CN116611916A - 基于ai模型识别的数字金融反欺诈处理方法及系统 - Google Patents
基于ai模型识别的数字金融反欺诈处理方法及系统 Download PDFInfo
- Publication number
- CN116611916A CN116611916A CN202310747271.2A CN202310747271A CN116611916A CN 116611916 A CN116611916 A CN 116611916A CN 202310747271 A CN202310747271 A CN 202310747271A CN 116611916 A CN116611916 A CN 116611916A
- Authority
- CN
- China
- Prior art keywords
- financial
- behavior
- identified
- behaviors
- knowledge graph
- 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.)
- Withdrawn
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 230000006399 behavior Effects 0.000 claims abstract description 797
- 230000000875 corresponding effect Effects 0.000 claims abstract description 102
- 238000012512 characterization method Methods 0.000 claims abstract description 71
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 230000002596 correlated effect Effects 0.000 claims abstract description 21
- 230000003542 behavioural effect Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 60
- 230000011218 segmentation Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供的基于AI模型识别的数字金融反欺诈处理方法及系统,涉及人工智能技术领域。在本发明中,确定出每一个需识别金融行为对应的相关金融行为;确定出金融行为知识图谱;依据金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为之间的相关状态,形成局部金融行为知识图谱;确定出局部金融行为知识图谱中的指定需识别金融行为的紧密金融行为子知识图谱;确定出指定需识别金融行为的行为欺诈异常表征参数;基于行为欺诈异常表征参数,分析出初始欺诈识别金融行为,利用目标欺诈识别网络,确定出目标欺诈识别金融行为。基于上述内容,可以提高数字金融欺诈的识别可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于AI模型识别的数字金融反欺诈处理方法及系统。
背景技术
数字金融是指通过互联网及信息技术手段与传统金融服务业态相结合的新一代金融服务。数字金融包括互联网支付、移动支付、网上银行、金融服务外包及网上贷款、网上保险、网上基金等金融服务。欺诈,数字金融的出现,对于金融交易带来了较好的便利性,但是,安全性则随之降低,因此,需要进行金融欺诈的识别,但是,在现有技术中,存在着数字金融欺诈的识别可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于AI模型识别的数字金融反欺诈处理方法及系统,以提高数字金融欺诈的识别可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于AI模型识别的数字金融反欺诈处理方法,所述数字金融反欺诈处理方法包括:
确定出多个需识别金融行为中的每一个需识别金融行为对应的相关金融行为,所述相关金融行为与对应的需识别金融行为之间满足预先确定的指定金融行为关系规则,所述相关金融行为和所述需识别金融行为都属于数字金融领域中的网络行为,且都通过文本数据的形式进行记录;
确定出由所述多个需识别金融行为组合形成的金融行为知识图谱,在所述金融行为知识图谱中,具有连接关系的每两个需识别金融行为对应的相关金融行为之间具有重合部分;
依据所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为之间的相关状态,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱;
确定出所述局部金融行为知识图谱中的指定需识别金融行为的紧密金融行为子知识图谱,所述指定需识别金融行为的紧密金融行为子知识图谱包括所述指定需识别金融行为和与所述指定需识别金融行为之间具有预设紧密连接关系的其它需识别金融行为,所述预设紧密连接关系是指,在所述局部金融行为知识图谱中,两个需识别金融行为之间的最短遍历路径包括的需识别金融行为的数量小于或等于预设配置的目标数量;
在所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的情况下,确定出所述指定需识别金融行为的行为欺诈异常表征参数,所述行为欺诈异常表征参数用于反映所述指定需识别金融行为属于异常的欺诈行为的可能性;
基于所述指定需识别金融行为的行为欺诈异常表征参数,分析出多个所述局部金融行为知识图谱中的初始欺诈识别金融行为,利用目标欺诈识别网络,对分析出的各初始欺诈识别金融行为进行关联识别操作,以确定出目标欺诈识别金融行为,所述目标欺诈识别金融行为是指识别出的属于异常的欺诈行为,所述目标欺诈识别网络基于典型金融行为和所述典型金融行为对应的行为欺诈标签信息对初始欺诈识别网络进行网络优化形成。
在一些优选的实施例中,在上述基于AI模型识别的数字金融反欺诈处理方法中,所述在所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的情况下,确定出所述指定需识别金融行为的行为欺诈异常表征参数的步骤,包括:
确定出所述指定需识别金融行为的紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态;
在所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态与预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态;
基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态和所述预设函数关系,分析出所述指定需识别金融行为的行为欺诈异常表征参数。
在一些优选的实施例中,在上述基于AI模型识别的数字金融反欺诈处理方法中,所述基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态和所述预设函数关系,分析出所述指定需识别金融行为的行为欺诈异常表征参数的步骤,包括:
基于所述指定需识别金融行为的行为关键信息和所述预设函数关系,计算出所述指定需识别金融行为的函数误差参数;
基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态,计算出所述指定需识别金融行为的分布紧密性参数;
分别对所述指定需识别金融行为的函数误差参数和分布紧密性参数进行参数区间映射操作,以形成映射后的函数误差参数和分布紧密性参数;
基于所述映射后的函数误差参数和分布紧密性参数,确定出所述指定需识别金融行为的行为欺诈异常表征参数。
在一些优选的实施例中,在上述基于AI模型识别的数字金融反欺诈处理方法中,所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态包括所述紧密金融行为子知识图谱中各个需识别金融行为的第一类型关键信息的表征参数与第二类型关键信息的表征参数之间的相关性的信息分布状态;
所述基于所述指定需识别金融行为的行为关键信息和所述预设函数关系,计算出所述指定需识别金融行为的函数误差参数的步骤,包括:
对所述指定需识别金融行为的第二类型关键信息的表征参数进行加载,以加载到所述预设函数关系中,计算出所述指定需识别金融行为的第一类型关键信息的估计表征参数;
基于所述指定需识别金融行为的第一类型关键信息的表征参数和所述指定需识别金融行为的第一类型关键信息在所述预设函数关系中的估计表征参数,计算出所述指定需识别金融行为的函数误差参数。
在一些优选的实施例中,在上述基于AI模型识别的数字金融反欺诈处理方法中,所述基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态,计算出所述指定需识别金融行为的分布紧密性参数的步骤,包括:
基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态,确定出所述指定需识别金融行为对应的行为关键信息的对应分布坐标和所述对应分布坐标的相邻分布坐标;
计算出所述相邻分布坐标与所述对应分布坐标之间的坐标偏离度均值;
基于所述坐标偏离度均值,计算出所述对应分布坐标的部分分布紧密性参数;
计算出所述相邻分布坐标的部分分布紧密性参数;
基于所述相邻分布坐标的部分分布紧密性参数和所述对应分布坐标的部分分布紧密性参数,计算出所述指定需识别金融行为的分布紧密性参数。
在一些优选的实施例中,在上述基于AI模型识别的数字金融反欺诈处理方法中,所述分别对所述指定需识别金融行为的函数误差参数和分布紧密性参数进行参数区间映射操作,以形成映射后的函数误差参数和分布紧密性参数的步骤,包括:
确定出所述局部金融行为知识图谱中的多个指定需识别金融行为对应的多个函数误差参数;
基于所述指定需识别金融行为的函数误差参数和所述多个函数误差参数,确定出所述指定需识别金融行为的映射后的函数误差参数;
确定出所述局部金融行为知识图谱中的多个指定需识别金融行为对应的多个分布紧密性参数;
基于所述指定需识别金融行为的分布紧密性参数和所述多个分布紧密性参数,确定出所述指定需识别金融行为的映射后的分布紧密性参数。
在一些优选的实施例中,在上述基于AI模型识别的数字金融反欺诈处理方法中,所述预设函数关系包括第一预设函数关系、第二预设函数关系和第三预设函数关系;
所述在所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态与预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的步骤,包括:
在各个所述需识别金融行为的紧密金融行为子知识图谱中的连接线段累加数目与各个所述需识别金融行为具有连接关系的需识别金融行为的行为数量之间的数量对应关系,与所述第一预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态;
在各个所述需识别金融行为的紧密金融行为子知识图谱中的各连接线段的线段重要性累加值与所述连接线段累加数目之间的数量对应关系,与第二预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态;
在各个所述需识别金融行为的目标连接线段的行为关键信息表征参数与各连接线段的线段重要性累加值之间的数量对应关系,与第三预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态。
在一些优选的实施例中,在上述基于AI模型识别的数字金融反欺诈处理方法中,所述依据所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为之间的相关状态,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱的步骤,包括:
基于所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为关于行为数目之间的关系,计算出所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性;
依据所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱;
其中,所述依据所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱的步骤,包括:
对所述金融行为知识图谱中的各个需识别金融行为分别进行分配,以分配到所述多个局部金融行为知识图谱中的一个局部金融行为知识图谱中,形成初始知识图谱分割数据,并作为待处理知识图谱分割数据;
基于所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,并针对所述初始知识图谱分割数据,计算出所述金融行为知识图谱的初始图谱集中性参数;
对待处理需识别金融行为向与所述待处理需识别金融行为在所述金融行为知识图谱中具有连接关系的需识别金融行为所在的局部金融行为知识图谱中重新分配,以形成更新知识图谱分割数据;
基于所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,并针对所述更新知识图谱分割数据,计算出所述金融行为知识图谱的更新图谱集中性参数;
在所述更新图谱集中性参数大于所述初始图谱集中性参数的情况下,将所述待处理知识图谱分割数据更新为所述更新知识图谱分割数据。
在一些优选的实施例中,在上述基于AI模型识别的数字金融反欺诈处理方法中,所述基于所述指定需识别金融行为的行为欺诈异常表征参数,分析出多个所述局部金融行为知识图谱中的初始欺诈识别金融行为,利用目标欺诈识别网络,对分析出的各初始欺诈识别金融行为进行关联识别操作,以确定出目标欺诈识别金融行为的步骤,包括:
对所述多个局部金融行为知识图谱中紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的多个指定需识别金融行为,依据对应的行为欺诈异常表征参数之间的大小关系进行排列;
基于所述多个指定需识别金融行为的行为欺诈异常表征参数的大小排列关系,分析出所述多个指定需识别金融行为中的初始欺诈识别金融行为;
利用目标欺诈识别网络,对分析出的各初始欺诈识别金融行为进行关联识别操作,以确定出目标欺诈识别金融行为。
