CN116823451A - 一种信贷风险控制方法与系统 - Google Patents
一种信贷风险控制方法与系统 Download PDFInfo
- Publication number
- CN116823451A CN116823451A CN202311000939.3A CN202311000939A CN116823451A CN 116823451 A CN116823451 A CN 116823451A CN 202311000939 A CN202311000939 A CN 202311000939A CN 116823451 A CN116823451 A CN 116823451A
- Authority
- CN
- China
- Prior art keywords
- risk
- fraud
- determining
- historical
- user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012954 risk control Methods 0.000 title claims abstract description 43
- 230000006399 behavior Effects 0.000 claims abstract description 85
- 238000012502 risk assessment Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000002776 aggregation Effects 0.000 claims description 44
- 238000004220 aggregation Methods 0.000 claims description 44
- 238000011156 evaluation Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种信贷风险控制方法与系统,属于数据处理技术领域,具体包括:通过临近地点用户的聚集性的历史信贷行为的识别结果进行历史欺诈风险评估值、风险用户和疑似风险用户的确定,并进行历史行为欺诈风险的确定,并通过历史行为欺诈风险以及聚集欺诈风险存在欺诈风险时,对临近地点用户的人脸识别图像的背景图像进行识别得到识别结果,并根据识别结果进行疑似欺诈用户的筛选,通过疑似欺诈用户的数量以及识别结果、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,并通过所述欺诈风险确定是否需要进行风险控制,从而实现了对聚集性信贷风险的准确识别和控制。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种信贷风险控制方法与系统。
背景技术
场所聚集行为在金融借贷场景属于高风险行为,通常团伙性欺诈案件会伴随着在同一场所聚集申请和支用的行为,如何实现对场所聚集行为的识别,有效识别和防范金融借贷领域的团伙性欺诈风险,实现对信贷风险的控制成为亟待解决的技术问题。
为了实现对场所聚集行为的识别,实现对信贷风险的控制,在发明专利《一种识别聚集性风险的监测方法、装置及存储介质》中通过所述数据埋点获取用户办理业务时使用的埋点数据,基于埋点数据和业务数据获取聚集性风险的监测规则维度所对应的指标实现对聚集性风险的确定,但是却存在以下技术问题:
忽视了对用户的历史场所聚集行为的识别实现对用户的聚集行为风险的确定,具体的,对于存在疑似性的聚集行为或者存在聚集行为的用户,此时其再次发生欺诈的可能性更大,因此若不能考虑上述因素,则无法准确的实现对聚集性风险的识别和判断。
忽视了根据用户的人脸识别图像中背景的相似性识别结果进行用户的聚集行为风险的确定,具体的,由于终端或者定位地址等均可能采用隐藏或者软件方式进行篡改,而图像背景的可信度明显更高,因此若不能结合人脸识别图像中背景的相似性识别结果,则无法准确的实现对聚集行为风险的确定。
针对上述技术问题,本发明提供了一种信贷风险控制方法与系统。
发明内容
为实现本发明目的,本发明采用如下技术方案:
根据本发明的一个方面,提供了一种信贷风险控制方法。
一种信贷风险控制方法,其特征在于,具体包括:
S11根据用户的信贷行为数据的时间特征和空间特征进行在设定时间内的临近地点用户的确定,根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定,通过聚集欺诈风险确定是否存在欺诈风险,若是,进入步骤S13,若否,则进入步骤S12;
S12通过所述临近地点用户的聚集性的历史信贷行为的识别结果进行所述临近地点用户的历史欺诈风险评估值、风险用户和疑似风险用户的确定,通过所述风险用户和疑似风险用户的数量、所述临近地点用户的历史欺诈风险评估值进行历史行为欺诈风险的确定,并通过所述历史行为欺诈风险以及所述聚集欺诈风险确定是否存在欺诈风险,若是,则进入步骤S13,若否,则确定不存在欺诈风险;
S13对所述临近地点用户的人脸识别图像的背景图像 (需在用户同意的前提下才进行获取) 进行识别得到识别结果,并根据所述识别结果进行疑似欺诈用户的筛选,通过所述疑似欺诈用户的数量以及识别结果、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,并通过所述欺诈风险确定是否需要进行风险控制。
根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定,从而实现了从距离较近的用户的数量以及不同时段内的用户的数量以及操作类型实现了对聚集欺诈风险的准确判断,实现了对用户的聚集欺诈风险的准确识别。
