CN117035434B - 可疑交易监测方法及装置 - Google Patents
可疑交易监测方法及装置 Download PDFInfo
- Publication number
- CN117035434B CN117035434B CN202311303535.1A CN202311303535A CN117035434B CN 117035434 B CN117035434 B CN 117035434B CN 202311303535 A CN202311303535 A CN 202311303535A CN 117035434 B CN117035434 B CN 117035434B
- Authority
- CN
- China
- Prior art keywords
- risk
- transaction
- customer
- model
- client
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000012806 monitoring device Methods 0.000 title abstract description 7
- 238000012502 risk assessment Methods 0.000 claims abstract description 144
- 238000012216 screening Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 34
- 230000004927 fusion Effects 0.000 abstract description 6
- 238000012546 transfer Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000001914 filtration Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 230000001960 triggered effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Abstract
本发明公开了一种可疑交易监测方法及装置，涉及人工智能技术领域，该方法包括：从目标客户的客户数据中提取第一输入特征，并输入至规则模型，获得第一客户风险分析结果；根据第一客户风险分析结果，筛选出第一类客户数据；从第一类客户数据中提取第二输入特征，并输入至风险交易场景召回模型，获得客户风险等级分析结果；筛选出第二类客户数据；根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果；进行风险综合计算，获得目标客户的可疑交易风险分析结果。本发明能够实现AI算法模型体系与规则模型体系有机融合，实现准确度更高、效率更高的可疑交易监测。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及可疑交易监测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
现有可疑交易监测系统算法架构仍然以多个规则模型的组合为主导，规则模型在筛查风险客户方面存在以下问题：
规则模型主要为经验驱动，而非数据驱动，模型指标及相关参数的选取、设置高度依赖建模人员个人的业务经验及反合规监管文件；
规则模型结构较为简单，其采用的模型特征一般较少且复杂度较低，容易被规避；
规则模型对于相关非法资金转移场景的刻画能力较弱，通常准确性欠佳，精确率、召回率无法同时维持在较高水平。一方面，为了尽量减少可疑交易漏报，降低非法资金转移合规风险，义务金融机构存在调降规则模型预警触发条件的倾向，从而产生大量的无效预警，大大加重了义务金融机构的审核负担，浪费了宝贵的非法资金转移尽调审核人力资源，降低了反合规工作效率。但另一方面，对于某些频发非法资金转移场景，义务金融机构因反尽调审核人力资源限制无法处理大量的规则模型预警，通常收紧规则模型预警触发条件，造成大量的漏报。
少数金融机构在引入AI算法模型方面开展了相关探索，但因种种原因，AI算法模型尚未在非法资金转移可疑交易监测领域得到全面应用，目前的AI技术方案存在的问题包括：
AI算法模型所采用的模型输入特征数量、AI算法模型复杂度以及单次模型预测所需的运算量也远高于规则模型，因而AI算法模型在模型输入特征提取、模型推理运算所花费的时间也远高于规则模型。大型金融机构，如大型商业银行其交易系统每日进行的资金交易活动高达数千万至上亿量级，如果采用复杂度较高、运算量较大的AI算法模型对于每日全量的资金交易活动的非法资金转移风险进行评估、预测，模型推理运算往往需要花费较长的时间，效率低下，难以满足业务对于时效性的要求。为了将模型推理运算时间降低到合理水平，AI算法模型须在算法复杂度以及特征的复杂度、特征数量进行大幅精简，从而导致AI算法模型的全面深入的应用受到严重限制；
AI算法模型难以融入现有规则模型体系，AI算法模型与规则模型各自为政，分工不明，模型研发呈现碎片化的弊端，难以形成“1+1>2”的整合优势。
因此，目前缺乏一种准确度更高、效率更高的针对非法资金转移的可疑交易监测模型对应的监测方案。
发明内容
本发明实施例提供一种可疑交易监测方法，能够实现AI算法模型体系与规则模型体系有机融合，实现准确度更高、效率更高的可疑交易监测，该方法包括：
从目标客户的客户数据中提取用于可疑交易监测的规则模型所需的第一输入特征，并输入至规则模型，获得第一客户风险分析结果，所述规则模型用于判断客户是否命中预设的可疑交易风险判断规则；
根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据；
从第一类客户数据中提取用于可疑交易监测的风险交易场景召回模型所需的第二输入特征，并输入至风险交易场景召回模型，获得客户风险等级分析结果，所述风险交易场景召回模型用于确定客户在预设的风险交易场景中的风险等级；
根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，并确定需关注的风险交易场景标签列表；
根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，所述第二客户风险分析结果包括多个风险交易场景对应的客户风险预测结果，所述风险交易场景排序模型用于确定客户在每个风险交易场景对应的客户风险预测结果，并对多个客户风险预测结果进行排序；
根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果。
本发明实施例还提供一种可疑交易监测装置，能够实现AI算法模型体系与规则模型体系有机融合，实现准确度更高、效率更高的可疑交易监测，该装置包括：