本发明实施例还提供一种基于AI模型识别的数字金融反欺诈处理系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于AI模型识别的数字金融反欺诈处理方法。
本发明实施例提供的基于AI模型识别的数字金融反欺诈处理方法及系统,可以先确定出每一个需识别金融行为对应的相关金融行为;确定出金融行为知识图谱;依据金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为之间的相关状态,形成局部金融行为知识图谱;确定出局部金融行为知识图谱中的指定需识别金融行为的紧密金融行为子知识图谱;确定出指定需识别金融行为的行为欺诈异常表征参数;基于行为欺诈异常表征参数,分析出初始欺诈识别金融行为,利用目标欺诈识别网络,确定出目标欺诈识别金融行为。基于前述的内容,由于会先基于多个需识别金融行为和对应的相关金融行为进行初步关联分析,以确定出初始欺诈识别金融行为,如此,由于初始欺诈识别金融行为的分析依据更为充分,使得初始欺诈识别金融行为的可靠度也较高,因此,基于初始欺诈识别金融行为进行地进一步神经网络欺诈识别的可靠度也更高,使得可以在一定程度上提高数字金融欺诈的识别可靠度,从而改善现有技术中存在的可靠度不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的基于AI模型识别的数字金融反欺诈处理系统的结构框图。
图2为本发明实施例提供的基于AI模型识别的数字金融反欺诈处理方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于AI模型识别的数字金融反欺诈处理装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于AI模型识别的数字金融反欺诈处理系统。其中,所述基于AI模型识别的数字金融反欺诈处理系统可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于AI模型识别的数字金融反欺诈处理方法。
应当理解的是,在一些可以实现的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是,在一些可以实现的实施方式中,所述基于AI模型识别的数字金融反欺诈处理系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种基于AI模型识别的数字金融反欺诈处理方法,可应用于上述基于AI模型识别的数字金融反欺诈处理系统。其中,所述基于AI模型识别的数字金融反欺诈处理方法有关的流程所定义的方法步骤,可以由所述基于AI模型识别的数字金融反欺诈处理系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,确定出多个需识别金融行为中的每一个需识别金融行为对应的相关金融行为。
在本发明实施例中,所述基于AI模型识别的数字金融反欺诈处理系统可以确定出多个需识别金融行为中的每一个需识别金融行为对应的相关金融行为,所述多个需识别金融行为可以是多个需要进行欺诈识别的数字金融行为,所述多个需识别金融行为之间可以不具有特定关系,也可以具有特定关系,如都属于一个用户的数字金融行为,或属于一系列的数字金融行为,在时间上和/或在空间上具有相关关系,如属于一个区域的数字金融行为。所述相关金融行为与对应的需识别金融行为之间满足预先确定的指定金融行为关系规则,例如,所述相关金融行为对应的用户与对应的需识别金融行为的用户之间属于相同的用户或属于具有网络交互的用户,又例如,可以从行为内容上来定义相关,如都属于网上贷款、网上保险、网上基金等,所述相关金融行为和所述需识别金融行为都属于数字金融领域中的网络行为,且都通过文本数据的形式进行记录。
步骤S120,确定出由所述多个需识别金融行为组合形成的金融行为知识图谱。
在本发明实施例中,所述基于AI模型识别的数字金融反欺诈处理系统可以确定出由所述多个需识别金融行为组合形成的金融行为知识图谱。在所述金融行为知识图谱中,具有连接关系的每两个需识别金融行为对应的相关金融行为之间具有重合部分,例如,需识别金融行为1对应的相关金融行为包括相关金融行为1和相关金融行为2,需识别金融行为2对应的相关金融行为包括相关金融行为2和相关金融行为3,需识别金融行为3对应的相关金融行为包括相关金融行为3和相关金融行为4,则需识别金融行为1与需识别金融行为2对应的相关金融行为之间具有重合部分(即相关金融行为2),因此,可以在所述金融行为知识图谱中将需识别金融行为1与需识别金融行为2通过连接线段进行连接,需识别金融行为1与需识别金融行为3对应的相关金融行为之间不具有重合部分,因此,可以在所述金融行为知识图谱中将需识别金融行为1与需识别金融行为3可以不通过连接线段进行连接,另外,基于相同的原理,需识别金融行为2与需识别金融行为3可以通过连接线段进行连接(即相关金融行为之间不具有重合部分)。
步骤S130,依据所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为之间的相关状态,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱。
在本发明实施例中,所述基于AI模型识别的数字金融反欺诈处理系统可以依据所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为之间的相关状态,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱。所述多个局部金融行为知识图谱之间可以相互不重合,也可以部分重合,所述多个局部金融行为知识图谱可以组合形成所述金融行为知识图谱。
步骤S140,确定出所述局部金融行为知识图谱中的指定需识别金融行为的紧密金融行为子知识图谱。
在本发明实施例中,所述基于AI模型识别的数字金融反欺诈处理系统可以确定出所述局部金融行为知识图谱中的指定需识别金融行为的紧密金融行为子知识图谱。所述指定需识别金融行为的紧密金融行为子知识图谱包括所述指定需识别金融行为和与所述指定需识别金融行为之间具有预设紧密连接关系的其它需识别金融行为,所述预设紧密连接关系是指,在所述局部金融行为知识图谱中,两个需识别金融行为之间的最短遍历路径(基于连接线段进行遍历形成的遍历路径)包括的需识别金融行为的数量小于或等于预设配置的目标数量,所述目标数量的具体数值不受限制,可以根据实际需求进行配置。示例性地,每一个所述局部金融行为知识图谱中可以包括至少一个需识别金融行为,该至少一个需识别金融行为中包括指定需识别金融行为,该指定需识别金融行为可以是该至少一个需识别金融行为中的任意一个需识别金融行为。
步骤S150,在所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的情况下,确定出所述指定需识别金融行为的行为欺诈异常表征参数。
在本发明实施例中,所述基于AI模型识别的数字金融反欺诈处理系统可以在所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的情况下,确定出所述指定需识别金融行为的行为欺诈异常表征参数。所述行为欺诈异常表征参数用于反映所述指定需识别金融行为属于异常的欺诈行为的可能性,即概率大小。
步骤S160,基于所述指定需识别金融行为的行为欺诈异常表征参数,分析出多个所述局部金融行为知识图谱中的初始欺诈识别金融行为,利用目标欺诈识别网络,对分析出的各初始欺诈识别金融行为进行关联识别操作,以确定出目标欺诈识别金融行为。