通过所述风险用户和疑似风险用户的数量、所述临近地点用户的历史欺诈风险评估值进行历史行为欺诈风险的确定,从而实现了从临近地点用户的历史欺诈行为实现了进一步的判断,进一步保证了欺诈风险的识别的准确性。
通过所述疑似欺诈用户的数量以及识别结果、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,从而实现了从人脸识别图像的角度对欺诈风险的进一步确认,并且综合考虑多重因素,实现了对欺诈风险的识别的准确性和可靠性。
进一步的,所述信贷行为数据的时间特征根据所述用户的信贷行为的发生时间进行确定,所述信贷行为数据的空间特征根据所述用户的信贷行为的发生地点进行确定,具体根据所述用户的信贷行为的定位地点进行确定。
进一步的,所述临近地点用户的确定的方法为:
根据所述用户的空间特征进行所述用户的信贷行为发生地的确定,并以设定面积为约束条件,将在所述设定面积内的信贷行为发生地对应的用户作为临近地点用户。
进一步的,所述临近地点用户的历史欺诈风险评估值大于设定风险值时,则确定所述临近地点用户为风险用户;当所述临近地点用户的历史欺诈风险评估值大于第二设定风险值时,则确定所述临近地点用户为疑似风险用户,其中所述设定风险值大于第二设定风险值。
进一步的,通过所述历史行为欺诈风险以及所述聚集欺诈风险确定是否存在欺诈风险,具体包括:
通过所述历史行为欺诈风险确定是否存在欺诈风险,若是,则确定存在欺诈风险,若否,则进入下一步骤;
通过所述历史行为欺诈风险以及所述临近地点用户的数量确定是否需要进一步的评估,若是,则进入下一步骤,若否,则确定不存在欺诈风险;
通过所述聚集欺诈风险以及所述历史行为欺诈风险进行欺诈风险概率的确定,并通过所述欺诈风险概率定是否存在欺诈风险。
第二方面,本发明提供了一种信贷风险控制系统,采用上述的一种信贷风险控制方法,具体包括:
用户确定模块;聚集欺诈风险确定模块;历史行为欺诈风险确定模块;疑似欺诈用户筛选模块;欺诈风险确定模块;
其中所述用户确定模块负责根据用户的信贷行为数据的时间特征和空间特征进行在设定时间内的临近地点用户的确定;
所述聚集欺诈风险确定模块负责根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定;
所述历史行为欺诈风险确定模块负责通过所述临近地点用户的聚集性的历史信贷行为的识别结果进行所述临近地点用户的历史欺诈风险评估值、风险用户和疑似风险用户的确定,通过所述风险用户和疑似风险用户的数量、所述临近地点用户的历史欺诈风险评估值进行历史行为欺诈风险的确定;
所述疑似欺诈用户筛选模块负责对所述临近地点用户的人脸识别图像的背景图像进行识别得到识别结果,并根据所述识别结果进行疑似欺诈用户的筛选;
所述欺诈风险确定模块负责通过所述疑似欺诈用户的数量以及识别结果、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,并通过所述欺诈风险确定是否需要进行风险控制。
第三方面,本发明提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种信贷风险控制方法。
第四方面,本申请实施例中提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种信贷风险控制方法。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
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
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显;
图1是一种信贷风险控制方法的流程图;
图2是聚集欺诈风险的确定的方法的流程图;
图3是临近地点用户的历史欺诈风险评估值的确定的方法的流程图;
图4是历史行为欺诈风险的确定的方法的流程图;
图5是欺诈风险的确定的方法的确定的流程图;
图6是一种信贷风险控制系统的框架图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,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,都应当属于本说明书保护的范围。
本申请中的人脸识别图像必须在用户同意的基础上才进行获取。
为解决上述问题,根据本发明的一个方面,如图1所示,提供了根据本发明的一种信贷风险控制方法,其特征在于,具体包括:
S11根据用户的信贷行为数据的时间特征和空间特征进行在设定时间内的临近地点用户的确定,根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定,通过聚集欺诈风险确定是否存在欺诈风险,若是,进入步骤S13,若否,则进入步骤S12;
需要说明的是,所述信贷行为数据的时间特征根据所述用户的信贷行为的发生时间进行确定,所述信贷行为数据的空间特征根据所述用户的信贷行为的发生地点进行确定,具体根据所述用户的信贷行为的定位地点进行确定。
进一步的,所述临近地点用户的确定的方法为:
根据所述用户的空间特征进行所述用户的信贷行为发生地的确定,并以设定面积为约束条件,将在所述设定面积内的信贷行为发生地对应的用户作为临近地点用户。
具体的举例说明,将在相同的定位地点的1小时以内的发生信贷行为的用户作为临近地点用户。
具体的,如图2所示,所述聚集欺诈风险的确定的方法为:
S21获取所述临近地点用户的数量,并根据所述临近地点用户的数量是否小于预设数量,若是,则确定无需进行历史行为欺诈风险的确定,并确定不存在欺诈风险,若否,则进入步骤S22;
可以理解的是,当临近地点用户的数量较少时,此时一般来说不存在欺诈风险,即不存在聚集性的欺诈风险。
S22通过所述临近地点用户的数量确定是否存在聚集欺诈风险,若是,则进入步骤S25,若否,则进入步骤S23;