规则模型模块，用于从目标客户的客户数据中提取用于可疑交易监测的规则模型所需的第一输入特征，并输入至规则模型，获得第一客户风险分析结果，所述规则模型用于判断客户是否命中预设的可疑交易风险判断规则；
第一筛选模块，用于根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据；
风险交易场景召回模型模块，用于从第一类客户数据中提取用于可疑交易监测的风险交易场景召回模型所需的第二输入特征，并输入至风险交易场景召回模型，获得客户风险等级分析结果，所述风险交易场景召回模型用于确定客户在预设的风险交易场景中的风险等级；
第二筛选模块，用于根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，并确定需关注的风险交易场景标签列表；
风险交易场景排序模型模块，用于根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，所述第二客户风险分析结果包括多个风险交易场景对应的客户风险预测结果，所述风险交易场景排序模型用于确定客户在每个风险交易场景对应的客户风险预测结果，并对多个客户风险预测结果进行排序；
可疑交易风险分析模块，用于根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述可疑交易监测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述可疑交易监测方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述可疑交易监测方法。
本发明实施例中，从目标客户的客户数据中提取用于可疑交易监测的规则模型所需的第一输入特征，并输入至规则模型，获得第一客户风险分析结果，所述规则模型用于判断客户是否命中预设的可疑交易风险判断规则；根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据；从第一类客户数据中提取用于可疑交易监测的风险交易场景召回模型所需的第二输入特征，并输入至风险交易场景召回模型，获得客户风险等级分析结果，所述风险交易场景召回模型用于确定客户在预设的风险交易场景中的风险等级；根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，并确定需关注的风险交易场景标签列表；根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，所述第二客户风险分析结果包括多个风险交易场景对应的客户风险预测结果，所述风险交易场景排序模型用于确定客户在每个风险交易场景对应的客户风险预测结果，并对多个客户风险预测结果进行排序；根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果。与现有技术中AI算法模型与规则模型各自为政，分别进行可疑交易监测的技术方案相比，本发明引入了多重过滤环节，包括采用规则模型进行第一次过滤，从客户数据中筛选出第一类客户数据，采用风险交易场景召回模型进行第二次过滤，从第一类客户数据中筛选出第二类客户数据，这样后续再应用风险交易场景排序模型时，极大地减少风险交易场景排序模型的运算负担，满足业务对于时效性的要求；另外，此情况下的风险交易场景排序模型可突破对于人工智能模型复杂度、特征数量及特征复杂度的限制，大幅减低可疑交易客户误报；风险交易场景排序模型可无缝兼容现有规则模型体系，实现风险交易场景排序模型代表的人工智能模型体系与现有规则模型体系的有机融合，两者分工明确，能够发挥各自所长，形成整体优势；规则模型、风险交易场景召回模型、风险交易场景排序模型均可通过统一的、标准化的、插件化的方式进行支持，且相互解耦、互不影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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。在附图中：
图1为本发明实施例中可疑交易监测方法的流程图；
图2为本发明实施例中可疑交易监测方法框架的原理图；
图3为本发明实施例中风险交易场景排序模型为一个独立的模型的原理图；
图4为本发明实施例中采用多套特征提取子模型和多个风险交易场景排序模型的原理图；
图5为本发明实施例中可疑交易监测装置的示意图；
图6为本发明实施例中计算机设备的示意图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
发明人发现，现有的针对非法资金转移的可疑交易监测算法的一般流程如下：
（1）从客户的基本信息、账户信息、交易信息等提取规则模型所需的若干模型输入特征；
（2）将模型输入特征输入到规则模型以确定该客户是否达到模型预警触发条件。如该客户达到模型预警触发条件，则记录该客户的客户编号、被触发的规则模型编号以及其他相关信息；否则，则不予上述后续处理；
（3）重复步骤（1）-（2），直至该客户遍历所有规则模型。
（4）义务金融机构如在其可疑交易监测系统中引入AI算法模型，则一般采取与规则模型相同的运行方式独立运行，补充规则模型预警结果。
（5）如该客户未被任何规则模型或AI算法模型命中，则不予后续处理；否则，将该客户对应的客户编号、命中的规则模型编号/AI算法模型标识信息以及其他相关信息一并推送至待预警样本池；
（6）根据非法资金转移监管要求及业务相关情况，将待预警样本池中的风险预警信息分批推送下发给非法资金转移尽调审核部门，启动客户尽调审核流程。
上述方案缺点是：
（1）基于规则模型体系的可疑交易监测算法误报、漏报率高，导致非法资金转移的合规工作效率低，容易引发监管合规风险；
（2）在可疑交易监测算法框架中引入AI算法模型时，未能充分考虑非法资金转移风险在义务金融机构客户群体中的数据分布特点，造成AI算法模型推理运算资源分配效能低下，对于AI算法模型在可疑交易监测领域中的广泛、深入的应用造成了严重阻碍；
（3）AI算法模型与现有规则模型体系缺乏整合，难以形成一套统一的、标准化的、系统化的可疑交易监测模型算法体系，使其分工明确，扬长避短，相互配合，形成整体优势。
基于此，本发明实施例提供了一套基于信息检索与推荐系统架构的统一的、标准化的、系统化的、高度灵活的、且能够无缝整合AI算法模型体系与现有规则模型体系的可疑交易监测算法框架，同时解决现有技术方案的缺点，从而实现AI算法模型体系与规则模型体系有机融合，降低监管合规风险，提升合规工作效率。
图1为本发明实施例中可疑交易监测方法的流程图，图2为本发明实施例中可疑交易监测方法的原理图，参见图1和图2，可疑交易监测方法包括：
步骤101，从目标客户的客户数据中提取用于可疑交易监测的规则模型所需的第一输入特征，并输入至规则模型，获得第一客户风险分析结果，所述规则模型用于判断客户是否命中预设的可疑交易风险判断规则；