在本发明实施例中,所述基于AI模型识别的数字金融反欺诈处理系统可以基于所述指定需识别金融行为的行为欺诈异常表征参数,分析出多个所述局部金融行为知识图谱中的初始欺诈识别金融行为,利用目标欺诈识别网络,对分析出的各初始欺诈识别金融行为进行关联识别操作,以确定出目标欺诈识别金融行为,例如,对分析出的各初始欺诈识别金融行为进行关联特征挖掘(如基于注意力的交叉特征编码,具体可以参照相关的现有技术,以提高特征向量的表达能力),以得到各初始欺诈识别金融行为对应的关联挖掘行为特征向量,然后,可以基于该关联挖掘行为特征向量进行分析预测,以确定每一个初始欺诈识别金融行为是否属于目标欺诈识别金融行为。所述目标欺诈识别金融行为是指识别出的属于异常的欺诈行为,所述目标欺诈识别网络基于典型金融行为和所述典型金融行为对应的行为欺诈标签信息对初始欺诈识别网络进行网络优化形成。
基于前述的内容,由于会先基于多个需识别金融行为和对应的相关金融行为进行初步关联分析,以确定出初始欺诈识别金融行为,如此,由于初始欺诈识别金融行为的分析依据更为充分,使得初始欺诈识别金融行为的可靠度也较高,因此,基于初始欺诈识别金融行为进行地进一步神经网络欺诈识别的可靠度也更高,使得可以在一定程度上提高数字金融欺诈的识别可靠度,从而改善现有技术中存在的可靠度不高的问题。
应当理解的是,在一些可以实现的实施方式中,上文中描述的步骤S130,可以进一步包括以下描述的具体实施内容:
基于所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为关于行为数目之间的关系,计算出所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,即线段重要性与相关金融行为的数目相关;
依据所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱,如将线段重要性较大的两个需识别金融行为分割到一个局部金融行为知识图谱中。
其中,应当理解的是,在一些可以实现的实施方式中,所述基于所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为关于行为数目之间的关系,计算出所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性的步骤,可以进一步包括以下描述的具体实施内容:
对于所述金融行为知识图谱中具有连接关系的两个需识别金融行为,分别确定出该两个需识别金融行为的相关金融行为的数目(数量),以得到第一数目和第二数目,然后,可以计算该两个需识别金融行为重合的相关金融行为的数目(数量),以得到第三数目,之后,可以分别计算所述第三数目与第一数目和第二数目之间的比值,以形成第一比值和第二比值,最后,可以将第一比值和第二比值的均值或和值,确定为该两个需识别金融行为之间的连接线段的线段重要性。
应当理解的是,在一些可以实现的实施方式中,所述依据所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱的步骤,可以进一步包括以下描述的具体实施内容:
对所述金融行为知识图谱中的各个需识别金融行为分别进行分配,以分配到所述多个局部金融行为知识图谱中的一个局部金融行为知识图谱中,形成初始知识图谱分割数据,并作为待处理知识图谱分割数据,在进行局部金融行为知识图谱的分配时,可以是任意的;
基于所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,并针对所述初始知识图谱分割数据,计算出所述金融行为知识图谱的初始图谱集中性参数;
对待处理需识别金融行为向与所述待处理需识别金融行为在所述金融行为知识图谱中具有连接关系的需识别金融行为所在的局部金融行为知识图谱中重新分配,以形成更新知识图谱分割数据;
基于所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,并针对所述更新知识图谱分割数据,计算出所述金融行为知识图谱的更新图谱集中性参数,所述更新图谱集中性参数的计算方式可以与所述初始图谱集中性参数的计算方式一致;
在所述更新图谱集中性参数大于所述初始图谱集中性参数的情况下,将所述待处理知识图谱分割数据更新为所述更新知识图谱分割数据,所述初始图谱集中性参数的具体数值不受限制,可以根据实际需求进行配置。如此,可以在所述更新图谱集中性参数小于或等于所述初始图谱集中性参数的情况下,维持所述待处理知识图谱分割数据。
其中,应当理解的是,在一些可以实现的实施方式中,所述基于所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,并针对所述初始知识图谱分割数据,计算出所述金融行为知识图谱的初始图谱集中性参数的步骤,进一步包括以下描述的具体实施内容:
可以先计算出所述金融行为知识图谱中全部的连接线段的线段重要性的和值,以得到对应的线段重要性累加值;然后,对于所述金融行为知识图谱中的每两个需识别金融行为,确定该两个需识别金融行为之间的连接线段的线段重要性,得到第一线段重要性,以及,分别确定该两个需识别金融行为连接的全部的连接线段的线段重要性的和值,以得到第一和值和第二和值,再计算所述第一和值与所述第二和值之间的乘积,以及,计算该乘积与所述线段重要性累加值之间的比值,再计算所述第一线段重要性和该比值之间的差值(或计算所述第一线段重要性和该比值的正相关值之间的差值,例如,该比值等于二倍的该正相关值),以得到该两个需识别金融行为的待处理参数,最后,基于该两个需识别金融行为是否位于所述初始知识图谱分割数据中的同一个局部金融行为知识图谱中,确定出该两个需识别金融行为对应的加权系数,例如,在位于同一个局部金融行为知识图谱的时候,加权系数可以等于第一数值,在不位于同一个局部金融行为知识图谱的时候,加权系数可以等于第二数值,该第二数值可以小于该第一数值,如分别为0和1等数值,最后,基于对应的加权系数对每两个需识别金融行为的待处理参数进行加权求和计算,以输出目标待处理参数;
基于所述目标待处理参数和所述线段重要性累加值确定出所述金融行为知识图谱的初始图谱集中性参数,所述初始图谱集中性参数可以与所述目标待处理参数之间正相关,与所述线段重要性累加值之间负相关。
应当理解的是,在一些可以实现的实施方式中,上文中描述的步骤S150,可以进一步包括以下描述的具体实施内容:
确定出所述指定需识别金融行为的紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态,所述行为关键信息的信息分布状态可以根据实际需求进行配置,如与紧密金融行为子知识图谱中的连接线段累加数目之间相关,与各个所述需识别金融行为具有连接关系的需识别金融行为的行为数量之间相关;
在所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态与预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态,由于所述行为关键信息的信息分布状态的具体内容可以有多个,对应的所述预设函数关系也可以有多种,因此,具体的匹配情况不受限制;
基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态和所述预设函数关系,分析出所述指定需识别金融行为的行为欺诈异常表征参数,即欺诈的可能性估计值。