S23通过在设定时间内的不同时段的临近地点用户的数量进行可疑时段的筛选,并根据所述可疑时段的数量以及时长,并结合所述可疑时段的临近地点用户的数量进行在设定时间内的可疑时段评估值的确定,通过所述可疑时段评估值确定是否存在聚集欺诈风险,若是,则进入步骤S25,若否,则进入步骤S24;
S24通过在所述可疑时段的临近地点用户的信贷行为类型进行相同的信贷行为类型的临近地点用户的确定,并将所述相同的信贷行为类型的临近地点用户作为相同临近用户,通过所述可疑时段的相同临近用户的数量进行疑似风险时段的确定,通过所述疑似风险时段的数量以及时长,并结合所述疑似风险时段的相同临近用户的数量进行在设定时间内的疑似风险时段评估值的确定,通过所述疑似风险时段评估值确定是否存在聚集欺诈风险,若是,则进入步骤S25,若否,则确定不存在欺诈风险,并通过所述疑似风险时段评估值进行聚集欺诈风险的确定;
S25通过所述疑似风险时段评估值、可疑时段评估值以及所述临近地点用户的数量进行所述聚集欺诈风险的确定。
需要说明的是,所述可疑时段评估值的取值范围在0到1之间,并当所述可疑时段评估值不满足要求时,则确定存在聚集欺诈风险。
在本实施例中,根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定,从而实现了从距离较近的用户的数量以及不同时段内的用户的数量以及操作类型实现了对聚集欺诈风险的准确判断,实现了对用户的聚集欺诈风险的准确识别。
S12通过所述临近地点用户的聚集性的历史信贷行为的识别结果进行所述临近地点用户的历史欺诈风险评估值、风险用户和疑似风险用户的确定,通过所述风险用户和疑似风险用户的数量、所述临近地点用户的历史欺诈风险评估值进行历史行为欺诈风险的确定,并通过所述历史行为欺诈风险以及所述聚集欺诈风险确定是否存在欺诈风险,若是,则进入步骤S13,若否,则确定不存在欺诈风险;
具体的,如图3所示,所述临近地点用户的历史欺诈风险评估值的确定的方法为:
S31获取所述临近地点用户的历史信贷行为确定是否所述临近地点用户是否被认定过为疑似欺诈用户或者欺诈用户,若是,则进入下一步骤,若否,则确定不存在欺诈风险;
S32将所述临近地点用户被认定为疑似欺诈用户的历史信贷行为的次数作为历史风险次数,并通过所述历史风险次数确定所述临近地点用户是否为风险用户,若是,则确定所述临近地点用户为风险用户,并通过所述历史风险次数进行所述临近地点用户的历史欺诈风险评估值的确定,若否,则进入下一步骤;
具体的,通过历史风险次数进行临近地点用户的历史欺诈风险评估值的确定,具体的可以通过数学模型的方式进行确定,历史风险次数越多,此时的历史欺诈风险评估值越大,在实际的操作过程中,通过历史风险次数的倒数进行补偿量的确定,并通过1与所述补偿量的差值进行临近地点用户的历史欺诈风险评估值的确定。
S33通过所述临近地点用户的历史风险次数以及所述临近地点用户的历史信贷行为的次数的比值进行所述临近地点用户的历史风险次数比的确定,并通过所述历史风险次数比确定所述临近地点用户是否为风险用户,若是,则确定所述临近地点用户为风险用户,并通过所述历史风险次数比进行所述临近地点用户的历史欺诈风险评估值的确定,若否,则进入下一步骤;
S34通过所述临近地点用户的历史风险次数比以及所述历史风险次数,在最近的指定时间内的历史风险次数比以及所述历史风险次数,并结合所述临近地点用户被认定为欺诈用户的次数以及历史信贷行为的次数进行所述临近地点用户的历史欺诈风险评估值的确定。
需要说明的是,所述临近地点用户的历史欺诈风险评估值大于设定风险值时,则确定所述临近地点用户为风险用户;当所述临近地点用户的历史欺诈风险评估值大于第二设定风险值时,则确定所述临近地点用户为疑似风险用户,其中所述设定风险值大于第二设定风险值。
具体的,如图4所示,所述历史行为欺诈风险的确定的方法为:
S41获取所述风险用户的数量,并通过所述风险用户的数量确定是否存在欺诈风险,若是,则进入步骤S43,若否,则进入步骤S42;
S42获取所述疑似风险用户的数量,并通过所述疑似风险用户的数量以及所述风险用户的数量确定是否存在欺诈风险,若是,则进入步骤S43,若否,则确定不存在欺诈风险;
S43通过所述风险用户的数量以及风险用户的数量与所述临近地点用户的数量的比值,并结合所述风险用户的历史欺诈风险评估值的和以及均值进行所述风险用户的历史欺诈风险的确定;
S44通过所述疑似风险用户的数量以及疑似风险用户的数量与所述临近地点用户的数量的比值,并结合所述疑似风险用户的历史欺诈风险评估值的和以及均值进行所述疑似风险用户的历史欺诈风险的确定;
S45通过所述风险用户的历史欺诈风险、疑似风险用户的历史欺诈风险,并结合所述临近地点用户的历史欺诈风险评估值以及数量进行所述历史行为欺诈风险的确定。
可以理解的是,通过所述历史行为欺诈风险以及所述聚集欺诈风险确定是否存在欺诈风险,具体包括:
通过所述历史行为欺诈风险确定是否存在欺诈风险,若是,则确定存在欺诈风险,若否,则进入下一步骤;
通过所述历史行为欺诈风险以及所述临近地点用户的数量确定是否需要进一步的评估,若是,则进入下一步骤,若否,则确定不存在欺诈风险;
通过所述聚集欺诈风险以及所述历史行为欺诈风险进行欺诈风险概率的确定,并通过所述欺诈风险概率定是否存在欺诈风险。
在本实施例中,通过所述风险用户和疑似风险用户的数量、所述临近地点用户的历史欺诈风险评估值进行历史行为欺诈风险的确定,从而实现了从临近地点用户的历史欺诈行为实现了进一步的判断,进一步保证了欺诈风险的识别的准确性。
S13对所述临近地点用户的人脸识别图像的背景图像 (需在用户同意的前提下才进行获取) 进行识别得到识别结果,并根据所述识别结果进行疑似欺诈用户的筛选,通过所述疑似欺诈用户的数量以及识别结果、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,并通过所述欺诈风险确定是否需要进行风险控制。