步骤102，根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据；
步骤103，从第一类客户数据中提取用于可疑交易监测的风险交易场景召回模型所需的第二输入特征，并输入至风险交易场景召回模型，获得客户风险等级分析结果，所述风险交易场景召回模型用于确定客户在预设的风险交易场景中的风险等级；
步骤104，根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，并确定需关注的风险交易场景标签列表；
步骤105，根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，所述第二客户风险分析结果包括多个风险交易场景对应的客户风险预测结果，所述风险交易场景排序模型用于确定客户在每个风险交易场景对应的客户风险预测结果，并对多个客户风险预测结果进行排序；
步骤106，根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果。
与现有技术中AI算法模型与规则模型各自为政，分别进行可疑交易监测的技术方案相比，本发明引入了多重过滤环节，包括采用规则模型进行第一次过滤，从客户数据中筛选出第一类客户数据，采用风险交易场景召回模型进行第二次过滤，从第一类客户数据中筛选出第二类客户数据，这样后续再应用风险交易场景排序模型时，极大地减少风险交易场景排序模型的运算负担，满足业务对于时效性的要求；另外，此情况下的风险交易场景排序模型可突破对于人工智能模型复杂度、特征数量及特征复杂度的限制，大幅减低可疑交易客户误报；风险交易场景排序模型可无缝兼容现有规则模型体系，实现风险交易场景排序模型代表的人工智能模型体系与现有规则模型体系的有机融合，两者分工明确，能够发挥各自所长，形成整体优势；规则模型、风险交易场景召回模型、风险交易场景排序模型均可通过统一的、标准化的、插件化的方式进行支持，且相互解耦、互不影响。
下面对每个步骤进行详细介绍。
在步骤101中，从目标客户的客户数据中提取用于可疑交易监测的规则模型所需的第一输入特征，并输入至规则模型，获得第一客户风险分析结果；
具体地，可根据客户编号，从客户相关数据中提取第一输入特征，所述客户相关数据包括客户信息、账户信息、交易信息中的其中一种或任意组合。其中，规则模型的参数可配置，具体地，可接收针对规则模型的配置参数并存储，以后续应用，规则模型可以有多个，是根据监管和业务要求构建的，用于对客户数据的后续处理步骤进行强制判定。
在步骤102中，根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据；
在一实施例中，第一客户风险分析结果包括第一客户风险分析结果、第二客户风险分析结果和第三客户风险分析结果；其中，第一客户风险分析结果的可疑交易风险高于第二客户风险分析结果，第二客户风险分析结果的可疑交易风险高于第三客户风险分析结果；
根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据，包括：从客户数据中筛选出第一客户风险分析结果为第二类风险等级的客户数据；
所述方法还包括：
将第一客户风险分析结果为第一风险等级的客户数据全部推送至客户尽调作业系统。
在上述实施例中，第一客户风险分析结果可以称为高风险，可加上触发的规则模型编号，形成可疑交易风险综合信息，再推送至客户尽调作业系统；第二客户风险分析结果可以称为中风险，进行后续分析，第三客户风险分析结果可以称为低风险，不再进行后续处理。
在步骤103中，从第一类客户数据中提取用于可疑交易监测的风险交易场景召回模型所需的第二输入特征，并输入至风险交易场景召回模型，获得客户风险等级分析结果；
风险交易场景召回模型用于判断该客户是否为该风险交易场景中应予以重点关注的客户，可通过配置自由控制召回的客户数量，即接收针对风险交易场景召回模型配置的客户数量。
在步骤104中，根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，并确定需关注的风险交易场景标签列表；
在一实施例中，客户风险等级分析结果包括第一客户风险等级和第二客户风险等级，其中，第一客户风险等级的关注优先级高于第二客户风险等级；
根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，包括：
从第一类客户数据中筛选出客户风险等级分析结果为第一客户风险等级的客户数据。
上述实施例中，第一客户风险等级可称为重点关注，第二客户风险等级则不再进行后续处理。
在一实施例中，风险交易场景召回模型包括多个规则模型和一个通用人工智能模型。
上述风险交易场景召回模型采用的是“1+N”模型体系，即一个通用模型（通用人工智能模型）+N个风险交易场景模型（N个规则模型）。其中，对于风险交易场景特征不明显的，但是交易行为存在异常的，先通过通用模型进行召回，并将其记录到风险交易场景标签列表，后续再运行通用的风险交易场景排序模型进行风险评估，从而适配所有的可疑交易的情况，不遗漏任何可疑交易风险。
在步骤105中，根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，所述第二客户风险分析结果包括多个风险交易场景对应的客户风险预测结果；
本发明实施例中，风险交易场景标签列表可表示为L(L={S1，S2，…,Si，…})，其中，Si为第i个可疑交易风险场景对应的可疑交易风险场景标签，每个标签都采用向量表示。
风险交易场景排序模型包括两种情况。
情况一：参见图3，风险交易场景排序模型为一个独立的模型，可在不同风险交易场景自动调节各个第三输入特征的权重，自动聚焦与对应风险交易场景最为相关的第三输入特征，自动精准适配各个风险交易场景的数据分布特点，并且对于待分析客户的风险交易场景标签列表，综合评估其在多个风险交易场景的风险，给出更为精准、丰富、立体的风险交易场景风险分析信息；可根据所述标签列表，差异化地控制命中客户的非法资金转移风险分析相关的推理计算过程，使得仅触发与风险交易场景标签列表有关的对应的风险交易场景排序模型推理相关的计算任务，提高了计算效率。
风险交易场景排序模型包括：
第一模块，用于对风险交易场景标签列表中的每个风险交易场景标签，转换为自注意力权重查询向量；
第二模块，用于根据自注意力权重查询向量和第三输入特征，计算自注意力权重向量；
第三模块，用于根据自注意力权重向量，预测每个风险交易场景对应的客户风险预测结果。
