从所述多个商户中识别与目标风险账户关联的疑似风险商户,包括:
对所述交易网络图谱中的节点进行社群划分处理,得到与所述交易网络图谱对应的多个社群;
从所述多个社群中确定与所述目标风险账户关联的社群为目标社群;
从所述目标社群中确定与所述目标风险账户关联的商户为所述疑似风险商户。
3.根据权利要求2所述的方法,其特征在于,所述对所述交易网络图谱中的节点进行社群划分处理,得到与所述交易网络图谱对应的多个社群,包括:
基于预设社群识别算法,对所述交易网络图谱中的节点进行社群识别,得到多个初始社群;
对所述多个初始社群中的每个初始社群执行如下步骤,得到与所述交易网络图谱对应的多个社群:
确定所述初始社群内的核心账户,并获取所述核心账户对应的交易流向信息;
根据所述交易流向信息搜索不在所述初始社群内的目标商户;
在搜索到所述目标商户的情况下,将所述目标商户对应的节点归类为所述初始社群,得到所述社群。
4.根据权利要求2所述的方法,其特征在于,所述从所述多个社群中确定与所述目标风险账户关联的社群为目标社群,包括:
从所述多个社群中确定所述目标风险账户所在的社群为第一目标社群;
从所述多个社群中确定与所述第一目标社群之间具有交易关系的社群为第二目标社群;
其中,所述目标社群包括所述第一目标社群和所述第二目标社群。
5.根据权利要求2所述的方法,其特征在于,所述从所述目标社群中确定与所述目标风险账户关联的商户为所述疑似风险商户,包括:
从所述目标社群中确定所述目标风险账户所属的商户为第一疑似风险商户;
从所述目标社群中确定与所述第一疑似风险商户关联的商户为第二疑似风险商户;
其中,所述疑似风险商户包括所述第一疑似风险商户和所述第二疑似风险商户。
6.根据权利要求1所述的方法,其特征在于,所述风险商户识别模型包括N个分类模型,一个分类模型对应一个风险识别规则,其中,N为大于1的整数;
所述基于所述目标网络图谱,利用风险商户识别模型对所述目标网络图谱中的商户进行风险识别,得到风险商户,包括:
基于N个风险识别规则分别对所述目标网络图谱进行拆分处理,得到N个子图谱;
利用所述N个分类模型中的每个分类模型,对所述分类模型对应风险识别规则下拆分得到的子图谱中的商户进行风险判定,得到所述N个分类模型分别输出的判定结果;
根据所述N个分类模型分别输出的判定结果确定风险商户。
7.根据权利要求6所述的方法,其特征在于,所述利用所述N个分类模型中的每个分类模型,对所述分类模型对应风险识别规则下拆分得到的子图谱中的商户进行风险判定,得到所述N个分类模型分别输出的判定结果,包括:
对所述N个子图谱中的每个子图谱进行特征提取,得到与所述N个子图谱分别对应的特征信息,其中,所述特征信息中包括图特征信息和节点特征信息;
将所述N个子图谱中每个子图谱对应的特征信息输入至对应风险识别规则的分类模型中,利用所述分类模型对所述子图谱中的商户进行风险判定,得到所述N个分类模型分别输出的判定结果。
8.根据权利要求6所述的方法,其特征在于,所述根据所述N个分类模型分别输出的判定结果确定风险商户,包括:
根据所述N个分类模型分别输出的判定结果,确定将第一商户判定为风险商户的判定结果占比,其中,所述第一商户为所述目标网络图谱中的任一商户;
在所述判定结果占比大于预设阈值的情况下,将所述第一商户确定为风险商户。
9.根据权利要求1所述的方法,其特征在于,所述根据所述商户交易信息,构建以账户、用户和商户为节点的交易网络图谱,包括:
根据所述商户交易信息,确定多个账户、用户和商户之间的关联关系,其中,所述关联关系包括转账交易关系、账户持有关系和商户持有关系中的至少一项;
基于所述关联关系,构建以账户、用户和商户为节点的交易网络图谱。
10.一种风险商户识别装置,其特征在于,包括:
信息获取模块,用于获取与多个商户对应的商户交易信息;
图谱构建模块,用于根据所述商户交易信息,构建以账户、用户和商户为节点的交易网络图谱,其中,所述交易网络图谱用于描述账户、用户和商户之间的关联关系;
第一识别模块,用于基于所述交易网络图谱,从所述多个商户中识别与目标风险账户关联的疑似风险商户;
目标获取模块,用于从所述交易网络图谱中获取与所述疑似风险商户关联的部分图谱,得到目标网络图谱;
第二识别模块,用于基于所述目标网络图谱,利用风险商户识别模型对所述目标网络图谱中的商户进行风险识别,得到风险商户。
11.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-9任意一项所述的风险商户识别方法的步骤。
12.一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上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-9任意一项所述的风险商户识别方法的步骤。
