CN117575607A - 交易风险识别方法、装置、计算机设备和存储介质 - Google Patents
交易风险识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117575607A CN117575607A CN202311594742.7A CN202311594742A CN117575607A CN 117575607 A CN117575607 A CN 117575607A CN 202311594742 A CN202311594742 A CN 202311594742A CN 117575607 A CN117575607 A CN 117575607A
- Authority
- CN
- China
- Prior art keywords
- transaction
- target
- knowledge graph
- information
- entity
- 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 39
- 238000004590 computer program Methods 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 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
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种交易风险识别方法、装置、计算机设备和存储介质。属于人工智能技术领域,所述方法包括:获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;根据交易关联信息,构建目标交易的原始交易知识图谱;根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果,本申请相较于传统的仅依靠客户评级或预先设定的较为固定的风险识别规则,本申请不仅有效增加了风险识别结果的准确性,还可通过交易知识图谱更加直观、清晰的展示目标交易的相关信息。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种交易风险识别方法、装置、计算机设备和存储介质。
背景技术
传统的风险识别方法主要是基于主观设定的风险识别规则及客户评级为主。
传统的风险识别方法在进行交易风险识别时,具有一定的局限性,例如,仅根据设定的风险识别规则就断定交易存在风险,这种一概而论的方法往往存在较大的误差,或者仅根据客户评级就认定该客户的所有交易均存在风险,这种风险识别方法得到的结果准确性也较差,并不适用于当下灵活多变的欺诈手段。
发明内容
基于此,有必要针对上述技术问题,提供一种可准确提升交易风险识别准确性的交易风险识别方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种交易风险识别方法。该方法包括:
获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
根据交易关联信息,构建目标交易的原始交易知识图谱;
根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果。
在其中一个实施例中,根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果,包括:
根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱;
基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险识别结果。
在其中一个实施例中,基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险识别结果,包括:
基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别;
采用风险类别,对目标交易知识图谱中的关系属性信息进行更新;
将更新后的交易知识图谱,作为目标交易的风险识别结果。
在其中一个实施例中,风险识别模型包括风险识别网络和特征提取网络,基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别,包括:
基于特征提取网络,提取目标交易知识图谱的实体特征和关系特征;
基于风险识别网络,根据实体特征和关系特征,确定目标交易的风险类别。
在其中一个实施例中,根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱,包括:
获取交易实体信息中两个交易实体间的历史交易记录;
从历史交易记录中选取与目标交易的交易类型相同的目标交易记录;
采用目标交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱。
在其中一个实施例中,实体属性信息包括实体信用等级,关系属性信息包括交易平台的平台信用等级,根据交易关联信息,构建目标交易的原始交易知识图谱,包括:
根据实体信用等级和/或平台信用等级,确定目标交易的交易安全等级;
若交易安全等级低于等级阈值,则根据交易关联信息,构建目标交易的原始交易知识图谱。
第二方面,本申请还提供了一种交易风险识别装置。该装置包括:
获取模块,用于获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
构建模块,用于根据交易关联信息,构建目标交易的原始交易知识图谱;
确定模块,用于根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果。
第三方面,本申请还提供了一种计算机设备。计算机设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
根据交易关联信息,构建目标交易的原始交易知识图谱;