可见，在情况一中，风险交易场景排序模型基于自注意力机制，将当前风险交易场景标签列表转换为自注意力权重查询向量，采用自注意力权重查询向量调整第三输入特征，即实现了在不同可疑交易风险场景自动调节各个第三输入特征的权重，自动聚焦与对应可疑交易风险场景最为相关的第三输入特征，自动精准适配各个风险交易场景的数据分布特点，并且对于目标客户的风险交易场景标签列表，综合评估其在多个风险交易风险场景的交易风险，给出更为精准、丰富、立体的风险交易风险场景风险分析信息；可根据所述标签列表，差异化地控制命中客户的非法资金转移风险分析相关的推理计算过程，使得仅触发与客户风险交易风险场景标签列表有关的对应的风险交易风险场景排序模型推理相关的计算任务，提高了计算效率。
情况二：参见图4，每个风险交易场景对应一个风险交易场景排序模型；
根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，包括：
对风险交易场景标签列表中的每个风险交易场景标签，启动该风险交易场景标签对应的特征提取子模型提取第三输入特征，并将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型，第二客户风险分析结果。
在这一步，可根据风险交易场景标签列表，差异化地控制被客户的交易风险分析相关的模型推理计算过程，使得仅触发与客户交易风险场景有关的对应的模型推理相关的计算任务，提高了可疑交易风险分析算法的计算效率。
在一实施例中，所述方法还包括：
在新增风险交易场景时，基于该风险交易场景的标签，将该风险交易场景对应的特征提取子模型存储至风险交易模型库的特征提取模型组，将该风险交易场景对应的风险交易场景排序模型存储至风险交易模型库的风险交易场景排序模型组；
对风险交易场景标签列表中的每个风险交易场景标签，启动该风险交易场景标签对应的特征提取子模型提取第三输入特征，并将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型，包括：
对每个风险交易场景标签，从特征提取模型组查找该风险交易场景对应的特征提取子模型提取第三输入特征；
从风险交易场景排序模型组查找该风险交易场景对应的风险交易场景排序模型；
将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型。
通过上述实施例，风险交易模型库可实现集成化的、插件化的管理，对于新的风险交易场景的交易风险分析能力仅需添加相应的模型相关组件即可实现支持，已有交易风险场景的交易风险分析能力之间为松耦合形式，可单独维护、迭代、升级。
情况二中，采用多套特征提取子模型和多个风险交易场景排序模型的形式，能够在风险场景粒度，给出更为精准的风险分析结果，使得客户风险画像更加丰富立体，帮助尽职调查审核系统理解模型预警结果，增强模型预警结果的业务可解释性；可根据风险交易场景标签列表，差异化地控制客户的交易风险评估相关的模型推理计算过程，使得仅触发与风险交易场景有关的特征提取模型和风险交易场景排序模型推理相关的计算任务，提高了这两种模型的计算效率；
在步骤106中，根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果。
第二客户风险分析结果可表示为Score={S1：Score1，S2：Score2，…，Si：Scorei，…}，其中，S1为风险交易场景，Score1为S1对应的客户风险预测结果。
在一实施例中，客户风险预测结果包括第一客户风险预测结果、第二客户风险分析结果；其中，客户风险预测结果的可疑交易风险高于第二客户风险预测结果；
根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果，包括：
筛选出客户风险预测结果为第一客户风险预测结果的第二客户风险分析结果；
根据设定的各个风险交易场景的评级阈值，对筛选出的第二客户风险分析结果进行评级，获得客户可疑交易风险评级列表；
按照预设规则，对客户可疑交易风险评级列表中的所有客户可疑交易风险评级进行计算，获得目标客户的可疑交易风险分析结果。
其中，客户可疑交易风险评级列表根据Score获得，R={S1：R1，S2：R2，…，Sk：Rk，…}，其中，S1为风险交易场景，Rk为Sk对应的客户可疑交易风险评级。
R1>R2>R3…>Rk，此处“>”的含义为“风险程度大于”。
预设规则可以是取所有客户可疑交易风险评级的最大值作为可疑交易风险分析结果，还可以取所有客户可疑交易风险评级的平均值作为可疑交易风险分析结果。
在一实施例中，在获得目标客户的可疑交易风险分析结果之后，还包括：
对第二客户风险分析结果进行模型解释，获得风险交易场景排序模型预测结果解释列表；
对目标客户的第一输入特征、第一客户风险分析结果、规则模型编号、第二输入特征、客户风险等级分析结果、风险交易场景标签列表、第三输入特征、第二客户风险分析结果、风险交易场景排序模型预测结果解释列表、客户可疑交易风险评级列表、可疑交易风险分析结果中的信息进行去重、合并，获得可疑交易风险综合信息；
按照预先配置的信息推送策略，将可疑交易风险综合信息推送至客户尽调作业系统进行尽调审核。
具体实施时，前述多个环节可能存在多个规则模型或人工智能模型，对于命中多个风险交易场景模型的客户的风险相关信息须进行去重、合并、去重，再进行后续推送。可疑交易风险综合信息采用报文形式。预先配置的信息推送策略即报文生成方法。
具体实施时，可疑交易风险综合信息包括客户编号、可疑交易风险分析结果、可疑交易风险分析结果、客户账户基本信息、客户可疑交易风险评级列表；
其中，客户可疑交易风险评级列表中每个客户可疑交易风险评级包括风险交易场景标签和该风险交易场景标签对应的客户可疑交易风险评级值；
其中，客户可疑交易风险评级值包括客户可疑交易风险评级数值和top n特征；
其中，top n特征包括top k正向特征和top l负向特征，正向特征为shap value>0的特征，负向特征为shap value<0的特征，top k或者top l是指shap value的绝对值，做这个区分是因为：如果某个客户被预测为高风险客户，那么top k正向特征将高告诉业务人员该客户是因为何种原因被模型预测为高风险客户，是否存在排除可疑的负向特征。
下面给出一个可疑交易风险综合信息的示例。
{客户编号：xxxxxxxx，
客户风险综合评级：xx，
客户基本信息：{姓名：xxx，
身份证号：xxxxxx,
职业：xxxx，…},
客户账户基本信息：
{账号1：{账户编号：xxx,
开户日期：xxx,
账户类型：xxx，
…},
{账号2：{账户编号：xxx,
开户日期：xxx,
账户类型：xxx，
…},…,
{账号k：{账户编号：xxx,
开户日期：xxx,
账户类型：xxx，
…}
},
类罪场景风险评估结果: {类罪场景1：{风险评级: xx,