具体的,如图5所示,所述欺诈风险的确定的方法为:
S51获取所述疑似欺诈用户的数量,并通过所述疑似欺诈用户的数量确定是否存在欺诈风险,若是,则通过所述疑似欺诈用户的数量进行欺诈风险的确定,若否,则进入下一步骤;
S52根据所述疑似欺诈用户的识别结果进行所述疑似欺诈用户与其它的临近地点用户的人脸识别图像的背景图像的相似度的确定,并将所述相似度满足要求的其它的临近地点用户的作为相似用户,通过所述相似用户的数量进行所述疑似欺诈用户的权值的确定,并通过所有的疑似欺诈用户的权值的和确定是否存在欺诈风险,若是,则通过所有的疑似欺诈用户的权值的和进行欺诈风险的确定,若否,则进入下一步骤;
S53通过所述疑似欺诈用户与其它的临近地点用户的人脸识别图像的背景图像的相似度进行相似用户以及区别用户的筛选,并通过所述相似用户的相似度、区别用户的数量以及相似度进行所述疑似欺诈用户的聚集欺诈风险评估值的确定,并通过所述疑似欺诈用户的聚集欺诈风险评估值以及权值进行修正聚集欺诈风险评估值的确定,并结合所述疑似欺诈用户的数量以及所述疑似欺诈用户的权值的和进行实时欺诈风险的确定;
S54通过所述实时欺诈风险、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定。
需要说明的是,欺诈风险采用基于PSO-BP神经网络算法的模型进行确定,具体的:
Step1:归一化。由于实时欺诈风险、聚集欺诈风险、历史行为欺诈风的参数单位不同,数量级也存在区别,因此对数据进行归一化处理,把它们映射到[0,1]范围内,使其在同一个数量级上。
Step2:样本分组。为了避免出现样本不平衡问题,将训练数据各截取100组共400组作为样本。
Step3:BP神经网络构建。BP神经网络的框架由输入、输出、隐藏组成,输入层和输出层均只有一层,而隐含层可以是单隐含层或多隐含层。多隐藏层的优势在于 可以降低训练误差,提高计算准确率,缺点在于使模型训练时间过长,故本文采用单隐含层的神经网络结构,隐含层数量通过PSO算法进行确定。
Step4:网络参数配置。配置迭代次数为20000,学习率为0.01,目标为0.00004。
Step5:BP神经网络训练。
Step6:BP神经网络分类输出,并根据输出结果进行欺诈风险的确定。
在本实施例中,通过所述疑似欺诈用户的数量以及识别结果、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,从而实现了从人脸识别图像的角度对欺诈风险的进一步确认,并且综合考虑多重因素,实现了对欺诈风险的识别的准确性和可靠性。
另一方面,如图6所示,本发明提供了一种信贷风险控制系统,采用上述的一种信贷风险控制方法,具体包括:
用户确定模块;聚集欺诈风险确定模块;历史行为欺诈风险确定模块;疑似欺诈用户筛选模块;欺诈风险确定模块;
其中所述用户确定模块负责根据用户的信贷行为数据的时间特征和空间特征进行在设定时间内的临近地点用户的确定;
所述聚集欺诈风险确定模块负责根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定;
所述历史行为欺诈风险确定模块负责通过所述临近地点用户的聚集性的历史信贷行为的识别结果进行所述临近地点用户的历史欺诈风险评估值、风险用户和疑似风险用户的确定,通过所述风险用户和疑似风险用户的数量、所述临近地点用户的历史欺诈风险评估值进行历史行为欺诈风险的确定;
所述疑似欺诈用户筛选模块负责对所述临近地点用户的人脸识别图像的背景图像进行识别得到识别结果,并根据所述识别结果进行疑似欺诈用户的筛选;
所述欺诈风险确定模块负责通过所述疑似欺诈用户的数量以及识别结果、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,并通过所述欺诈风险确定是否需要进行风险控制。
另一方面,本发明提供了一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行上述的一种信贷风险控制方法。
其中上述的一种信贷风险控制方法,具体包括:
根据用户的信贷行为数据的时间特征和空间特征进行在设定时间内的临近地点用户的确定,根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定,通过聚集欺诈风险确定存在欺诈风险,时,进入下一步骤;
根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定;
将所述临近地点用户被认定为疑似欺诈用户的历史信贷行为的次数作为历史风险次数,并通过所述历史风险次数确定所述临近地点用户不属于风险用户时,通过所述临近地点用户的历史风险次数以及所述临近地点用户的历史信贷行为的次数的比值进行所述临近地点用户的历史风险次数比的确定,并通过所述历史风险次数比确定所述临近地点用户不属于风险用户时,进入下一步骤;
通过所述临近地点用户的历史风险次数比以及所述历史风险次数,在最近的指定时间内的历史风险次数比以及所述历史风险次数,并结合所述临近地点用户被认定为欺诈用户的次数以及历史信贷行为的次数进行所述临近地点用户的历史欺诈风险评估值的确定,并通过历史欺诈风险评估值进行风险用户和疑似风险用户的确定,通过所述风险用户和疑似风险用户的数量、所述临近地点用户的历史欺诈风险评估值进行历史行为欺诈风险的确定;
对所述临近地点用户的人脸识别图像的背景图像进行识别得到识别结果,并根据所述识别结果进行疑似欺诈用户的筛选,通过所述疑似欺诈用户的数量以及识别结果、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,并通过所述欺诈风险确定是否需要进行风险控制。