根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果。
第四方面,本申请还提供了一种计算机可读存储介质。计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
根据交易关联信息,构建目标交易的原始交易知识图谱;
根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果。
第五方面,本申请还提供了一种计算机程序产品。计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
根据交易关联信息,构建目标交易的原始交易知识图谱;
根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果。
上述交易风险识别方法、装置、计算机设备和存储介质,获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;根据交易关联信息,构建目标交易的原始交易知识图谱;根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果,本申请首先根据交易关联信息构建目标交易的原始交易知识图谱,并根据原始交易知识图谱和交易实体信息中的两个交易实体间的历史交易记录,最终确定风险识别结果,相较于传统的仅依靠客户评级或预先设定的较为固定的风险识别规则,本申请不仅有效增加了风险识别结果的准确性,还可通过交易知识图谱更加直观、清晰的展示目标交易的相关信息。
附图说明
图1为本实施例提供的交易风险识别方法的应用环境图;
图2为本实施例提供的第一种交易风险识别方法的流程示意图;
图3为本实施例提供的确定目标交易的风险识别结果的流程示意图;
图4为本实施例提供的确定目标交易的风险类别的流程示意图;
图5为本实施例提供的将构建目标交易的原始交易知识图谱的流程示意图;
图6为本实施例提供的第二种交易风险识别方法的流程示意图;
图7为本实施例提供的一种交易风险识别装置的结构框图;
图8为本实施例提供的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储异常数据的获取数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种交易风险识别方法。
在其中一个实施例中,提供了一种交易风险识别方法,如图2所示,包括以下步骤:
S201,获取目标交易的交易关联信息。其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息。
其中,目标交易是指需要识别是否存在交易风险的交易任务。交易关联信息是指与目标交易相关联的信息。交易实体信息是指目标交易中具有可区别性且独立存在的某个物体,本申请中交易实体可以是指银行卡。交易关系信息是指目标交易中的两个交易实体间的关系信息,本申请中交易关系信息是指资产流向关系,例如,哪个是资产接收方(例如收款方)和哪个是资产发送方(例如付款方)。实体属性信息是指交易实体的相关属性信息,主要包括账户号、账户余额、开户人、开户人的身份标识、开户行和开户时利用到的证件信息(很多诈骗人员利用的银行卡,开户时利用到的证件信息是一些军官证、护照等)等。关系属性信息是指交易关系的属性信息,例如交易时间、交易金额、交易地点和交易平台等。
本实施例一种可选的实施方式为:将目标交易的原始信息输入至训练好的神经网络模型中,由神经网络模型对目标交易的相关信息进行自动提取,并输出目标交易的交易关联信息。
本实施例另一种可选的实施方式为:利用语义分析工具对目标交易的原始信息进行语义识别,进而获取目标交易的交易关联信息。
可选的,本实施例中利用目标交易的原始信息获取目标交易的交易关联信息之前,可先对目标交易的原始信息进行预处理,例如进行筛选、校正等处理。
S202,根据交易关联信息,构建目标交易的原始交易知识图谱。
其中,原始交易知识图谱是指根据交易关联信息构建得到的知识图谱,知识图谱是一种语义网络,主要包括实体和关系,以及实体属性和关系属性。
本实施例一种可选的实施方式为:将交易关联信息,即交易实体信息、交易关系信息、实体属性信息和关系属性信息,输入至知识图谱构建工具中,由知识图谱构建工具,自动构建目标交易的原始交易知识图谱。
本实施例另一种可选的实施方式为:根据交易关联信息,即交易实体信息、交易关系信息、实体属性信息和关系属性信息,构建配置文件,配置文件中包括实体表和关系表,实体表中记录的是交易实体信息和实体属性信息,关系表中记录的交易关系信息和关系属性信息,将配置文件导入到图谱构建工具(例如图数据库)中,构建并存储目标交易的原始交易知识图谱。
S203,根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果。
其中,历史交易记录是指在历史时段内(例如近一个月、近一年等)两个交易实体间的交易情况。风险识别结果是指针对目标交易的风险识别情况,有无风险。
可选的,本实施例中可通过原始交易知识图谱,获取目标交易的交易实体信息、交易关系信息、实体属性信息和关系属性信息,将获取的目标交易的交易实体信息、交易关系信息、实体属性信息和关系属性信息,以及目标交易的交易实体信息中两个交易实体间的历史交易记录,输入至训练好的预测模型中,由预测模型输出目标交易的风险识别结果。其中,预测模型可以为可识别交易风险的神经网络模型。
上述交易风险识别方法,可通过获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;根据交易关联信息,构建目标交易的原始交易知识图谱;根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果,本申请首先根据交易关联信息构建目标交易的原始交易知识图谱,并根据原始交易知识图谱和交易实体信息中的两个交易实体间的历史交易记录,最终确定风险识别结果,相较于传统的仅依靠客户评级或预先设定的较为固定的风险识别规则,本申请不仅有效增加了风险识别结果的准确性,还可通过交易知识图谱更加直观、清晰的展示目标交易的相关信息。