top k正向特征: {正向特征1: xxx, SHAP值：xxx}, {正向特征2：xxx；SHAP值：xxx}，{正向特征3: xxx，SHAP值：xxx}，…，{正向特征n：xxx，SHAP值：xxx}}，top l负向特征: {负向特征1: xxx, SHAP值：xxx}, {负向特征2：xxx；SHAP值：xxx}，{负向特征3: xxx，SHAP值：xxx}，…，{负向特征n：xxx，SHAP值：xxx}}，
{类罪场景2：{风险评级: xx,
top k正向特征: {正向特征1: xxx, SHAP值：xxx}, {正向特征2：xxx；SHAP值：xxx}，{正向特征3: xxx，SHAP值：xxx}，…，{正向特征n：xxx，SHAP值：xxx}}，top l负向特征: {负向特征1: xxx, SHAP值：xxx}, {负向特征2：xxx；SHAP值：xxx}，{负向特征3: xxx，SHAP值：xxx}，…，{负向特征n：xxx，SHAP值：xxx}}，
{类罪场景m：{风险评级: xx,
top k正向特征: {正向特征1: xxx, SHAP值：xxx}, {正向特征2：xxx；SHAP值：xxx}，{正向特征3: xxx，SHAP值：xxx}，…，{正向特征n：xxx，SHAP值：xxx}}，top l负向特征: {负向特征1: xxx, SHAP值：xxx}, {负向特征2：xxx；SHAP值：xxx}，{负向特征3: xxx，SHAP值：xxx}，…，{负向特征n：xxx，SHAP值：xxx}}，
}
通过上述步骤，可综合评估客户在其可能涉嫌的所有风险交易场景的风险程度，可给出了客户较为完整的风险画像信息，便于后续尽调分析人员分析客户所涉风险交易场景之间的关联，降低其对于客户风险交易场景风险的误判概率；在客户可能涉嫌的所有风险交易场景，可定量的给出各个模型输入特征对于模型预测结果的贡献程度，增强了模型预测结果的可解释性，对于后续尽调分析工作提供了相关线索和提示；上述风险综合评级方法，便于确定客户尽调分析任务的优先等级，优化尽调分析人力资源与客户尽调分析任务之间的匹配策略。
本发明实施例中还提供了一种可疑交易监测装置，如下面的实施例所述。由于该装置解决问题的原理与可疑交易监测方法相似，因此该装置的实施可以参见可疑交易监测方法的实施，重复之处不再赘述。
图5为本发明实施例中可疑交易监测装置的示意图，包括：
规则模型模块501，用于从目标客户的客户数据中提取用于可疑交易监测的规则模型所需的第一输入特征，并输入至规则模型，获得第一客户风险分析结果，所述规则模型用于判断客户是否命中预设的可疑交易风险判断规则；
第一筛选模块502，用于根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据；
风险交易场景召回模型模块503，用于从第一类客户数据中提取用于可疑交易监测的风险交易场景召回模型所需的第二输入特征，并输入至风险交易场景召回模型，获得客户风险等级分析结果，所述风险交易场景召回模型用于确定客户在预设的风险交易场景中的风险等级；
第二筛选模块504，用于根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，并确定需关注的风险交易场景标签列表；
风险交易场景排序模型模块505，用于根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，所述第二客户风险分析结果包括多个风险交易场景对应的客户风险预测结果；
可疑交易风险分析模块506，用于根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果。
在一实施例中，第一客户风险分析结果包括第一客户风险分析结果、第二客户风险分析结果和第三客户风险分析结果；其中，第一客户风险分析结果的可疑交易风险高于第二客户风险分析结果，第二客户风险分析结果的可疑交易风险高于第三客户风险分析结果；
第一筛选模块具体用于：从客户数据中筛选出第一客户风险分析结果为第二类风险等级的客户数据；
所述装置还包括综合信息推送模块507，用于：
将第一客户风险分析结果为第一风险等级的客户数据全部推送至客户尽调作业系统。
在一实施例中，客户风险等级分析结果包括第一客户风险等级和第二客户风险等级，其中，第一客户风险等级的关注优先级高于第二客户风险等级；
第二筛选模块具体用于：
从第一类客户数据中筛选出客户风险等级分析结果为第一客户风险等级的客户数据。
在一实施例中，风险交易场景召回模型包括多个规则模型和一个通用人工智能模型。
在一实施例中，每个风险交易场景对应一个风险交易场景排序模型；
风险交易场景排序模型模块具体用于：
对风险交易场景标签列表中的每个风险交易场景标签，启动该风险交易场景标签对应的特征提取子模型提取第三输入特征，并将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型，第二客户风险分析结果。
在一实施例中，所述装置还包括模型组模块508，用于：
在新增风险交易场景时，基于该风险交易场景的标签，将该风险交易场景对应的特征提取子模型存储至风险交易模型库的特征提取模型组，将该风险交易场景对应的风险交易场景排序模型存储至风险交易模型库的风险交易场景排序模型组；
风险交易场景排序模型模块具体用于：
对每个风险交易场景标签，从特征提取模型组查找该风险交易场景对应的特征提取子模型提取第三输入特征；
从风险交易场景排序模型组查找该风险交易场景对应的风险交易场景排序模型；
将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型。
在一实施例中，客户风险预测结果包括第一客户风险预测结果、第二客户风险分析结果；其中，客户风险预测结果的可疑交易风险高于第二客户风险预测结果；
可疑交易风险分析模块具体用于：
筛选出客户风险预测结果为第一客户风险预测结果的第二客户风险分析结果；
根据设定的各个风险交易场景的评级阈值，对筛选出的第二客户风险分析结果进行评级，获得客户可疑交易风险评级列表；
按照预设规则，对客户可疑交易风险评级列表中的所有客户可疑交易风险评级进行计算，获得目标客户的可疑交易风险分析结果。
在一实施例中，综合信息推送模块507还用于：
在获得目标客户的可疑交易风险分析结果之后，对第二客户风险分析结果进行模型解释，获得风险交易场景排序模型预测结果解释列表；
对目标客户的第一输入特征、第一客户风险分析结果、规则模型编号、第二输入特征、客户风险等级分析结果、风险交易场景标签列表、第三输入特征、第二客户风险分析结果、风险交易场景排序模型预测结果解释列表、客户可疑交易风险评级列表、可疑交易风险分析结果中的信息进行去重、合并，获得可疑交易风险综合信息；
按照预先配置的信息推送策略，将可疑交易风险综合信息推送至客户尽调作业系统进行尽调审核。
在一实施例中，所述装置还包括配置模块509，用于：
接收针对规则模型的配置参数；
接收针对风险交易场景召回模型配置的客户数量。