另一方面,本申请实施例中提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的一种信贷风险控制方法。
其中上述的一种信贷风险控制方法,具体包括:
根据用户的信贷行为数据的时间特征和空间特征进行在设定时间内的临近地点用户的确定,根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定,通过聚集欺诈风险确定不存在欺诈风险时,进入下一步骤;
通过所述临近地点用户的聚集性的历史信贷行为的识别结果进行所述临近地点用户的历史欺诈风险评估值、风险用户和疑似风险用户的确定,通过所述风险用户和疑似风险用户的数量、所述临近地点用户的历史欺诈风险评估值进行历史行为欺诈风险的确定,并通过所述历史行为欺诈风险以及所述聚集欺诈风险确定存在欺诈风险时,进入下一步骤;
对所述临近地点用户的人脸识别图像的背景图像进行识别得到识别结果,并根据所述识别结果进行疑似欺诈用户的筛选,获取所述疑似欺诈用户的数量,并通过所述疑似欺诈用户的数量确定不存在欺诈风险时,进入下一步骤;
根据所述疑似欺诈用户的识别结果进行所述疑似欺诈用户与其它的临近地点用户的人脸识别图像的背景图像的相似度的确定,并将所述相似度满足要求的其它的临近地点用户的作为相似用户,通过所述相似用户的数量进行所述疑似欺诈用户的权值的确定,并通过所有的疑似欺诈用户的权值的和确定不存在欺诈风险时,进入下一步骤;
通过所述疑似欺诈用户与其它的临近地点用户的人脸识别图像的背景图像的相似度进行相似用户以及区别用户的筛选,并通过所述相似用户的相似度、区别用户的数量以及相似度进行所述疑似欺诈用户的聚集欺诈风险评估值的确定,并通过所述疑似欺诈用户的聚集欺诈风险评估值以及权值进行修正聚集欺诈风险评估值的确定,并结合所述疑似欺诈用户的数量以及所述疑似欺诈用户的权值的和进行实时欺诈风险的确定;
通过所述实时欺诈风险、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,并通过所述欺诈风险确定是否需要进行风险控制。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (11)
1.一种信贷风险控制方法,其特征在于,具体包括:
S11根据用户的信贷行为数据的时间特征和空间特征进行在设定时间内的临近地点用户的确定,根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定,通过聚集欺诈风险确定是否存在欺诈风险,若是,进入步骤S13,若否,则进入步骤S12;
S12通过所述临近地点用户的聚集性的历史信贷行为的识别结果进行所述临近地点用户的历史欺诈风险评估值、风险用户和疑似风险用户的确定,通过所述风险用户和疑似风险用户的数量、所述临近地点用户的历史欺诈风险评估值进行历史行为欺诈风险的确定,并通过所述历史行为欺诈风险以及所述聚集欺诈风险确定是否存在欺诈风险,若是,则进入步骤S13,若否,则确定不存在欺诈风险;
S13对所述临近地点用户的人脸识别图像的背景图像进行识别得到识别结果,并根据所述识别结果进行疑似欺诈用户的筛选,通过所述疑似欺诈用户的数量以及识别结果、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,并通过所述欺诈风险确定是否需要进行风险控制。
2.如权利要求1所述的一种信贷风险控制方法,其特征在于,所述信贷行为数据的时间特征根据所述用户的信贷行为的发生时间进行确定,所述信贷行为数据的空间特征根据所述用户的信贷行为的发生地点进行确定,具体根据所述用户的信贷行为的定位地点进行确定。
3.如权利要求1所述的一种信贷风险控制方法,其特征在于,所述临近地点用户的确定的方法为:
根据所述用户的空间特征进行所述用户的信贷行为发生地的确定,并以设定面积为约束条件,将在所述设定面积内的信贷行为发生地对应的用户作为临近地点用户。
4.如权利要求1所述的一种信贷风险控制方法,其特征在于,所述聚集欺诈风险的确定的方法为:
S21获取所述临近地点用户的数量,并根据所述临近地点用户的数量是否小于预设数量,若是,则确定无需进行历史行为欺诈风险的确定,并确定不存在欺诈风险,若否,则进入步骤S22;
S22通过所述临近地点用户的数量确定是否存在聚集欺诈风险,若是,则进入步骤S25,若否,则进入步骤S23;
S23通过在设定时间内的不同时段的临近地点用户的数量进行可疑时段的筛选,并根据所述可疑时段的数量以及时长,并结合所述可疑时段的临近地点用户的数量进行在设定时间内的可疑时段评估值的确定,通过所述可疑时段评估值确定是否存在聚集欺诈风险,若是,则进入步骤S25,若否,则进入步骤S24;
S24通过在所述可疑时段的临近地点用户的信贷行为类型进行相同的信贷行为类型的临近地点用户的确定,并将所述相同的信贷行为类型的临近地点用户作为相同临近用户,通过所述可疑时段的相同临近用户的数量进行疑似风险时段的确定,通过所述疑似风险时段的数量以及时长,并结合所述疑似风险时段的相同临近用户的数量进行在设定时间内的疑似风险时段评估值的确定,通过所述疑似风险时段评估值确定是否存在聚集欺诈风险,若是,则进入步骤S25,若否,则确定不存在欺诈风险,并通过所述疑似风险时段评估值进行聚集欺诈风险的确定;
S25通过所述疑似风险时段评估值、可疑时段评估值以及所述临近地点用户的数量进行所述聚集欺诈风险的确定。
5.如权利要求4所述的一种信贷风险控制方法,其特征在于,所述可疑时段评估值的取值范围在0到1之间,并当所述可疑时段评估值不满足要求时,则确定存在聚集欺诈风险。
6.如权利要求1所述的一种信贷风险控制方法,其特征在于,所述临近地点用户的历史欺诈风险评估值的确定的方法为:
获取所述临近地点用户的历史信贷行为确定是否所述临近地点用户是否被认定过为疑似欺诈用户或者欺诈用户,若是,则进入下一步骤,若否,则确定不存在欺诈风险;
将所述临近地点用户被认定为疑似欺诈用户的历史信贷行为的次数作为历史风险次数,并通过所述历史风险次数确定所述临近地点用户是否为风险用户,若是,则确定所述临近地点用户为风险用户,并通过所述历史风险次数进行所述临近地点用户的历史欺诈风险评估值的确定,若否,则进入下一步骤;
通过所述临近地点用户的历史风险次数以及所述临近地点用户的历史信贷行为的次数的比值进行所述临近地点用户的历史风险次数比的确定,并通过所述历史风险次数比确定所述临近地点用户是否为风险用户,若是,则确定所述临近地点用户为风险用户,并通过所述历史风险次数比进行所述临近地点用户的历史欺诈风险评估值的确定,若否,则进入下一步骤;
通过所述临近地点用户的历史风险次数比以及所述历史风险次数,在最近的指定时间内的历史风险次数比以及所述历史风险次数,并结合所述临近地点用户被认定为欺诈用户的次数以及历史信贷行为的次数进行所述临近地点用户的历史欺诈风险评估值的确定。
7.如权利要求6所述的一种信贷风险控制方法,其特征在于,所述临近地点用户的历史欺诈风险评估值大于设定风险值时,则确定所述临近地点用户为风险用户;当所述临近地点用户的历史欺诈风险评估值大于第二设定风险值时,则确定所述临近地点用户为疑似风险用户,其中所述设定风险值大于第二设定风险值。
8.如权利要求1所述的一种信贷风险控制方法,其特征在于,通过所述历史行为欺诈风险以及所述聚集欺诈风险确定是否存在欺诈风险,具体包括:
通过所述历史行为欺诈风险确定是否存在欺诈风险,若是,则确定存在欺诈风险,若否,则进入下一步骤;
通过所述历史行为欺诈风险以及所述临近地点用户的数量确定是否需要进一步的评估,若是,则进入下一步骤,若否,则确定不存在欺诈风险;
通过所述聚集欺诈风险以及所述历史行为欺诈风险进行欺诈风险概率的确定,并通过所述欺诈风险概率定是否存在欺诈风险。
9.一种信贷风险控制系统,采用权利要求1-8任一项所述的一种信贷风险控制方法,其特征在于,具体包括:
用户确定模块;聚集欺诈风险确定模块;历史行为欺诈风险确定模块;疑似欺诈用户筛选模块;欺诈风险确定模块;
其中所述用户确定模块负责根据用户的信贷行为数据的时间特征和空间特征进行在设定时间内的临近地点用户的确定;
所述聚集欺诈风险确定模块负责根据临近地点用户的数量、在设定时间内的不同时段的临近地点用户的数量以及信贷行为类型进行聚集欺诈风险的确定;
所述历史行为欺诈风险确定模块负责通过所述临近地点用户的聚集性的历史信贷行为的识别结果进行所述临近地点用户的历史欺诈风险评估值、风险用户和疑似风险用户的确定,通过所述风险用户和疑似风险用户的数量、所述临近地点用户的历史欺诈风险评估值进行历史行为欺诈风险的确定;
所述疑似欺诈用户筛选模块负责对所述临近地点用户的人脸识别图像的背景图像进行识别得到识别结果,并根据所述识别结果进行疑似欺诈用户的筛选;
所述欺诈风险确定模块负责通过所述疑似欺诈用户的数量以及识别结果、聚集欺诈风险、历史行为欺诈风险进行欺诈风险的确定,并通过所述欺诈风险确定是否需要进行风险控制。
10.一种计算机系统,包括:通信连接的存储器和处理器,以及存储在所述存储器上并能够在所述处理器上运行的计算机程序,其特征在于:所述处理器运行所述计算机程序时执行权利要求1-8任一项所述的一种信贷风险控制方法。
11.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-8任一项所述的一种信贷风险控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311000939.3A CN116823451B (zh) | 2023-08-10 | 2023-08-10 | 一种信贷风险控制方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311000939.3A CN116823451B (zh) | 2023-08-10 | 2023-08-10 | 一种信贷风险控制方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823451A true CN116823451A (zh) | 2023-09-29 |
CN116823451B CN116823451B (zh) | 2024-03-26 |
Family
ID=88122348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311000939.3A Active CN116823451B (zh) | 2023-08-10 | 2023-08-10 | 一种信贷风险控制方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823451B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100274723A1 (en) * | 2001-01-16 | 2010-10-28 | Raymond Anthony Joao | Apparatus and method for providing transaction history information, account history information, and/or charge-back information |
US20110125658A1 (en) * | 2009-11-25 | 2011-05-26 | Verisign, Inc. | Method and System for Performing Fraud Detection for Users with Infrequent Activity |