在其中一个实施例中,为了更加准确的确定交易风险识别结果,如图3所示,S203一种可选实施方式,包括:
S301,根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱。
其中,目标交易知识图谱是指对原始交易知识图谱更新后得到的知识图谱。
本实施例一种可选的实施方式为:根据交易实体信息中两个交易实体间的历史交易记录,获取补充实体属性信息和补充关系属性信息,基于补充实体属性信息和补充关系属性信息,对原始交易知识图谱中的实体属性信息和关系属性信息进行更新,得到目标交易知识图谱。
本实施例另一种可选的实施方式为:获取交易实体信息中两个交易实体间的历史交易记录。从历史交易记录中选取与目标交易的交易类型相同的目标交易记录,例如从历史交易记录获取资源转移类型(例如,转账)的目标交易记录,根据目标交易记录对原始交易知识图谱的关系属性信息进行更新,得到目标交易知识图谱。
S302,基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险识别结果。
其中,风险识别模型是指可基于交易相关信息进行目标交易的风险预测的神经网络模型。
可选的,本实施例中可基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别(例如有无风险,若有风险,风险的类型是什么,例如电信诈骗、购物诈骗等)。采用风险类别,对目标交易知识图谱中的关系属性信息进行更新。将更新后的交易知识图谱,作为目标交易的风险识别结果。
本实施例中基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别的可选实施方式为:将目标交易知识图谱输入至风险识别模型,由风险识别模型确定目标交易的风险类别。
可选的,本实施例中根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱,基于风险识别模型,根据目标交易知识图谱,更加准确的确定目标交易的风险识别结果。
可选的,本实施例中采用风险类别,对目标交易知识图谱中的关系属性信息进行更新的可选实施方式为:根据风险类别,确定关系风险属性,例如,若风险类别为诈骗,则关系风险属性为诈骗,并将关系风险属性添加至关系属性信息中,完成对交易知识图谱中的关系属性信息的更新。
在其中一个实施例中,为了更加准确的确定风险类别,如图4所示,基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别的可选实施方式,包括:
S401,基于特征提取网络,提取目标交易知识图谱的实体特征和关系特征。
其中,特征提取网络是指风险识别模型中的用于提取相关特征的神经网络。
可选的,本实施例可将目标交易知识图谱输入至特征提取网络,由特征提取网络提取目标交易知识图谱的实体特征和关系特征。
S402,基于风险识别网络,根据实体特征和关系特征,确定目标交易的风险类别。
其中,风险识别网络是指风险识别模型中用于进行风险识别的神经网络。
可选的,本实施例中可将提取的实体特征和关系特征输入至风险识别网络,由风险识别网络输出目标交易的风险类别。
本实施例中,基于特征提取网络,提取目标交易知识图谱的实体特征和关系特征。基于风险识别网络,根据实体特征和关系特征,可更加准确的确定目标交易的风险类别。
在其中一个实施例中,为了降低服务器的计算负担,如图5所示,S202一种可选的实施方式,包括:
S501,根据实体信用等级和/或平台信用等级,确定目标交易的交易安全等级。
其中,实体信用等级是指交易实体信息中的交易实体对应的开户人(一般是个人或企业)的信用等级,可根据交易实体的经营规模、信誉评分等确定,也可以根据交易实体的排名确定,例如世界500强企业,排名越高,等级越高。平台信用等级是指关系属性信息中的交易平台的信用等级,也可以根据交易平台对应企业的经营规模、信誉评分确定。
本实施例一种可选的实施方式为:将实体信用等级作为目标交易的交易安全等级。
本实施例另一种可选的实施方式为:将平台信用等级作为目标交易的交易安全等级。
本实施例又一种可选的实施方式为:根据实体信用等级和平台信用等级,确定目标交易的交易安全等级。具体的,可对实体信用等级和平台信用等级进行融合,得到目标交易的交易安全等级。融合的方式可以为求和、加权求和、求乘积等。
S502,若交易安全等级低于等级阈值,则根据交易关联信息,构建目标交易的原始交易知识图谱。
其中,等级阈值是指用于判断交易安全等级是否符合要求的临界值。
可选的,本实施例中若交易安全等级低于等级阈值,则根据交易关联信息,构建目标交易的原始交易知识图谱,也就是说,只有在交易安全等级低于等级阈值的情况下,才执行根据交易关联信息,构建目标交易的原始交易知识图谱的步骤。
可选的,本实施例中若交易安全等级不低于等级阈值,则确定目标交易的风险识别结果为无风险。也就是说,若交易安全等级不低于等级阈值,则直接确定目标交易并不存在风险,无需构建目标交易的原始交易知识图谱。
本实施例中,增加了交易安全等级,若交易安全等级低于等级阈值,则根据交易关联信息,构建目标交易的原始交易知识图谱,若交易安全等级不低于等级阈值,则确定目标交易不存在风险,并不构建目标交易的原始交易知识图谱,直接确定目标交易的风险识别结果为无风险,不仅提高了风险识别结果的响应速度,还降低了服务器的计算负担。
在其中一个实施例中,如图6所示,一种交易风险识别方法可选的实施方式,包括:
S601,获取目标交易的交易关联信息。其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;实体属性信息至少包括实体信用等级,关系属性信息至少包括交易平台的平台信用等级。
S602,根据实体信用等级和平台信用等级,确定目标交易的交易安全等级。
S603,若交易安全等级低于等级阈值,则根据交易关联信息,构建目标交易的原始交易知识图谱。
S604,获取交易实体信息中两个交易实体间的历史交易记录。
S605,从历史交易记录中选取与目标交易的交易类型相同的目标交易记录。
S606,采用目标交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱。