13.一种计算机程序产品,其特征在于,所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行如权利要求1-9任意一项所述的风险商户识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310110086.2A CN116205488A (zh) | 2023-02-13 | 2023-02-13 | 风险商户识别方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310110086.2A CN116205488A (zh) | 2023-02-13 | 2023-02-13 | 风险商户识别方法、装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116205488A true CN116205488A (zh) | 2023-06-02 |
Family
ID=86508921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310110086.2A Pending CN116205488A (zh) | 2023-02-13 | 2023-02-13 | 风险商户识别方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205488A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575796A (zh) * | 2024-01-15 | 2024-02-20 | 快捷通支付服务有限公司 | 一种用于确定商户风险信息的方法、设备及介质 |
-
2023
- 2023-02-13 CN CN202310110086.2A patent/CN116205488A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575796A (zh) * | 2024-01-15 | 2024-02-20 | 快捷通支付服务有限公司 | 一种用于确定商户风险信息的方法、设备及介质 |
CN117575796B (zh) * | 2024-01-15 | 2024-06-28 | 快捷通支付服务有限公司 | 一种用于确定商户风险信息的方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI703503B (zh) | 風險交易識別方法、裝置、伺服器及儲存媒體 | |
CN108681936B (zh) | 一种基于模块度和平衡标签传播的欺诈团伙识别方法 | |
CN112926990B (zh) | 欺诈识别的方法和装置 | |
CN106909643B (zh) | 基于知识图谱的社交媒体大数据主题发现方法 | |
US20220391911A1 (en) | System, Method, and Computer Program Product for Determining Fraud Rules | |
CN111368147B (zh) | 图特征处理的方法及装置 | |
CN111340612B (zh) | 一种账户的风险识别方法、装置及电子设备 | |
CN106817390B (zh) | 一种用户数据共享的方法和设备 | |
CN111444232A (zh) | 挖掘数字货币交易所地址的方法以及存储介质 | |
CN113052577B (zh) | 一种区块链数字货币虚拟地址的类别推测方法及系统 | |
CN113657896A (zh) | 一种基于图神经网络的区块链交易拓扑图分析方法和装置 | |
CN116205488A (zh) | 风险商户识别方法、装置、设备、介质及产品 | |
CN111127062B (zh) | 一种基于空间搜索算法的群体欺诈识别方法及装置 | |
CN113240505A (zh) | 图数据的处理方法、装置、设备、存储介质及程序产品 | |
CN111091408A (zh) | 用户识别模型创建方法、装置与识别方法、装置 | |
CN116150125A (zh) | 结构化数据生成模型的训练方法、装置、设备及存储介质 | |
CN113538126A (zh) | 基于gcn的欺诈风险预测方法及装置 | |
CN112907308B (zh) | 数据检测方法和装置、计算机可读存储介质 | |
CN114003648B (zh) | 风险交易团伙的识别方法、装置、电子设备与存储介质 | |
CN116739795A (zh) | 基于知识图谱的保险风险评估方法、装置和电子设备 | |
CN112069392B (zh) | 涉网犯罪防控方法、装置、计算机设备及存储介质 | |
CN108305182B (zh) | 一种基于拓扑结构信息的大规模网络匹配方法 | |
CN115936727A (zh) | 群组信用评分方法、装置、设备、介质及产品 | |
CN114463057A (zh) | 交易信息预测模型的训练方法和交易信息预测方法 | |
CN116503155A (zh) | 信用等级的确定方法、装置、设备及计算机存储介质 |
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 |