综上所述，在本发明实施例提出的方法及装置中，从目标客户的客户数据中提取用于可疑交易监测的规则模型所需的第一输入特征，并输入至规则模型，获得第一客户风险分析结果，所述规则模型用于判断客户是否命中预设的可疑交易风险判断规则；根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据；从第一类客户数据中提取用于可疑交易监测的风险交易场景召回模型所需的第二输入特征，并输入至风险交易场景召回模型，获得客户风险等级分析结果，所述风险交易场景召回模型用于确定客户在预设的风险交易场景中的风险等级；根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，并确定需关注的风险交易场景标签列表；根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，所述第二客户风险分析结果包括多个风险交易场景对应的客户风险预测结果，所述风险交易场景排序模型用于确定客户在每个风险交易场景对应的客户风险预测结果，并对多个客户风险预测结果进行排序；根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果。与现有技术中AI算法模型与规则模型各自为政，分别进行可疑交易监测的技术方案相比，本发明引入了多重过滤环节，包括采用规则模型进行第一次过滤，从客户数据中筛选出第一类客户数据，采用风险交易场景召回模型进行第二次过滤，从第一类客户数据中筛选出第二类客户数据，这样后续再应用风险交易场景排序模型时，极大地减少风险交易场景排序模型的运算负担，满足业务对于时效性的要求；另外，此情况下的风险交易场景排序模型可突破对于人工智能模型复杂度、特征数量及特征复杂度的限制，大幅减低可疑交易客户误报；风险交易场景排序模型可无缝兼容现有规则模型体系，实现风险交易场景排序模型代表的人工智能模型体系与现有规则模型体系的有机融合，两者分工明确，能够发挥各自所长，形成整体优势；规则模型、风险交易场景召回模型、风险交易场景排序模型均可通过统一的、标准化的、插件化的方式进行支持，且相互解耦、互不影响。
另外，通过配置相关参数，自由控制各个风险交易场景的可疑交易客户数量，相比现有规则模型体系可大幅减少漏报；
另外，风险交易场景召回模型采用的是“1+N”模型体系。其中，对于风险交易场景特征不明显的，但是交易行为存在异常的，先通过通用模型进行召回，并将其记录到风险交易场景标签列表，后续再运行通用的风险交易场景排序模型进行风险评估，从而适配所有的可疑交易的情况，不遗漏任何可疑交易风险。
另外，本发明实施例中，风险交易场景排序模型包括两种情况。情况一：风险交易场景排序模型为一个独立的模型，可在不同风险交易场景自动调节各个第三输入特征的权重，自动聚焦与对应风险交易场景最为相关的第三输入特征，自动精准适配各个风险交易场景的数据分布特点，并且对于待分析客户的风险交易场景标签列表，综合评估其在多个风险交易场景的风险，给出更为精准、丰富、立体的风险交易场景风险分析信息；可根据所述标签列表，差异化地控制命中客户的非法资金转移风险分析相关的推理计算过程，使得仅触发与风险交易场景标签列表有关的对应的风险交易场景排序模型推理相关的计算任务，提高了计算效率。情况二：每个风险交易场景对应一个风险交易场景排序模型；风险交易模型库可实现集成化的、插件化的管理，对于新的风险交易场景的交易风险分析能力仅需添加相应的模型相关组件即可实现支持，已有交易风险场景的交易风险分析能力之间为松耦合形式，可单独维护、迭代、升级；且采用多套特征提取子模型和多个风险交易场景排序模型的形式，能够在风险场景粒度，给出更为精准的风险分析结果，使得客户风险画像更加丰富立体，帮助尽职调查审核系统理解模型预警结果，增强模型预警结果的业务可解释性；可根据风险交易场景标签列表，差异化地控制客户的交易风险评估相关的模型推理计算过程，使得仅触发与风险交易场景有关的特征提取模型和风险交易场景排序模型推理相关的计算任务，提高了这两种模型的计算效率；
另外，本发明可综合评估客户在其可能涉嫌的所有风险交易场景的风险程度，可给出了客户较为完整的风险画像信息，便于后续尽调分析人员分析客户所涉风险交易场景之间的关联，降低其对于客户风险交易场景风险的误判概率；在客户可能涉嫌的所有风险交易场景，可定量的给出各个模型输入特征对于模型预测结果的贡献程度，增强了模型预测结果的可解释性，对于后续尽调分析工作提供了相关线索和提示；上述风险综合评级方法，便于确定客户尽调分析任务的优先等级，优化尽调分析人力资源与客户尽调分析任务之间的匹配策略。
本发明实施例还提供一种计算机设备，图6为本发明实施例中计算机设备的示意图，所述计算机设备600包括存储器610、处理器620及存储在存储器610上并可在处理器620上运行的计算机程序630，所述处理器620执行所述计算机程序630时实现上述可疑交易监测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述可疑交易监测方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述可疑交易监测方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种可疑交易监测方法，其特征在于，包括：
从目标客户的客户数据中提取用于可疑交易监测的规则模型所需的第一输入特征，并输入至规则模型，获得第一客户风险分析结果，所述规则模型用于判断客户是否命中预设的可疑交易风险判断规则；
根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据；
从第一类客户数据中提取用于可疑交易监测的风险交易场景召回模型所需的第二输入特征，并输入至风险交易场景召回模型，获得客户风险等级分析结果，所述风险交易场景召回模型用于确定客户在预设的风险交易场景中的风险等级；
根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，并确定需关注的风险交易场景标签列表；
根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，所述第二客户风险分析结果包括多个风险交易场景对应的客户风险预测结果，所述风险交易场景排序模型用于确定客户在每个风险交易场景对应的客户风险预测结果，并对多个客户风险预测结果进行排序；
根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果；
第一客户风险分析结果包括第一风险等级、第二风险等级和第三风险等级；其中，第一风险等级的可疑交易风险高于第二风险等级，第二风险等级的可疑交易风险高于第三风险等级；根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据，包括：从客户数据中筛选出第一客户风险分析结果为第二风险等级的客户数据；所述方法还包括：将第一客户风险分析结果为第一风险等级的客户数据全部推送至客户尽调作业系统；