S607,基于特征提取网络,提取目标交易知识图谱的实体特征和关系特征。
S608,基于风险识别网络,根据实体特征和关系特征,确定目标交易的风险类别。
S609,采用风险类别,对目标交易知识图谱中的关系属性信息进行更新。
S6010,将更新后的交易知识图谱,作为目标交易的风险识别结果。
本实施例中可通过获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;根据交易关联信息,构建目标交易的原始交易知识图谱;根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果,本申请首先根据交易关联信息构建目标交易的原始交易知识图谱,并根据原始交易知识图谱和交易实体信息中的两个交易实体间的历史交易记录,最终确定风险识别结果,相较于传统的仅依靠客户评级或预先设定的较为固定的风险识别规则,本申请不仅有效增加了风险识别结果的准确性,还可通过交易知识图谱更加直观、清晰的展示目标交易的相关信息。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的交易风险识别方法的交易风险识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个交易风险识别装置实施例中的具体限定可以参见上文中对于交易风险识别方法的限定,在此不再赘述。
在其中一个实施例中,如图7所示,提供了一种交易风险识别装置1,包括:获取模块10、构建模块20和确定模块30,其中:
获取模块10,用于获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
构建模块20,用于根据交易关联信息,构建目标交易的原始交易知识图谱;
确定模块30,用于根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果。
在其中一个实施例中,上图7中的确定模块30,还具体用于:
根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱;
基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险识别结果。
在其中一个实施例中,上图7中的确定模块30,还具体用于:
基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别;
采用风险类别,对目标交易知识图谱中的关系属性信息进行更新;
将更新后的交易知识图谱,作为目标交易的风险识别结果。
在其中一个实施例中,上图7中的确定模块30,还具体用于:
基于特征提取网络,提取目标交易知识图谱的实体特征和关系特征;
基于风险识别网络,根据实体特征和关系特征,确定目标交易的风险类别。
在其中一个实施例中,上图7中的确定模块30,还具体用于:
获取交易实体信息中两个交易实体间的历史交易记录;
从历史交易记录中选取与目标交易的交易类型相同的目标交易记录;
采用目标交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱。
在其中一个实施例中,实体属性信息包括实体信用等级,关系属性信息包括交易平台的平台信用等级,在此基础上,上图7中的构建模块20,还具体用于:
根据实体信用等级和平台信用等级,确定目标交易的交易安全等级;
若交易安全等级低于等级阈值,则根据交易关联信息,构建目标交易的原始交易知识图谱。
上述交易风险识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标交易的相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种交易风险识别方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
根据交易关联信息,构建目标交易的原始交易知识图谱;
根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果,包括:
根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱;
基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险识别结果,包括:
基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别;
采用风险类别,对目标交易知识图谱中的关系属性信息进行更新;
将更新后的交易知识图谱,作为目标交易的风险识别结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:风险识别模型包括风险识别网络和特征提取网络,基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别,包括:
基于特征提取网络,提取目标交易知识图谱的实体特征和关系特征;
基于风险识别网络,根据实体特征和关系特征,确定目标交易的风险类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱,包括:
获取交易实体信息中两个交易实体间的历史交易记录;
从历史交易记录中选取与目标交易的交易类型相同的目标交易记录;
采用目标交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:实体属性信息包括实体信用等级,关系属性信息包括交易平台的平台信用等级,根据交易关联信息,构建目标交易的原始交易知识图谱,包括:
根据实体信用等级和/或平台信用等级,确定目标交易的交易安全等级;
若交易安全等级低于等级阈值,则根据交易关联信息,构建目标交易的原始交易知识图谱。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
根据交易关联信息,构建目标交易的原始交易知识图谱;
根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果,包括:
根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱;
基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险识别结果,包括:
基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别;
采用风险类别,对目标交易知识图谱中的关系属性信息进行更新;
将更新后的交易知识图谱,作为目标交易的风险识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:风险识别模型包括风险识别网络和特征提取网络,基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别,包括:
基于特征提取网络,提取目标交易知识图谱的实体特征和关系特征;
基于风险识别网络,根据实体特征和关系特征,确定目标交易的风险类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱,包括:
获取交易实体信息中两个交易实体间的历史交易记录;
从历史交易记录中选取与目标交易的交易类型相同的目标交易记录;
采用目标交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:实体属性信息包括实体信用等级,关系属性信息包括交易平台的平台信用等级,根据交易关联信息,构建目标交易的原始交易知识图谱,包括:
根据实体信用等级和/或平台信用等级,确定目标交易的交易安全等级;
若交易安全等级低于等级阈值,则根据交易关联信息,构建目标交易的原始交易知识图谱。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标交易的交易关联信息;其中,交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
根据交易关联信息,构建目标交易的原始交易知识图谱;
根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据原始交易知识图谱和交易实体信息中两个交易实体间的历史交易记录,确定目标交易的风险识别结果,包括:
根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱;
基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险识别结果,包括:
基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别;
采用风险类别,对目标交易知识图谱中的关系属性信息进行更新;
将更新后的交易知识图谱,作为目标交易的风险识别结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:风险识别模型包括风险识别网络和特征提取网络,基于风险识别模型,根据目标交易知识图谱,确定目标交易的风险类别,包括:
基于特征提取网络,提取目标交易知识图谱的实体特征和关系特征;
基于风险识别网络,根据实体特征和关系特征,确定目标交易的风险类别。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据交易实体信息中两个交易实体间的历史交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱,包括:
获取交易实体信息中两个交易实体间的历史交易记录;
从历史交易记录中选取与目标交易的交易类型相同的目标交易记录;
采用目标交易记录,对原始交易知识图谱进行更新,得到目标交易知识图谱。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:实体属性信息包括实体信用等级,关系属性信息包括交易平台的平台信用等级,根据交易关联信息,构建目标交易的原始交易知识图谱,包括:
根据实体信用等级和/或平台信用等级,确定目标交易的交易安全等级;
若交易安全等级低于等级阈值,则根据交易关联信息,构建目标交易的原始交易知识图谱。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种交易风险识别方法,其特征在于,所述方法包括:
获取目标交易的交易关联信息;其中,所述交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
根据所述交易关联信息,构建所述目标交易的原始交易知识图谱;
根据所述原始交易知识图谱和所述交易实体信息中两个交易实体间的历史交易记录,确定所述目标交易的风险识别结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述原始交易知识图谱和所述交易实体信息中两个交易实体间的历史交易记录,确定所述目标交易的风险识别结果,包括:
根据所述交易实体信息中两个交易实体间的历史交易记录,对所述原始交易知识图谱进行更新,得到目标交易知识图谱;
基于风险识别模型,根据所述目标交易知识图谱,确定所述目标交易的风险识别结果。
3.根据权利要求2所述的方法,其特征在于,所述基于风险识别模型,根据所述目标交易知识图谱,确定所述目标交易的风险识别结果,包括:
基于风险识别模型,根据所述目标交易知识图谱,确定所述目标交易的风险类别;
采用所述风险类别,对所述目标交易知识图谱中的关系属性信息进行更新;
将更新后的交易知识图谱,作为所述目标交易的风险识别结果。
4.根据权利要求3所述的方法,其特征在于,所述风险识别模型包括风险识别网络和特征提取网络,所述基于风险识别模型,根据所述目标交易知识图谱,确定所述目标交易的风险类别,包括:
基于所述特征提取网络,提取所述目标交易知识图谱的实体特征和关系特征;
基于所述风险识别网络,根据所述实体特征和所述关系特征,确定所述目标交易的风险类别。
5.根据权利要求2所述的方法,其特征在于,所述根据所述交易实体信息中两个交易实体间的历史交易记录,对所述原始交易知识图谱进行更新,得到目标交易知识图谱,包括:
获取所述交易实体信息中两个交易实体间的历史交易记录;
从所述历史交易记录中选取与所述目标交易的交易类型相同的目标交易记录;
采用所述目标交易记录,对所述原始交易知识图谱进行更新,得到目标交易知识图谱。
6.根据权利要求1所述的方法,其特征在于,所述实体属性信息包括实体信用等级,所述关系属性信息包括交易平台的平台信用等级,所述根据交易关联信息,构建所述目标交易的原始交易知识图谱,包括:
根据所述实体信用等级和/或所述平台信用等级,确定所述目标交易的交易安全等级;
若所述交易安全等级低于所述等级阈值,则根据所述交易关联信息,构建所述目标交易的原始交易知识图谱。
7.一种交易风险识别装置,其特征在于,所述装置包括:
获取模块,用于获取目标交易的交易关联信息;其中,所述交易关联信息包括交易实体信息、交易关系信息、实体属性信息和关系属性信息;
构建模块,用于根据所述交易关联信息,构建所述目标交易的原始交易知识图谱;
确定模块,用于根据所述原始交易知识图谱和所述交易实体信息中两个交易实体间的历史交易记录,确定所述目标交易的风险识别结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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中任一项所述的交易风险识别方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的交易风险识别方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的交易风险识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311594742.7A CN117575607A (zh) | 2023-11-27 | 2023-11-27 | 交易风险识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311594742.7A CN117575607A (zh) | 2023-11-27 | 2023-11-27 | 交易风险识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117575607A true CN117575607A (zh) | 2024-02-20 |
Family
ID=89889720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311594742.7A Pending CN117575607A (zh) | 2023-11-27 | 2023-11-27 | 交易风险识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575607A (zh) |
-
2023
- 2023-11-27 CN CN202311594742.7A patent/CN117575607A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095408A (zh) | 风险的确定方法、装置和服务器 | |
CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
CN114626936A (zh) | 信贷业务数据处理方法、装置、计算机设备和存储介质 | |
CN117435603A (zh) | 数据一致性确定模型的训练方法、装置和计算机设备 | |
CN117575773A (zh) | 业务数据的确定方法、装置、计算机设备、存储介质 | |
CN116993513A (zh) | 金融风控模型解释方法、装置及计算机设备 | |
CN116800831A (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
CN117575607A (zh) | 交易风险识别方法、装置、计算机设备和存储介质 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN114942997A (zh) | 数据处理、模型训练、风险识别方法、设备及存储介质 | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN113256351A (zh) | 用户业务需求识别方法、装置及计算机可读存储介质 | |
CN113344581A (zh) | 业务数据处理方法及装置 | |
CN113094595A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
CN117390258A (zh) | 金融业务推荐方法、装置、计算机设备和存储介质 | |
CN118229395A (zh) | 监测指标异动分析方法、装置、计算机设备和存储介质 | |
CN115936830A (zh) | 企业信用风险评估方法及装置 | |
CN118229296A (zh) | 账户的异常行为识别方法、装置、计算机设备和存储介质 | |
CN116091209A (zh) | 信贷业务处理方法、装置、计算机设备和存储介质 | |
CN117455664A (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN116976187A (zh) | 建模变量确定方法、异常数据预测模型构建方法和装置 | |
CN117522138A (zh) | 金融业务系统的测试风险识别方法、装置、设备和介质 | |
CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 | |
CN117172921A (zh) | 自助终端的交易处理方法、装置、设备及存储介质 | |
CN116934001A (zh) | 账户资源确定方法、装置、计算机设备和存储介质 |
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 |