应当理解的是,在一些可以实现的实施方式中,所述预设函数关系可以包括第一预设函数关系、第二预设函数关系和第三预设函数关系,基于此,所述在所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态与预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的步骤,可以进一步包括以下描述的具体实施内容:
在各个所述需识别金融行为的紧密金融行为子知识图谱中的连接线段累加数目与各个所述需识别金融行为具有连接关系的需识别金融行为的行为数量之间的数量对应关系,与所述第一预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态,示例性地,对于每一个需识别金融行为,该需识别金融行为的紧密金融行为子知识图谱中的连接线段累加数目,属于第一区间,该第一区间的上限值可以等于与该需识别金融行为具有连接关系的需识别金融行为的行为数量的平方值,该第一区间的下限值可以等于与该需识别金融行为具有连接关系的需识别金融行为的行为数量;
在各个所述需识别金融行为的紧密金融行为子知识图谱中的各连接线段的线段重要性累加值与所述连接线段累加数目之间的数量对应关系,与第二预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态,示例性地,对于每一个需识别金融行为,该需识别金融行为的紧密金融行为子知识图谱中的各连接线段的线段重要性累加值,属于第二区间,所述第二区间的下限值等于所述连接线段累加数目,所述第二区间的上限值可以为无穷大;
在各个所述需识别金融行为的目标连接线段的行为关键信息表征参数与各连接线段的线段重要性累加值之间的数量对应关系,与第三预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态,示例性地,对于每一个需识别金融行为,该需识别金融行为的目标连接线段的行为关键信息表征参数,属于第三区间,所述第三区间的上限值等于该需识别金融行为的紧密金融行为子知识图谱中的各连接线段的线段重要性累加值,所述第三区间的下限值等于该需识别金融行为的紧密金融行为子知识图谱中的各连接线段的线段重要性累加值的二次根号值。另外,所述目标连接线段可以是指连接的各连接线段中线段重要性最大的一个连接线段,连接线段的行为关键信息表征参数可以是指,该连接线段连接的两个需识别金融行为之间的重合的相关金融行为的数量或数量占比等。也就是说,所述需识别金融行为的不同特征参数之间在异常的情况下应当满足一些相关关系,研究发现可以如前述的预设函数关系,而在满足这些相关关系的时候,可以认为可能存在异常,因此,需要进行进一步的行为欺诈异常表征参数的分析确定。
应当理解的是,在一些可以实现的实施方式中,所述基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态和所述预设函数关系,分析出所述指定需识别金融行为的行为欺诈异常表征参数的步骤,可以进一步包括以下描述的具体实施内容:
基于所述指定需识别金融行为的行为关键信息和所述预设函数关系,计算出所述指定需识别金融行为的函数误差参数;
基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态,计算出所述指定需识别金融行为的分布紧密性参数;
分别对所述指定需识别金融行为的函数误差参数和分布紧密性参数进行参数区间映射操作,以形成映射后的函数误差参数和映射后的分布紧密性参数,如所述映射后的函数误差参数和所述映射后的分布紧密性参数可以属于目标区间,如0-1等区间;
基于所述映射后的函数误差参数和所述映射后的分布紧密性参数,确定出所述指定需识别金融行为的行为欺诈异常表征参数,例如,所述映射后的函数误差参数和所述映射后的分布紧密性参数的和值,可以作为所述指定需识别金融行为的行为欺诈异常表征参数。
应当理解的是,在一些可以实现的实施方式中,所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态包括所述紧密金融行为子知识图谱中各个需识别金融行为的第一类型关键信息的表征参数与第二类型关键信息的表征参数之间的相关性的信息分布状态,基于此,所述基于所述指定需识别金融行为的行为关键信息和所述预设函数关系,计算出所述指定需识别金融行为的函数误差参数的步骤,可以进一步包括以下描述的具体实施内容:
对所述指定需识别金融行为的第二类型关键信息的表征参数进行加载,以加载到所述预设函数关系中,计算出所述指定需识别金融行为的第一类型关键信息的估计表征参数,所述第二类型关键信息的表征参数可以是所述指定需识别金融行为对应的连接线段累加数目,所述第一类型关键信息的表征参数可以是所述需识别金融行为具有连接关系的需识别金融行为的行为数量,所述预设函数关系可以是所述第一预设函数关系,示例性地,在基于所述预设函数关系确定出的初始估计表征参数属于一个区间值时,可以将其中的中位值作为所述估计表征参数;
基于所述指定需识别金融行为的第一类型关键信息的表征参数和所述指定需识别金融行为的第一类型关键信息在所述预设函数关系中的估计表征参数,计算出所述指定需识别金融行为的函数误差参数。
其中,应当理解的是,在一些可以实现的实施方式中,所述基于所述指定需识别金融行为的第一类型关键信息的表征参数和所述指定需识别金融行为的第一类型关键信息在所述预设函数关系中的估计表征参数,计算出所述指定需识别金融行为的函数误差参数的步骤,可以进一步包括以下描述的具体实施内容:
计算所述指定需识别金融行为的第一类型关键信息的表征参数和所述指定需识别金融行为的第一类型关键信息之间的绝对差值;
对所述绝对差值和预先配置的偏置参数(如0.5、1、1.5、2等数值)进行和值计算,以输出对应的和值参数,再对该和值参数进行取对数操作,以输出对应的取对数操作结果;
对所述指定需识别金融行为的第一类型关键信息的表征参数和所述指定需识别金融行为的第一类型关键信息中的较大值和较小值进行比值计算,以得到对应的调整参数,最后,计算所述调整参数和所述取对数操作结果之间的乘积,得到所述指定需识别金融行为的函数误差参数。
应当理解的是,在一些可以实现的实施方式中,所述基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态,计算出所述指定需识别金融行为的分布紧密性参数的步骤,可以进一步包括以下描述的具体实施内容:
基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态,确定出所述指定需识别金融行为对应的行为关键信息的对应分布坐标(如二维坐标,需识别金融行为对应的连接线段累加数目、与需识别金融行为具有连接关系的需识别金融行为的行为数量)和所述对应分布坐标的相邻分布坐标(如所述指定需识别金融行为的具有连接关系的其它需识别金融行为对应的分布坐标);
计算出所述相邻分布坐标与所述对应分布坐标之间的坐标偏离度均值,即与各相邻分布坐标之间的距离的均值;
基于所述坐标偏离度均值,计算出所述对应分布坐标的部分分布紧密性参数,示例性地,所述部分分布紧密性参数和所述坐标偏离度均值之间可以具有负相关的对应关系,如两者的乘积为固定值;
计算出所述相邻分布坐标的部分分布紧密性参数;
基于所述相邻分布坐标的部分分布紧密性参数和所述对应分布坐标的部分分布紧密性参数,计算出所述指定需识别金融行为的分布紧密性参数。
其中,应当理解的是,在一些可以实现的实施方式中,所述基于所述相邻分布坐标的部分分布紧密性参数和所述对应分布坐标的部分分布紧密性参数,计算出所述指定需识别金融行为的分布紧密性参数的步骤,可以进一步包括以下描述的具体实施内容:
可以先计算各所述相邻分布坐标的部分分布紧密性参数的均值,再对该均值和所述对应分布坐标的部分分布紧密性参数进行比值计算,以得到所述指定需识别金融行为的分布紧密性参数。
应当理解的是,在一些可以实现的实施方式中,所述分别对所述指定需识别金融行为的函数误差参数和分布紧密性参数进行参数区间映射操作,以形成映射后的函数误差参数和分布紧密性参数的步骤,可以进一步包括以下描述的具体实施内容:
确定出所述局部金融行为知识图谱中的多个指定需识别金融行为对应的多个函数误差参数;
基于所述指定需识别金融行为的函数误差参数和所述多个函数误差参数,确定出所述指定需识别金融行为的映射后的函数误差参数,例如,可以先计算所述多个函数误差参数的和值,再计算所述指定需识别金融行为的函数误差参数与该和值之间的比值,得到映射后的函数误差参数;
确定出所述局部金融行为知识图谱中的多个指定需识别金融行为(所述局部金融行为知识图谱中的每一个需识别金融行为都可以作为指定需识别金融行为)对应的多个分布紧密性参数;
基于所述指定需识别金融行为的分布紧密性参数和所述多个分布紧密性参数,确定出所述指定需识别金融行为的映射后的分布紧密性参数,例如,可以先计算所述多个分布紧密性参数的和值,再计算所述指定需识别金融行为的分布紧密性参数与该和值之间的比值,得到映射后的分布紧密性参数。
应当理解的是,在一些可以实现的实施方式中,上文中描述的步骤S160,可以进一步包括以下描述的具体实施内容:
对所述多个局部金融行为知识图谱中紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的多个指定需识别金融行为,依据对应的行为欺诈异常表征参数之间的大小关系进行排列;
基于所述多个指定需识别金融行为的行为欺诈异常表征参数的大小排列关系,分析出所述多个指定需识别金融行为中的初始欺诈识别金融行为,例如,可以将对应的行为欺诈异常表征参数最大的一定数量或一定数量比例的指定需识别金融行为,作为初始欺诈识别金融行为,一定数量或一定数量比例可以根据实际需求进行配置,在此不做具体的限定和描述;
利用目标欺诈识别网络,对分析出的各初始欺诈识别金融行为进行关联识别操作,以确定出目标欺诈识别金融行为。
结合图3,本发明实施例还提供一种基于AI模型识别的数字金融反欺诈处理装置,可应用于上述基于AI模型识别的数字金融反欺诈处理系统。其中,所述基于AI模型识别的数字金融反欺诈处理装置可以包括:
相关行为确定模块,用于确定出多个需识别金融行为中的每一个需识别金融行为对应的相关金融行为,所述相关金融行为与对应的需识别金融行为之间满足预先确定的指定金融行为关系规则,所述相关金融行为和所述需识别金融行为都属于数字金融领域中的网络行为,且都通过文本数据的形式进行记录;
知识图谱确定模块,用于确定出由所述多个需识别金融行为组合形成的金融行为知识图谱,在所述金融行为知识图谱中,具有连接关系的每两个需识别金融行为对应的相关金融行为之间具有重合部分;
知识图谱分割模块,用于依据所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为之间的相关状态,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱;
子知识图谱确定模块,用于确定出所述局部金融行为知识图谱中的指定需识别金融行为的紧密金融行为子知识图谱,所述指定需识别金融行为的紧密金融行为子知识图谱包括所述指定需识别金融行为和与所述指定需识别金融行为之间具有预设紧密连接关系的其它需识别金融行为,所述预设紧密连接关系是指,在所述局部金融行为知识图谱中,两个需识别金融行为之间的最短遍历路径包括的需识别金融行为的数量小于或等于预设配置的目标数量;
欺诈表征参数确定模块,用于在所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的情况下,确定出所述指定需识别金融行为的行为欺诈异常表征参数,所述行为欺诈异常表征参数用于反映所述指定需识别金融行为属于异常的欺诈行为的可能性;
欺诈识别模块,用于基于所述指定需识别金融行为的行为欺诈异常表征参数,分析出多个所述局部金融行为知识图谱中的初始欺诈识别金融行为,利用目标欺诈识别网络,对分析出的各初始欺诈识别金融行为进行关联识别操作,以确定出目标欺诈识别金融行为,所述目标欺诈识别金融行为是指识别出的属于异常的欺诈行为,所述目标欺诈识别网络基于典型金融行为和所述典型金融行为对应的行为欺诈标签信息对初始欺诈识别网络进行网络优化形成。
综上所述,本发明提供的基于AI模型识别的数字金融反欺诈处理方法及系统,可以先确定出每一个需识别金融行为对应的相关金融行为;确定出金融行为知识图谱;依据金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为之间的相关状态,形成局部金融行为知识图谱;确定出局部金融行为知识图谱中的指定需识别金融行为的紧密金融行为子知识图谱;确定出指定需识别金融行为的行为欺诈异常表征参数;基于行为欺诈异常表征参数,分析出初始欺诈识别金融行为,利用目标欺诈识别网络,确定出目标欺诈识别金融行为。基于前述的内容,由于会先基于多个需识别金融行为和对应的相关金融行为进行初步关联分析,以确定出初始欺诈识别金融行为,如此,由于初始欺诈识别金融行为的分析依据更为充分,使得初始欺诈识别金融行为的可靠度也较高,因此,基于初始欺诈识别金融行为进行地进一步神经网络欺诈识别的可靠度也更高,使得可以在一定程度上提高数字金融欺诈的识别可靠度,从而改善现有技术中存在的可靠度不高的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于AI模型识别的数字金融反欺诈处理方法,其特征在于,所述数字金融反欺诈处理方法包括:
确定出多个需识别金融行为中的每一个需识别金融行为对应的相关金融行为,所述相关金融行为与对应的需识别金融行为之间满足预先确定的指定金融行为关系规则,所述相关金融行为和所述需识别金融行为都属于数字金融领域中的网络行为,且都通过文本数据的形式进行记录;
确定出由所述多个需识别金融行为组合形成的金融行为知识图谱,在所述金融行为知识图谱中,具有连接关系的每两个需识别金融行为对应的相关金融行为之间具有重合部分;
依据所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为之间的相关状态,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱;
确定出所述局部金融行为知识图谱中的指定需识别金融行为的紧密金融行为子知识图谱,所述指定需识别金融行为的紧密金融行为子知识图谱包括所述指定需识别金融行为和与所述指定需识别金融行为之间具有预设紧密连接关系的其它需识别金融行为,所述预设紧密连接关系是指,在所述局部金融行为知识图谱中,两个需识别金融行为之间的最短遍历路径包括的需识别金融行为的数量小于或等于预设配置的目标数量;
在所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的情况下,确定出所述指定需识别金融行为的行为欺诈异常表征参数,所述行为欺诈异常表征参数用于反映所述指定需识别金融行为属于异常的欺诈行为的可能性;
基于所述指定需识别金融行为的行为欺诈异常表征参数,分析出多个所述局部金融行为知识图谱中的初始欺诈识别金融行为,利用目标欺诈识别网络,对分析出的各初始欺诈识别金融行为进行关联识别操作,以确定出目标欺诈识别金融行为,所述目标欺诈识别金融行为是指识别出的属于异常的欺诈行为,所述目标欺诈识别网络基于典型金融行为和所述典型金融行为对应的行为欺诈标签信息对初始欺诈识别网络进行网络优化形成。
2.如权利要求1所述的基于AI模型识别的数字金融反欺诈处理方法,其特征在于,所述在所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的情况下,确定出所述指定需识别金融行为的行为欺诈异常表征参数的步骤,包括:
确定出所述指定需识别金融行为的紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态;
在所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态与预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态;
基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态和所述预设函数关系,分析出所述指定需识别金融行为的行为欺诈异常表征参数。
3.如权利要求2所述的基于AI模型识别的数字金融反欺诈处理方法,其特征在于,所述基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态和所述预设函数关系,分析出所述指定需识别金融行为的行为欺诈异常表征参数的步骤,包括:
基于所述指定需识别金融行为的行为关键信息和所述预设函数关系,计算出所述指定需识别金融行为的函数误差参数;
基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态,计算出所述指定需识别金融行为的分布紧密性参数;
分别对所述指定需识别金融行为的函数误差参数和分布紧密性参数进行参数区间映射操作,以形成映射后的函数误差参数和分布紧密性参数;
基于所述映射后的函数误差参数和分布紧密性参数,确定出所述指定需识别金融行为的行为欺诈异常表征参数。
4.如权利要求3所述的基于AI模型识别的数字金融反欺诈处理方法,其特征在于,所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态包括所述紧密金融行为子知识图谱中各个需识别金融行为的第一类型关键信息的表征参数与第二类型关键信息的表征参数之间的相关性的信息分布状态;
所述基于所述指定需识别金融行为的行为关键信息和所述预设函数关系,计算出所述指定需识别金融行为的函数误差参数的步骤,包括:
对所述指定需识别金融行为的第二类型关键信息的表征参数进行加载,以加载到所述预设函数关系中,计算出所述指定需识别金融行为的第一类型关键信息的估计表征参数;
基于所述指定需识别金融行为的第一类型关键信息的表征参数和所述指定需识别金融行为的第一类型关键信息在所述预设函数关系中的估计表征参数,计算出所述指定需识别金融行为的函数误差参数。
5.如权利要求3所述的基于AI模型识别的数字金融反欺诈处理方法,其特征在于,所述基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态,计算出所述指定需识别金融行为的分布紧密性参数的步骤,包括:
基于所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态,确定出所述指定需识别金融行为对应的行为关键信息的对应分布坐标和所述对应分布坐标的相邻分布坐标;
计算出所述相邻分布坐标与所述对应分布坐标之间的坐标偏离度均值;
基于所述坐标偏离度均值,计算出所述对应分布坐标的部分分布紧密性参数;
计算出所述相邻分布坐标的部分分布紧密性参数;
基于所述相邻分布坐标的部分分布紧密性参数和所述对应分布坐标的部分分布紧密性参数,计算出所述指定需识别金融行为的分布紧密性参数。
6.如权利要求3所述的基于AI模型识别的数字金融反欺诈处理方法,其特征在于,所述分别对所述指定需识别金融行为的函数误差参数和分布紧密性参数进行参数区间映射操作,以形成映射后的函数误差参数和分布紧密性参数的步骤,包括:
确定出所述局部金融行为知识图谱中的多个指定需识别金融行为对应的多个函数误差参数;
基于所述指定需识别金融行为的函数误差参数和所述多个函数误差参数,确定出所述指定需识别金融行为的映射后的函数误差参数;
确定出所述局部金融行为知识图谱中的多个指定需识别金融行为对应的多个分布紧密性参数;
基于所述指定需识别金融行为的分布紧密性参数和所述多个分布紧密性参数,确定出所述指定需识别金融行为的映射后的分布紧密性参数。
7.如权利要求2所述的基于AI模型识别的数字金融反欺诈处理方法,其特征在于,所述预设函数关系包括第一预设函数关系、第二预设函数关系和第三预设函数关系;
所述在所述紧密金融行为子知识图谱中各个需识别金融行为的行为关键信息的信息分布状态与预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的步骤,包括:
在各个所述需识别金融行为的紧密金融行为子知识图谱中的连接线段累加数目与各个所述需识别金融行为具有连接关系的需识别金融行为的行为数量之间的数量对应关系,与所述第一预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态;
在各个所述需识别金融行为的紧密金融行为子知识图谱中的各连接线段的线段重要性累加值与所述连接线段累加数目之间的数量对应关系,与第二预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态;
在各个所述需识别金融行为的目标连接线段的行为关键信息表征参数与各连接线段的线段重要性累加值之间的数量对应关系,与第三预设函数关系匹配的情况下,判定所述指定需识别金融行为的紧密金融行为子知识图谱具有预设类型的知识图谱分布状态。
8.如权利要求1所述的基于AI模型识别的数字金融反欺诈处理方法,其特征在于,所述依据所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为之间的相关状态,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱的步骤,包括:
基于所述金融行为知识图谱中具有连接关系的需识别金融行为分别对应的相关金融行为与重合的相关金融行为关于行为数目之间的关系,计算出所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性;
依据所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱;
其中,所述依据所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,对所述金融行为知识图谱进行分割操作,以形成对应的多个局部金融行为知识图谱的步骤,包括:
对所述金融行为知识图谱中的各个需识别金融行为分别进行分配,以分配到所述多个局部金融行为知识图谱中的一个局部金融行为知识图谱中,形成初始知识图谱分割数据,并作为待处理知识图谱分割数据;
基于所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,并针对所述初始知识图谱分割数据,计算出所述金融行为知识图谱的初始图谱集中性参数;
对待处理需识别金融行为向与所述待处理需识别金融行为在所述金融行为知识图谱中具有连接关系的需识别金融行为所在的局部金融行为知识图谱中重新分配,以形成更新知识图谱分割数据;
基于所述金融行为知识图谱中具有连接关系的需识别金融行为之间的连接线段的线段重要性,并针对所述更新知识图谱分割数据,计算出所述金融行为知识图谱的更新图谱集中性参数;
在所述更新图谱集中性参数大于所述初始图谱集中性参数的情况下,将所述待处理知识图谱分割数据更新为所述更新知识图谱分割数据。
9.如权利要求1所述的基于AI模型识别的数字金融反欺诈处理方法,其特征在于,所述基于所述指定需识别金融行为的行为欺诈异常表征参数,分析出多个所述局部金融行为知识图谱中的初始欺诈识别金融行为,利用目标欺诈识别网络,对分析出的各初始欺诈识别金融行为进行关联识别操作,以确定出目标欺诈识别金融行为的步骤,包括:
对所述多个局部金融行为知识图谱中紧密金融行为子知识图谱具有预设类型的知识图谱分布状态的多个指定需识别金融行为,依据对应的行为欺诈异常表征参数之间的大小关系进行排列;
基于所述多个指定需识别金融行为的行为欺诈异常表征参数的大小排列关系,分析出所述多个指定需识别金融行为中的初始欺诈识别金融行为;
利用目标欺诈识别网络,对分析出的各初始欺诈识别金融行为进行关联识别操作,以确定出目标欺诈识别金融行为。
10.一种基于AI模型识别的数字金融反欺诈处理系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310747271.2A CN116611916A (zh) | 2023-06-25 | 2023-06-25 | 基于ai模型识别的数字金融反欺诈处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310747271.2A CN116611916A (zh) | 2023-06-25 | 2023-06-25 | 基于ai模型识别的数字金融反欺诈处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611916A true CN116611916A (zh) | 2023-08-18 |
Family
ID=87683697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310747271.2A Withdrawn CN116611916A (zh) | 2023-06-25 | 2023-06-25 | 基于ai模型识别的数字金融反欺诈处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611916A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575596A (zh) * | 2023-09-06 | 2024-02-20 | 临沂万鼎网络科技有限公司 | 基于人工智能的欺诈行为分析方法及数字金融大数据系统 |
-
2023
- 2023-06-25 CN CN202310747271.2A patent/CN116611916A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575596A (zh) * | 2023-09-06 | 2024-02-20 | 临沂万鼎网络科技有限公司 | 基于人工智能的欺诈行为分析方法及数字金融大数据系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Salamai et al. | Dynamic voting classifier for risk identification in supply chain 4.0. | |
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN115174231B (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
CN116611916A (zh) | 基于ai模型识别的数字金融反欺诈处理方法及系统 | |
US20220351207A1 (en) | System and method for optimization of fraud detection model | |
CN112950347B (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
Poghosyan et al. | Managing cloud infrastructures by a multi-layer data analytics | |
CN111738356A (zh) | 特异化数据的对象特征生成方法、装置、设备及存储介质 | |
US20230156043A1 (en) | System and method of supporting decision-making for security management | |
CN111340365A (zh) | 企业数据处理方法、装置、计算机设备和存储介质 | |
CN112949885A (zh) | 派件方式预测方法、装置、存储介质和电子设备 | |
CN115907898A (zh) | 对再保客户进行金融产品推荐的方法及其相关设备 | |
CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 | |
CN113269483A (zh) | 智能金库系统的管理方法、装置、介质及电子设备 | |
CN111737319A (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
CN115906170B (zh) | 应用于存储集群的安全防护方法及ai系统 | |
CN115599312B (zh) | 基于存储集群的大数据处理方法及ai系统 | |
CN110992129A (zh) | 车辆订单匹配方法、装置、计算机设备和存储介质 | |
CN117311644A (zh) | 一种智慧物流数据的存储管控方法及系统 | |
CN113177002B (zh) | 基于测试点的测试设计方法、装置、电子设备和介质 | |
CN114741673B (zh) | 行为风险检测方法、聚类模型构建方法、装置 | |
CN117201183A (zh) | 一种互联网设备的安全访问方法及系统 | |
CN116843291A (zh) | 一种交易数据校验方法、装置、设备和存储介质 | |
CN116739605A (zh) | 交易数据检测方法、装置、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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230818 |