每个风险交易场景对应一个风险交易场景排序模型；根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，包括：对风险交易场景标签列表中的每个风险交易场景标签，启动该风险交易场景标签对应的特征提取子模型提取第三输入特征，并将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型，第二客户风险分析结果；
所述方法还包括：在新增风险交易场景时，基于该风险交易场景的标签，将该风险交易场景对应的特征提取子模型存储至风险交易模型库的特征提取模型组，将该风险交易场景对应的风险交易场景排序模型存储至风险交易模型库的风险交易场景排序模型组；
对风险交易场景标签列表中的每个风险交易场景标签，启动该风险交易场景标签对应的特征提取子模型提取第三输入特征，并将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型，包括：对每个风险交易场景标签，从特征提取模型组查找该风险交易场景对应的特征提取子模型提取第三输入特征；从风险交易场景排序模型组查找该风险交易场景对应的风险交易场景排序模型；将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型。
2.如权利要求1所述的方法，其特征在于，客户风险等级分析结果包括第一客户风险等级和第二客户风险等级，其中，第一客户风险等级的关注优先级高于第二客户风险等级；
根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，包括：
从第一类客户数据中筛选出客户风险等级分析结果为第一客户风险等级的客户数据。
3.如权利要求1所述的方法，其特征在于，风险交易场景召回模型包括多个规则模型和一个通用人工智能模型。
4.如权利要求1所述的方法，其特征在于，客户风险预测结果包括第一客户风险预测结果、第二客户风险分析结果；其中，客户风险预测结果的可疑交易风险高于第二客户风险预测结果；
根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果，包括：
筛选出客户风险预测结果为第一客户风险预测结果的第二客户风险分析结果；
根据设定的各个风险交易场景的评级阈值，对筛选出的第二客户风险分析结果进行评级，获得客户可疑交易风险评级列表；
按照预设规则，对客户可疑交易风险评级列表中的所有客户可疑交易风险评级进行计算，获得目标客户的可疑交易风险分析结果。
5.如权利要求4所述的方法，其特征在于，在获得目标客户的可疑交易风险分析结果之后，还包括：
对第二客户风险分析结果进行模型解释，获得风险交易场景排序模型预测结果解释列表；
对目标客户的第一输入特征、第一客户风险分析结果、规则模型编号、第二输入特征、客户风险等级分析结果、风险交易场景标签列表、第三输入特征、第二客户风险分析结果、风险交易场景排序模型预测结果解释列表、客户可疑交易风险评级列表、可疑交易风险分析结果中的信息进行去重、合并，获得可疑交易风险综合信息；
按照预先配置的信息推送策略，将可疑交易风险综合信息推送至客户尽调作业系统进行尽调审核。
6.如权利要求1所述的方法，其特征在于，还包括：
接收针对规则模型的配置参数；
接收针对风险交易场景召回模型配置的客户数量。
7.一种可疑交易监测装置，其特征在于，包括：
规则模型模块，用于从目标客户的客户数据中提取用于可疑交易监测的规则模型所需的第一输入特征，并输入至规则模型，获得第一客户风险分析结果；
第一筛选模块，用于根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据；
风险交易场景召回模型模块，用于从第一类客户数据中提取用于可疑交易监测的风险交易场景召回模型所需的第二输入特征，并输入至风险交易场景召回模型，获得客户风险等级分析结果；
第二筛选模块，用于根据客户风险等级分析结果，从第一类客户数据中筛选出第二类客户数据，并确定需关注的风险交易场景标签列表；
风险交易场景排序模型模块，用于根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，所述第二客户风险分析结果包括多个风险交易场景对应的客户风险预测结果；
可疑交易风险分析模块，用于根据客户在多个风险交易场景对应的客户风险预测结果，进行风险综合计算，获得目标客户的可疑交易风险分析结果；
第一客户风险分析结果包括第一风险等级、第二风险等级和第三风险等级；其中，第一风险等级的可疑交易风险高于第二风险等级，第二风险等级的可疑交易风险高于第三风险等级；根据第一客户风险分析结果，从客户数据中筛选出第一类客户数据，包括：从客户数据中筛选出第一客户风险分析结果为第二风险等级的客户数据；所述方法还包括：将第一客户风险分析结果为第一风险等级的客户数据全部推送至客户尽调作业系统；
每个风险交易场景对应一个风险交易场景排序模型；根据风险交易场景标签列表，从第二类客户数据中提取第三输入特征，并输入至风险交易场景排序模型，获得第二客户风险分析结果，包括：对风险交易场景标签列表中的每个风险交易场景标签，启动该风险交易场景标签对应的特征提取子模型提取第三输入特征，并将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型，第二客户风险分析结果；
还包括：在新增风险交易场景时，基于该风险交易场景的标签，将该风险交易场景对应的特征提取子模型存储至风险交易模型库的特征提取模型组，将该风险交易场景对应的风险交易场景排序模型存储至风险交易模型库的风险交易场景排序模型组；
对风险交易场景标签列表中的每个风险交易场景标签，启动该风险交易场景标签对应的特征提取子模型提取第三输入特征，并将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型，包括：对每个风险交易场景标签，从特征提取模型组查找该风险交易场景对应的特征提取子模型提取第三输入特征；从风险交易场景排序模型组查找该风险交易场景对应的风险交易场景排序模型；将提取的第三输入特征输入至该风险交易场景标签对应的风险交易场景排序模型。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
9.一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存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311303535.1A CN117035434B (zh) | 2023-10-10 | 2023-10-10 | 可疑交易监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311303535.1A CN117035434B (zh) | 2023-10-10 | 2023-10-10 | 可疑交易监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117035434A CN117035434A (zh) | 2023-11-10 |
| CN117035434B true CN117035434B (zh) | 2023-12-29 |
Family
ID=88639512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311303535.1A Active CN117035434B (zh) | 2023-10-10 | 2023-10-10 | 可疑交易监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117035434B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11119630B1 (en) * | 2018-06-19 | 2021-09-14 | Palantir Technologies Inc. | Artificial intelligence assisted evaluations and user interface for same |
| CN115131145A (zh) * | 2022-06-27 | 2022-09-30 | 度小满科技(北京)有限公司 | 可疑交易监测方法、装置、电子装置及存储介质 |
| CN116523303A (zh) * | 2023-04-07 | 2023-08-01 | 平安银行股份有限公司 | 一种风险客户检测方法、装置、存储介质及设备 |
| CN116757835A (zh) * | 2023-06-30 | 2023-09-15 | 中国工商银行股份有限公司 | 信用卡客户贷中交易风险监控方法及装置 |
-
2023
- 2023-10-10 CN CN202311303535.1A patent/CN117035434B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11119630B1 (en) * | 2018-06-19 | 2021-09-14 | Palantir Technologies Inc. | Artificial intelligence assisted evaluations and user interface for same |
| CN115131145A (zh) * | 2022-06-27 | 2022-09-30 | 度小满科技(北京)有限公司 | 可疑交易监测方法、装置、电子装置及存储介质 |
| CN116523303A (zh) * | 2023-04-07 | 2023-08-01 | 平安银行股份有限公司 | 一种风险客户检测方法、装置、存储介质及设备 |
| CN116757835A (zh) * | 2023-06-30 | 2023-09-15 | 中国工商银行股份有限公司 | 信用卡客户贷中交易风险监控方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于金融行业支付场景的安全态势感知模型研究;廖渊 等;信息安全研究(第03期);第235-243 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117035434A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609708B (zh) | 一种基于手机游戏商店的用户流失预测方法及系统 | |
| CN110399550B (zh) | 一种信息推荐方法及装置 | |
| CN109255499B (zh) | 投诉、投诉案件处理方法、装置及设备 | |
| CN103294592B (zh) | 利用用户工具交互来自动分析其服务交付中的缺陷的方法与系统 | |
| CN112235327A (zh) | 异常日志检测方法、装置、设备和计算机可读存储介质 | |
| CN111950622B (zh) | 基于人工智能的行为预测方法、装置、终端及存储介质 | |
| CN113222149B (zh) | 模型训练方法、装置、设备和存储介质 | |
| CN114742477B (zh) | 企业订单数据处理方法、装置、设备及存储介质 | |
| CN112116168B (zh) | 一种用户行为的预测方法、装置及电子设备 | |
| CN113270197A (zh) | 一种基于人工智能的健康预测方法、系统及存储介质 | |
| CN112185468B (zh) | 一种用于基因数据分析和处理的云端管理系统及方法 | |
| CN113609393B (zh) | 一种基于数据服务和数据管理的数字化平台 | |
| CN110874744A (zh) | 一种数据异常检测方法及装置 | |
| CN112434178A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
| CN114757432A (zh) | 基于流程日志和多任务学习的未来执行活动及时间预测方法及系统 | |
| CN115687732A (zh) | 基于ai和流式计算的用户分析方法及系统 | |
| CN116109139A (zh) | 风控策略生成方法、决策方法、服务器及存储介质 | |
| CN116756688A (zh) | 一种基于多模态融合算法的舆情风险发现方法 | |
| CN112365269A (zh) | 风险检测方法、装置、设备以及存储介质 | |
| CN113762973A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| CN117035434B (zh) | 可疑交易监测方法及装置 | |
| CN113010659A (zh) | 一种问卷样本处理方法及装置 | |
| CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
| CN116136897A (zh) | 信息处理方法以及装置 | |
| CN115439928A (zh) | 一种操作行为识别方法及装置 |
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 |