CN106384326A (zh) * | 2016-09-30 | 2017-02-08 | 青岛智车品信息科技有限公司 | 贷款车辆欺诈聚集的预警系统及方法 |
CN109658222A (zh) * | 2018-10-16 | 2019-04-19 | 深圳壹账通智能科技有限公司 | 风险分析方法、装置、设备及计算机可读存储介质 |
CN109919624A (zh) * | 2019-02-28 | 2019-06-21 | 杭州师范大学 | 一种基于时空集中性的网贷欺诈团伙识别与预警方法 |
CN110348519A (zh) * | 2019-07-12 | 2019-10-18 | 深圳众赢维融科技有限公司 | 金融产品欺诈团伙的识别方法和装置 |
CN110766541A (zh) * | 2019-09-25 | 2020-02-07 | 平安科技(深圳)有限公司 | 贷款风险评估方法、装置、设备及计算机可读存储介质 |
CN110992041A (zh) * | 2019-06-18 | 2020-04-10 | 东华大学 | 在线欺诈检测的个体行为超球体构建方法 |
CN111953794A (zh) * | 2020-08-20 | 2020-11-17 | 深圳市富之富信息科技有限公司 | 一种团伙骗贷预警方法及装置 |
CN112950357A (zh) * | 2021-03-22 | 2021-06-11 | 工银科技有限公司 | 交易异常团伙识别方法及装置 |
CN113689292A (zh) * | 2021-09-18 | 2021-11-23 | 杭银消费金融股份有限公司 | 基于图像背景识别的用户聚集识别方法及系统 |
CN113706291A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 欺诈风险预测方法、装置、设备及存储介质 |
CN113807940A (zh) * | 2020-06-17 | 2021-12-17 | 马上消费金融股份有限公司 | 信息处理和欺诈行为识别方法、装置、设备及存储介质 |
CN114049194A (zh) * | 2021-11-04 | 2022-02-15 | 江苏苏宁银行股份有限公司 | 一种基于图片背景相似性的欺诈检测识别方法及设备 |
CN115619220A (zh) * | 2022-10-31 | 2023-01-17 | 浙江惠瀜网络科技有限公司 | 一种识别聚集性风险的监测方法、装置及存储介质 |
CN116071089A (zh) * | 2023-02-10 | 2023-05-05 | 成都新希望金融信息有限公司 | 一种欺诈识别方法、装置、电子设备及存储介质 |
CN116151961A (zh) * | 2023-02-22 | 2023-05-23 | 深圳前海微众银行股份有限公司 | 信用风险预测方法、电子设备及可读存储介质 |
US20230209351A1 (en) * | 2021-12-28 | 2023-06-29 | Telesign Corporation | Assessing risk of fraud associated with user unique identifier using telecommunications data |
-
2023
- 2023-08-10 CN CN202311000939.3A patent/CN116823451B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100274723A1 (en) * | 2001-01-16 | 2010-10-28 | Raymond Anthony Joao | Apparatus and method for providing transaction history information, account history information, and/or charge-back information |
US20110125658A1 (en) * | 2009-11-25 | 2011-05-26 | Verisign, Inc. | Method and System for Performing Fraud Detection for Users with Infrequent Activity |
CN106384326A (zh) * | 2016-09-30 | 2017-02-08 | 青岛智车品信息科技有限公司 | 贷款车辆欺诈聚集的预警系统及方法 |
CN109658222A (zh) * | 2018-10-16 | 2019-04-19 | 深圳壹账通智能科技有限公司 | 风险分析方法、装置、设备及计算机可读存储介质 |
CN109919624A (zh) * | 2019-02-28 | 2019-06-21 | 杭州师范大学 | 一种基于时空集中性的网贷欺诈团伙识别与预警方法 |
CN110992041A (zh) * | 2019-06-18 | 2020-04-10 | 东华大学 | 在线欺诈检测的个体行为超球体构建方法 |
CN110348519A (zh) * | 2019-07-12 | 2019-10-18 | 深圳众赢维融科技有限公司 | 金融产品欺诈团伙的识别方法和装置 |
CN110766541A (zh) * | 2019-09-25 | 2020-02-07 | 平安科技(深圳)有限公司 | 贷款风险评估方法、装置、设备及计算机可读存储介质 |
CN113807940A (zh) * | 2020-06-17 | 2021-12-17 | 马上消费金融股份有限公司 | 信息处理和欺诈行为识别方法、装置、设备及存储介质 |
CN111953794A (zh) * | 2020-08-20 | 2020-11-17 | 深圳市富之富信息科技有限公司 | 一种团伙骗贷预警方法及装置 |
CN112950357A (zh) * | 2021-03-22 | 2021-06-11 | 工银科技有限公司 | 交易异常团伙识别方法及装置 |
CN113706291A (zh) * | 2021-08-31 | 2021-11-26 | 平安普惠企业管理有限公司 | 欺诈风险预测方法、装置、设备及存储介质 |
CN113689292A (zh) * | 2021-09-18 | 2021-11-23 | 杭银消费金融股份有限公司 | 基于图像背景识别的用户聚集识别方法及系统 |
CN114049194A (zh) * | 2021-11-04 | 2022-02-15 | 江苏苏宁银行股份有限公司 | 一种基于图片背景相似性的欺诈检测识别方法及设备 |
US20230209351A1 (en) * | 2021-12-28 | 2023-06-29 | Telesign Corporation | Assessing risk of fraud associated with user unique identifier using telecommunications data |
CN115619220A (zh) * | 2022-10-31 | 2023-01-17 | 浙江惠瀜网络科技有限公司 | 一种识别聚集性风险的监测方法、装置及存储介质 |
CN116071089A (zh) * | 2023-02-10 | 2023-05-05 | 成都新希望金融信息有限公司 | 一种欺诈识别方法、装置、电子设备及存储介质 |
CN116151961A (zh) * | 2023-02-22 | 2023-05-23 | 深圳前海微众银行股份有限公司 | 信用风险预测方法、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116823451B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829776B (zh) | 商户风险评估方法、装置、计算机设备和存储介质 | |
US7966203B1 (en) | Property insurance risk assessment using application data | |
US7933934B2 (en) | Operator-specific quality management and quality improvement | |
US7844641B1 (en) | Quality management in a data-processing environment | |
CN111324862A (zh) | 贷中行为监控的方法及系统 | |
JP2012504289A (ja) | オンラインビジネストランザクションデータを使用するローンアクセスの評価 | |
US20170323216A1 (en) | Determining retraining of predictive models | |
US20150262184A1 (en) | Two stage risk model building and evaluation | |
CN117132001B (zh) | 一种多目标风控策略优化方法及系统 | |
CN117149797B (zh) | 一种基于多维度数据监控的对账方法及系统 | |
CN112581265A (zh) | 一种基于AdaBoost的互联网金融客户申请欺诈检测方法 | |
CN112232947A (zh) | 贷中风险预测方法及装置 | |
CN112561691A (zh) | 一种客户授信预测方法、装置、设备及存储介质 | |
CN116596659A (zh) | 基于大数据风控的企业智能化信贷审批方法、系统及介质 | |
CN117078403B (zh) | 一种基于规则组合优化的风控决策方法与系统 | |
CN116761207B (zh) | 一种基于通信行为的用户画像构建方法与系统 | |
CN116823451B (zh) | 一种信贷风险控制方法与系统 | |
WO2011149608A1 (en) | Identifying and using critical fields in quality management | |
WO2012030419A1 (en) | Organization resource allocation based on forecasted change outcomes | |
CN109634854B (zh) | 一种检测软件工程算法组态异常的方法 | |
CN116596674A (zh) | 基于大数据分析的对外贸易风险评估方法 | |
US10699335B2 (en) | Apparatus and method for total loss prediction | |
CN111310931A (zh) | 参数生成方法、装置、计算机设备及存储介质 | |
CN110766547A (zh) | 一种可信度等级的确定方法、装置、设备和存储介质 | |
US20120254061A1 (en) | Loan resolution modeling using discrete event simulation methodology |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |