CN117575782B - 一种基于Leiden社区发现算法的团伙欺诈识别方法 - Google Patents
一种基于Leiden社区发现算法的团伙欺诈识别方法 Download PDFInfo
- Publication number
- CN117575782B CN117575782B CN202410052941.3A CN202410052941A CN117575782B CN 117575782 B CN117575782 B CN 117575782B CN 202410052941 A CN202410052941 A CN 202410052941A CN 117575782 B CN117575782 B CN 117575782B
- Authority
- CN
- China
- Prior art keywords
- communities
- community
- fraud
- users
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 35
- 238000012216 screening Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect 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
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于Leiden社区发现算法的团伙欺诈识别方法,属于风险识别技术领域,具体包括:根据不同的用户的个体数据进行不同的用户之间的关联关系的确定,并根据关联关系和leiden社区发现算法将同的用户划分至不同的社区,利用社区的欺诈用户以及疑似欺诈用户、不同的用户的欺诈风险进行不同的社区的综合欺诈风险以及二次辨识社区的确定,将与二次辨识社区存在关联关系的社区作为关联社区,并根据与不同的关联社区的关联关系以及不同的关联社区的综合欺诈风险对二次辨识社区的综合欺诈风险进行修正得到修正欺诈风险,通过修正欺诈风险以及不同的用户的欺诈风险确定二次辨识社区的二次风险辨识用户,提升了团伙欺诈识别的准确性。
Description
技术领域
本发明属于风险识别技术领域,尤其涉及一种基于Leiden社区发现算法的团伙欺诈识别方法。
背景技术
在信贷场景中,信贷欺诈是一个重要议题。借款人通常用虚构数据、隐瞒事实的方式来骗取贷款,但在主观上并没有还款意愿,这往往会给资金出借方造成较大损失。欺诈人群往往会聚集成一个团伙,形成团伙欺诈。目前的反欺诈手段,例如三要素验证、基于Leiden社区发现算法的团伙欺诈识别、地址定位、黑名单命中、多头借贷等,更多关注用户本身的信息和特征,只能进行单一用户的反欺诈检测,而没有关注到用户之间的关系,用以团伙欺诈检测。
为解决上述技术问题,现有技术方案中CN201710594244.0《一种团伙欺诈的发现方法及装置》通过利用社区划分方法对网络关系数据进行社区划分后,对划分后的社区根据特征指标信息进行团伙欺诈风险预测,实现了对团伙欺诈的监控,但是却存在一下技术问题:
现有技术方案中忽视了根据不同的社区中的欺诈用户的识别结果以及与其它的社区的关联关系进行不同的社区的用户的综合欺诈风险的确定,具体的,对于同一个社区中存在多个欺诈用户时,同时关联的社区的综合欺诈风险较大时,则此时的社区存在欺诈风险的概率明显更高,因此若不能进行不同的社区的用户的综合欺诈风险的评估,则无法准确的实现对风险社区和风险用户的识别。
针对上述技术问题,本发明提供了一种基于Leiden社区发现算法的团伙欺诈识别方法。
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,提供了一种基于Leiden社区发现算法的团伙欺诈识别方法。
一种基于Leiden社区发现算法的团伙欺诈识别方法,其特征在于,具体包括:
S1根据不同的用户的个体数据进行不同的用户之间的关联关系的确定,并根据所述关联关系和leiden社区发现算法将不同的用户划分至不同的社区;
S2基于历史欺诈行为的识别结果进行所述用户中的欺诈用户的识别,并根据与社区内的欺诈用户的关联关系以及与其它的社区的欺诈用户的关联关系进行不同的用户的欺诈风险以及疑似欺诈用户的识别,将所述疑似欺诈用户作为二次风险辨识用户;
S3利用社区的欺诈用户以及疑似欺诈用户、不同的用户的欺诈风险进行不同的社区的综合欺诈风险以及二次辨识社区的确定;
S4将与所述二次辨识社区存在关联关系的社区作为关联社区,并根据与不同的关联社区的关联关系以及不同的关联社区的综合欺诈风险对所述二次辨识社区的综合欺诈风险进行修正得到修正欺诈风险,通过所述修正欺诈风险以及不同的用户的欺诈风险确定二次辨识社区的二次风险辨识用户。
本发明的有益效果在于:
1、根据关联关系和leiden社区发现算法将不同的用户划分至不同的社区,进而实现了从不同的用户之间的关联关系的角度将用户划分至多个社区,也为实现对团伙性的欺诈用户的聚类分析和团伙性的欺诈用户的识别奠定了基础,提升了团伙性欺诈风险的识别的准确性。
2、根据与社区内的欺诈用户的关联关系以及与其它的社区的欺诈用户的关联关系进行不同的用户的欺诈风险以及疑似欺诈用户的识别,既考虑到与社区内的欺诈用户的关联情况,同时通过综合考虑与其它的社区的欺诈用户的关联情况实现了对于欺诈用户关联程度较大的用户的筛选,从而实现了存在疑似欺诈的用户的筛选。
3、通过修正欺诈风险以及不同的用户的欺诈风险确定二次辨识社区的二次风险辨识用户,从而考虑到不同的二次辨识社区的自身的欺诈风险以及与其它的社区的关联情况,实现了对欺诈风险较大的二次辨识社区的准确识别,也为根据团伙欺诈风险大小以及用户的欺诈风险的大小进行差异化的风险辨识奠定了基础。
进一步的技术方案在于,所述用户之间的关联关系根据所述用户之间的相同的个体数据进行确定。
进一步的技术方案在于,所述疑似欺诈用户的识别的方法为:
根据与社区内的欺诈用户的关联关系进行用户的关联的社区内的欺诈用户的数量以及与不同的关联的社区内的欺诈用户的关联因子的确定,并基于用户的关联的社区内的欺诈用户的数量以及与不同的关联的社区内的欺诈用户的关联因子确定所述用户的社区内欺诈风险;
根据与其它的社区的欺诈用户的关联关系进行用户的关联的其它的社区的欺诈用户的数量以及与不同的关联的其它的社区的欺诈用户的关联因子的确定,并基于用户的关联的其它的社区的欺诈用户的数量以及与不同的关联的其它的社区的欺诈用户的关联因子确定所述用户的社区外欺诈风险;
利用所述用户的社区外欺诈风险以及用户的社区内欺诈风险确定所述用户的欺诈风险,并基于所述用户的欺诈风险确定所述用户是否为疑似欺诈用户。
进一步的技术方案在于,所述欺诈用户的关联因子根据所述用户与欺诈用户之间的关联的个体数据的数量进行确定。
进一步的技术方案在于,当所述社区的综合欺诈风险不满足要求时,则确定所述社区为二次辨识社区。
进一步的技术方案在于,所述二次辨识社区的二次风险辨识用户的确定的方法为:
当所述修正欺诈风险大于预设欺诈风险限定量时,则将二次辨识社区中与所述欺诈风险用户以及疑似欺诈用户存在关联关系的用户作为二次风险辨识用户;
当所述修正欺诈风险不大于预设欺诈风险限定量时,则通过所述修正欺诈风险进行所述二次辨识社区所处的风险区间的确定,根据所述二次辨识社区所处的风险区间确定所述二次辨识社区的用户的欺诈风险限定量;
基于所述欺诈风险限定量以及所述用户的欺诈风险确定二次辨识社区的二次风险辨识用户。
第二方面,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基于Leiden社区发现算法的团伙欺诈识别方法。
其他特征和优点将在随后的说明书中阐述,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是一种基于Leiden社区发现算法的团伙欺诈识别方法的流程图;
图2是疑似欺诈用户的识别的方法的流程图;
图3是另外一种可能的疑似欺诈用户的识别的方法的流程图;
图4是综合欺诈风险的确定的方法的流程图;
图5是二次辨识社区的修正欺诈风险的确定的方法的流程图;
图6是一种计算机系统的框架图。
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。
对于团伙性欺诈行为,除了授信申请地点存在一定的关联性,此外例如工作单位、社保缴纳信息、工作地点、岗位等个体数据可能同样存在一定的关联性,因此通过对个体数据的相似或者相同情况可以将关联用户划分至多个社区,从而针对性的根据不同的社区的欺诈用户的分布数据进行差异化的二次身份校验,提升团伙性欺诈行为的识别效率和识别可靠性。
社区检测算法是一种网络聚类算法,用于发现大型复杂网络之间紧密联系的集群,在集群内部节点连接紧密,在集群与集群之间节点则连接松散。模块度 (modularity)是用来衡量社区网络结构强度的指标,模块度越高,说明社区网络划分集群的质量更好,即集群内部是强连接,集群外部是弱连接。常用的基于模块度的社区检测算法有 louvain 算法和 leiden 算法,其中 louvain 算法的缺点是划分得到的社区内部可能是不连通的,而leiden 算法在 louvain 算法的基础上进行了改进,保证了社区内部的连通性且计算速度更快。
具体的,申请人采用以下技术方案:
首先通过不同的用户的授信申请信息中的个体数据的相同情况进行不同的用户之间的关联关系的确定,并根据关联关系和leiden社区发现算法将不同的用户划分至不同的社区;
然后将存在历史欺诈行为的用户作为欺诈用户,并根据与社区内的欺诈用户的关联关系以及与其它的社区的欺诈用户的关联关系进行不同的用户的欺诈风险以及疑似欺诈用户的识别,具体的可以通过与社区内的欺诈用户的关联数量以及与其它的社区的欺诈用户的关联数量进行归一化处理后,得到用户的欺诈风险,将欺诈风险较大的用户作为疑似欺诈用户,并将疑似欺诈用户作为二次风险辨识用户;
然后利用社区的欺诈用户以及疑似欺诈用户、不同的用户的欺诈风险进行不同的社区的综合欺诈风险以及二次辨识社区的确定,具体的可以通过社区中的欺诈用户的数量、疑似欺诈用户的数量进行社区中所对应的综合欺诈风险的区间的确定,然后根据用户的欺诈风险的平均值以及对应的综合欺诈风险的区间进行综合欺诈风险的确定,将综合欺诈风险较大的社区作为二次辨识社区;
最后将与二次辨识社区存在关联关系的社区作为关联社区,并根据与不同的关联社区的关联关系以及不同的关联社区的综合欺诈风险对二次辨识社区的综合欺诈风险进行修正得到修正欺诈风险,具体的可以通过关联社区的数量以及不同的关联社区的综合欺诈风险进行二次辨识社区的关联欺诈风险的确定,通过关联欺诈风险与综合欺诈风险的权重和进行二次辨识社区的修正辨识风险的确定,当所述修正欺诈风险大于预设欺诈风险限定量时,则将二次辨识社区中与所述欺诈风险用户以及疑似欺诈用户存在关联关系的用户作为二次风险辨识用户;
当所述修正欺诈风险不大于预设欺诈风险限定量时,则通过所述修正欺诈风险进行所述二次辨识社区所处的风险区间的确定,根据所述二次辨识社区所处的风险区间确定所述二次辨识社区的用户的欺诈风险限定量;
基于所述欺诈风险限定量以及所述用户的欺诈风险确定二次辨识社区的二次风险辨识用户。
为解决上述问题,根据本发明的一个方面,如图1所示,提供了一种基于Leiden社区发现算法的团伙欺诈识别方法,其特征在于,具体包括:
S1根据不同的用户的个体数据进行不同的用户之间的关联关系的确定,并根据所述关联关系和leiden社区发现算法将不同的用户划分至不同的社区;
具体的,所述用户之间的关联关系根据所述用户之间的相同的个体数据进行确定。
需要说明的是,将不同的用户划分至不同的社区,具体包括:
将所有的用户作为单独的用户节点,并将所有的用户节点eq单独看作一个社区Nq,将所有的用户节点初始化一个队列,用户节点以随机顺序添加到队列中,选择第一个节点eq,将节点eq从原有社区划出,并划入其关联节点所在的社区Nq,并且计算划入前后的模块度是否有增加,如有增加则移动该节点,将该节点划入另一个社区,同时将该节点的所有的关联节点添加到队列的尾部,并重复上述的过程,直到队列为空为止;
将划分后的社区看作单独的社区节点,将所有的社区节点初始化一个队列,社区节点以随机顺序添加到队列中,选择第一个社区节点从原有社区划出,并划入其关联节点所在的社区,并且计算划入前后的模块度是否有增加,如有增加则移动该节点,将该节点划入另一个社区,同时将该节点的所有的关联节点添加到队列的尾部,并重复上述的过程,直到划入前后的模块度不再有增加为止得到社区划分结果;
通过所述社区划分结果将将不同的用户划分至不同的社区。
具体的,所述模块度的计算公式为:
Q=1/2m×∑c[Ec–r×(Kc)2/2m]
Kc=kikj
其中m表示整个图谱中所有边的权重之和,Ec为社区c中的所有边的权重之和,ki、kj为节点i、j的节点度,r是模型的分辨率,Q为模块度,Kc为社区c中的所有边的节点度的乘积。
S2基于历史欺诈行为的识别结果进行所述用户中的欺诈用户的识别,并根据与社区内的欺诈用户的关联关系以及与其它的社区的欺诈用户的关联关系进行不同的用户的欺诈风险以及疑似欺诈用户的识别,将所述疑似欺诈用户作为二次风险辨识用户;
进一步的,基于历史欺诈行为的识别结果进行所述用户中的欺诈用户的识别,具体包括:
当所述用户存在历史欺诈行为时,则确定所述用户为欺诈用户。
具体的举例说明,如图2所示,上述步骤S2中的所述疑似欺诈用户的识别的方法为:
S21根据与社区内的欺诈用户的关联关系进行用户的关联的社区内的欺诈用户的数量以及与不同的关联的社区内的欺诈用户的关联因子的确定,并基于用户的关联的社区内的欺诈用户的数量以及与不同的关联的社区内的欺诈用户的关联因子确定所述用户的社区内欺诈风险;
S22根据与其它的社区的欺诈用户的关联关系进行用户的关联的其它的社区的欺诈用户的数量以及与不同的关联的其它的社区的欺诈用户的关联因子的确定,并基于用户的关联的其它的社区的欺诈用户的数量以及与不同的关联的其它的社区的欺诈用户的关联因子确定所述用户的社区外欺诈风险;
S23利用所述用户的社区外欺诈风险以及用户的社区内欺诈风险确定所述用户的欺诈风险,并基于所述用户的欺诈风险确定所述用户是否为疑似欺诈用户。
进一步的,所述欺诈用户的关联因子根据所述用户与欺诈用户之间的关联的个体数据的数量进行确定。
在另外的一个可能的实施例中,如图3所示,上述步骤S2中的所述疑似欺诈用户的识别的方法为:
根据与社区内的欺诈用户的关联关系以及与其它的社区的欺诈用户的关联关系进行用户的关联的欺诈用户的数量的确定,判断所述用户的关联的欺诈用户的数量是否大于预设用户数量,若是,则确定所述用户为疑似欺诈用户,若否,则进入下一步骤;
通过与不同的关联的社区内的欺诈用户的关联因子以及与其它的社区的欺诈用户的关联因子进行关注欺诈用户的确定,判断所述关注欺诈用户的数量是否满足要求,若否,则确定所述用户为疑似欺诈用户,若是,则进入下一步骤;
基于用户的关联的社区内的欺诈用户的数量以及与不同的关联的社区内的欺诈用户的关联因子确定所述用户的社区内欺诈风险,判断所述用户的社区内欺诈风险是否满足要求,若否,则确定所述用户为疑似欺诈用户,若是,则进入下一步骤;
通过用户的关联的其它的社区的欺诈用户的数量以及与不同的关联的其它的社区的欺诈用户的关联因子确定所述用户的社区外欺诈风险,利用所述用户的社区外欺诈风险以及用户的社区内欺诈风险确定所述用户的欺诈风险,并基于所述用户的欺诈风险确定所述用户是否为疑似欺诈用户。
在另外的一个可能的实施例中,上述步骤S2中的所述疑似欺诈用户的识别的方法为:
根据与社区内的欺诈用户的关联关系以及与其它的社区的欺诈用户的关联关系进行用户的关联的欺诈用户的数量的确定,判断所述用户的关联的欺诈用户的数量是否大于预设用户数量,若是,则确定所述用户为疑似欺诈用户,若否,则进入下一步骤;
通过与不同的关联的社区内的欺诈用户的关联因子以及与其它的社区的欺诈用户的关联因子进行关注欺诈用户的确定,判断所述关注欺诈用户的数量是否满足要求,若否,则确定所述用户为疑似欺诈用户,若是,则进入下一步骤;
利用所述用户的关注欺诈用户进行所述用户的关联的社区内的关注欺诈用户的数量以及与关联的社区内的关注欺诈用户的关联因子,并结合其它的社区的关注欺诈用户的数量以及与其它的社区的关注欺诈用户的关联因子进行所述用户的关注欺诈用户的综合关联因子的确定,判断所述用户的关注欺诈用户的综合关联因子是否满足要求,若否,则确定所述用户为疑似欺诈用户,若是,则进入下一步骤;
基于用户的关联的社区内的欺诈用户的数量以及与不同的关联的社区内的欺诈用户的关联因子确定所述用户的社区内欺诈风险,通过用户的关联的其它的社区的欺诈用户的数量以及与不同的关联的其它的社区的欺诈用户的关联因子确定所述用户的社区外欺诈风险,利用所述用户的社区外欺诈风险以及用户的社区内欺诈风险确定所述用户的欺诈风险,并基于所述用户的欺诈风险确定所述用户是否为疑似欺诈用户。
需要说明的是,所述用户的欺诈风险的取值范围在0到1之间,其中当所述用户的欺诈风险大于预设风险阈值时,则确定所述用户为疑似欺诈用户。
S3利用社区的欺诈用户以及疑似欺诈用户、不同的用户的欺诈风险进行不同的社区的综合欺诈风险以及二次辨识社区的确定;
在其中的一个可能的实施例中,如图4所示,上述步骤S3中的所述综合欺诈风险的确定的方法为:
通过所述社区的欺诈用户的数量、与所述社区的欺诈用户存在关联关系的用户的数量以及与所述社区的欺诈用户存在关联关系的用户的欺诈风险进行所述社区的筛选欺诈风险的确定;
通过所述社区的疑似欺诈用户的数量以及与所述社区的疑似欺诈用户存在关联关系的用户的数量进行所述社区的疑似欺诈风险的确定,基于所述疑似欺诈风险以及筛选欺诈风险确定所述社区的综合欺诈风险。
具体的,当所述社区的综合欺诈风险不满足要求时,则确定所述社区为二次辨识社区。
在另外的一个可能的实施例中,上述步骤S3中的所述综合欺诈风险的确定的方法为:
判断所述社区的欺诈用户的数量是否大于预设欺诈用户数量,若是,则通过所述社区的欺诈用户的数量确定所述综合欺诈风险,若否,则进入下一步骤;
判断所述社区的欺诈用户的数量以及疑似欺诈用户的数量的和是否大于预设欺诈用户数量,若是,则通过所述社区的欺诈用户的数量以及疑似欺诈用户的数量确定所述综合欺诈风险,若否,则进入下一步骤;
根据所述社区的欺诈用户的数量、与所述社区的欺诈用户存在关联关系的用户的数量以及与所述社区的欺诈用户存在关联关系的用户的欺诈风险进行所述社区的筛选欺诈风险的确定;
通过所述社区的疑似欺诈用户的数量以及与所述社区的疑似欺诈用户存在关联关系的用户的数量进行所述社区的疑似欺诈风险的确定,基于所述疑似欺诈风险以及筛选欺诈风险确定所述社区的综合欺诈风险。
S4将与所述二次辨识社区存在关联关系的社区作为关联社区,并根据与不同的关联社区的关联关系以及不同的关联社区的综合欺诈风险对所述二次辨识社区的综合欺诈风险进行修正得到修正欺诈风险,通过所述修正欺诈风险以及不同的用户的欺诈风险确定二次辨识社区的二次风险辨识用户。
在其中的一个可能的实施例中,如图5所示,上述步骤S4中的所述二次辨识社区的修正欺诈风险的确定的方法为:
基于与不同的关联社区的关联关系进行所述二次辨识社区与不同的关联社区的关联的用户的数量的确定,并结合所述二次辨识社区与不同的关联社区的关联的用户的关联的个体数据的数量进行二次辨识社区与不同的关联社区的社区关联因子的确定;
根据不同的社区关联因子区间内的关联社区的数量以及不同的关联社区的综合欺诈风险确定所述二次辨识社区的不同的社区关联因子区间内的社区欺诈风险,并结合不同的社区关联因子区间的不同的关联社区的社区关联因子的平均值确定所述二次辨识社区的关联欺诈风险;
通过所述关联欺诈风险以及所述二次辨识社区的综合欺诈风险得到所述二次辨识社区的修正欺诈风险。
在另外的一个可能的实施例中,上述步骤S4中的所述二次辨识社区的修正欺诈风险的确定的方法为:
S41判断所述二次辨识社区的关联社区是否存在综合欺诈风险不满足要求的关联社区,若是,则进入步骤S44,若否,则进入下一步骤;
S42判断所述二次辨识社区的关联社区的数量是否小于预设社区数量,若是,则将所述二次辨识社区的综合欺诈风险作为所述二次辨识社区的修正欺诈风险,若否,则进入下一步骤;
S43通过不同的关联社区的数量以及不同的关联社区的综合欺诈风险进行所述二次辨识社区的关联社区的综合欺诈风险的和的确定,判断二次辨识社区的关联社区的综合欺诈风险的和是否满足要求,若是,则将所述二次辨识社区的综合欺诈风险作为所述二次辨识社区的修正欺诈风险,若否,则进入下一步骤;
S44基于与不同的关联社区的关联关系进行所述二次辨识社区与不同的关联社区的关联的用户的数量的确定,并结合所述二次辨识社区与不同的关联社区的关联的用户的关联的个体数据的数量进行二次辨识社区与不同的关联社区的社区关联因子的确定;
S45根据不同的社区关联因子区间内的关联社区的数量以及不同的关联社区的综合欺诈风险确定所述二次辨识社区的不同的社区关联因子区间内的社区欺诈风险,并结合不同的社区关联因子区间的不同的关联社区的社区关联因子的平均值确定所述二次辨识社区的关联欺诈风险,通过所述关联欺诈风险以及所述二次辨识社区的综合欺诈风险得到所述二次辨识社区的修正欺诈风险。
在另外的一个可能的实施例中,上述步骤S4中的二次辨识社区的修正欺诈风险的确定的方法为:
通过不同的关联社区的数量以及不同的关联社区的综合欺诈风险进行所述二次辨识社区的关联社区的综合欺诈风险的和的确定,判断二次辨识社区的关联社区的综合欺诈风险的和是否满足要求,若是,则将所述二次辨识社区的综合欺诈风险作为所述二次辨识社区的修正欺诈风险,若否,则进入下一步骤;
基于与不同的关联社区的关联关系进行所述二次辨识社区与不同的关联社区的关联的用户的数量的确定,并结合所述二次辨识社区与不同的关联社区的关联的用户的关联的个体数据的数量进行二次辨识社区与不同的关联社区的社区关联因子的确定;
当社区关联因子大于预设关联因子的关联社区的数量小于预设关联社区数量时,将所述二次辨识社区的综合欺诈风险作为所述二次辨识社区的修正欺诈风险,
当社区关联因子大于预设关联因子的关联社区的数量不小于预设关联社区数量时,根据不同的社区关联因子区间内的关联社区的数量以及不同的关联社区的综合欺诈风险确定所述二次辨识社区的不同的社区关联因子区间内的社区欺诈风险,并结合不同的社区关联因子区间的不同的关联社区的社区关联因子的平均值确定所述二次辨识社区的关联欺诈风险,通过所述关联欺诈风险以及所述二次辨识社区的综合欺诈风险得到所述二次辨识社区的修正欺诈风险。
需要说明的是,所述二次辨识社区的二次风险辨识用户的确定的方法为:
当所述修正欺诈风险大于预设欺诈风险限定量时,则将二次辨识社区中与所述欺诈风险用户以及疑似欺诈用户存在关联关系的用户作为二次风险辨识用户;
当所述修正欺诈风险不大于预设欺诈风险限定量时,则通过所述修正欺诈风险进行所述二次辨识社区所处的风险区间的确定,根据所述二次辨识社区所处的风险区间确定所述二次辨识社区的用户的欺诈风险限定量;
基于所述欺诈风险限定量以及所述用户的欺诈风险确定二次辨识社区的二次风险辨识用户。
为了便于理解申请人结合具体的实施例对本发明的方案进行进一步阐述:
首先通过不同的用户的授信申请信息中的个体数据的相同情况进行不同的用户之间的关联关系的确定,并根据关联关系和leiden社区发现算法将不同的用户划分至不同的社区,得到社区A、社区B和社区C;
然后将存在历史欺诈行为的用户作为欺诈用户,其中根据与社区内的欺诈用户的关联关系以及与其它的社区的欺诈用户的关联关系进行不同的用户的欺诈风险以及疑似欺诈用户的识别,具体的当用户的社区内的关联的欺诈用户的数量为4个,其它社区的关联的欺诈用户的数量为3个,则用户的欺诈风险为0.4+0.3为0.7,得到用户的欺诈风险,将欺诈风险较大的用户作为疑似欺诈用户,并将疑似欺诈用户作为二次风险辨识用户;
然后利用社区的欺诈用户以及疑似欺诈用户、不同的用户的欺诈风险进行不同的社区的综合欺诈风险以及二次辨识社区的确定,具体的社区A中的欺诈用户为10个,疑似欺诈用户为15个,不同的用户的欺诈风险的平均值为0.3,则社区A对应的综合欺诈风险的区间为欺诈用户为5到15之间,疑似欺诈用户的数量为10到20之间,此时对应的综合欺诈风险的区间为0.6-0.9,具体的当欺诈风险的平均值为0.3时,此时处于30分位,此时社区的综合欺诈风险为0.71,将综合欺诈风险较大的社区作为二次辨识社区;
最后将与二次辨识社区存在关联关系的社区作为关联社区,并根据与不同的关联社区的关联关系以及不同的关联社区的综合欺诈风险对二次辨识社区的综合欺诈风险进行修正得到修正欺诈风险,具体的社区A与社区B存在关联,社区B的综合欺诈风险为0.9,则社区A的关联欺诈风险为0.9除以可以关联的社区数量2为0.45,根据0.45和0.71进行归一化处理得到社区的修正欺诈风险为0.71+0.045为0.755,此时的社区A的修正欺诈风险较大,则需要将二次辨识社区中与所述欺诈风险用户以及疑似欺诈用户存在关联关系的用户作为二次风险辨识用户。
另一方面,如图6所示,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基于Leiden社区发现算法的团伙欺诈识别方法。
其中上述的一种基于Leiden社区发现算法的团伙欺诈识别方法,具体包括:
根据不同的用户的个体数据进行不同的用户之间的关联关系的确定,将所有的用户作为单独的用户节点,并将所有的用户节点eq单独看作一个社区Nq,将所有的用户节点初始化一个队列,用户节点以随机顺序添加到队列中,选择第一个节点eq,将节点eq从原有社区划出,并划入其关联节点所在的社区Nq,并且计算划入前后的模块度是否有增加,如有增加则移动该节点,将该节点划入另一个社区,同时将该节点的所有的关联节点添加到队列的尾部,并重复上述的过程,直到队列为空为止;
将划分后的社区看作单独的社区节点,将所有的社区节点初始化一个队列,社区节点以随机顺序添加到队列中,选择第一个社区节点从原有社区划出,并划入其关联节点所在的社区,并且计算划入前后的模块度是否有增加,如有增加则移动该节点,将该节点划入另一个社区,同时将该节点的所有的关联节点添加到队列的尾部,并重复上述的过程,直到划入前后的模块度不再有增加为止得到社区划分结果;
通过所述社区划分结果将将不同的用户划分至不同的社区;
基于历史欺诈行为的识别结果进行所述用户中的欺诈用户的识别,根据与社区内的欺诈用户的关联关系以及与其它的社区的欺诈用户的关联关系进行用户的关联的欺诈用户的数量的确定,判断所述用户的关联的欺诈用户的数量是否大于预设用户数量,若是,则确定所述用户为疑似欺诈用户,若否,则进入下一步骤;
通过与不同的关联的社区内的欺诈用户的关联因子以及与其它的社区的欺诈用户的关联因子进行关注欺诈用户的确定,判断所述关注欺诈用户的数量是否满足要求,若否,则确定所述用户为疑似欺诈用户,若是,则进入下一步骤;
利用所述用户的关注欺诈用户进行所述用户的关联的社区内的关注欺诈用户的数量以及与关联的社区内的关注欺诈用户的关联因子,并结合其它的社区的关注欺诈用户的数量以及与其它的社区的关注欺诈用户的关联因子进行所述用户的关注欺诈用户的综合关联因子的确定,判断所述用户的关注欺诈用户的综合关联因子是否满足要求,若否,则确定所述用户为疑似欺诈用户,若是,则进入下一步骤;
基于用户的关联的社区内的欺诈用户的数量以及与不同的关联的社区内的欺诈用户的关联因子确定所述用户的社区内欺诈风险,通过用户的关联的其它的社区的欺诈用户的数量以及与不同的关联的其它的社区的欺诈用户的关联因子确定所述用户的社区外欺诈风险,利用所述用户的社区外欺诈风险以及用户的社区内欺诈风险确定所述用户的欺诈风险,并基于所述用户的欺诈风险确定所述用户是否为疑似欺诈用户,将所述疑似欺诈用户作为二次风险辨识用户;
利用社区的欺诈用户以及疑似欺诈用户、不同的用户的欺诈风险进行不同的社区的综合欺诈风险以及二次辨识社区的确定;
将与所述二次辨识社区存在关联关系的社区作为关联社区,并根据与不同的关联社区的关联关系以及不同的关联社区的综合欺诈风险对所述二次辨识社区的综合欺诈风险进行修正得到修正欺诈风险,通过所述修正欺诈风险以及不同的用户的欺诈风险确定二次辨识社区的二次风险辨识用户。
通过以上实施例,本发明取得以下有益效果:
1、根据关联关系和leiden社区发现算法将不同的用户划分至不同的社区,进而实现了从不同的用户之间的关联关系的角度将用户划分至多个社区,也为实现对团伙性的欺诈用户的聚类分析和团伙性的欺诈用户的识别奠定了基础,提升了团伙性欺诈风险的识别的准确性。
2、根据与社区内的欺诈用户的关联关系以及与其它的社区的欺诈用户的关联关系进行不同的用户的欺诈风险以及疑似欺诈用户的识别,既考虑到与社区内的欺诈用户的关联情况,同时通过综合考虑与其它的社区的欺诈用户的关联情况实现了对于欺诈用户关联程度较大的用户的筛选,从而实现了存在疑似欺诈的用户的筛选。
3、通过修正欺诈风险以及不同的用户的欺诈风险确定二次辨识社区的二次风险辨识用户,从而考虑到不同的二次辨识社区的自身的欺诈风险以及与其它的社区的关联情况,实现了对欺诈风险较大的二次辨识社区的准确识别,也为根据团伙欺诈风险大小以及用户的欺诈风险的大小进行差异化的风险辨识奠定了基础。
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 (6)
1.一种基于Leiden社区发现算法的团伙欺诈识别方法,其特征在于,具体包括:
根据不同的用户的个体数据进行不同的用户之间的关联关系的确定,并根据所述关联关系和leiden社区发现算法将不同的用户划分至不同的社区;
基于历史欺诈行为的识别结果进行所述用户中的欺诈用户的识别,并根据与社区内的欺诈用户的关联关系以及与其它的社区的欺诈用户的关联关系进行不同的用户的欺诈风险以及疑似欺诈用户的识别,将所述疑似欺诈用户作为二次风险辨识用户;
利用社区的欺诈用户以及疑似欺诈用户、不同的用户的欺诈风险进行不同的社区的综合欺诈风险以及二次辨识社区的确定;
将与所述二次辨识社区存在关联关系的社区作为关联社区,并根据与不同的关联社区的关联关系以及不同的关联社区的综合欺诈风险对所述二次辨识社区的综合欺诈风险进行修正得到修正欺诈风险,通过所述修正欺诈风险以及不同的用户的欺诈风险确定二次辨识社区的二次风险辨识用户;
将不同的用户划分至不同的社区,具体包括:
将所有的用户作为单独的用户节点,并将所有的用户节点eq单独看作一个社区Nq,将所有的用户节点初始化一个队列,用户节点以随机顺序添加到队列中,选择第一个节点eq,将节点eq从原有社区划出,并划入其关联节点所在的社区Nq,并且计算划入前后的模块度是否有增加,如有增加则移动该节点,将该节点划入另一个社区,同时将该节点的所有的关联节点添加到队列的尾部,并重复上述的过程,直到队列为空为止;
将划分后的社区看作单独的社区节点,将所有的社区节点初始化一个队列,社区节点以随机顺序添加到队列中,选择第一个社区节点从原有社区划出,并划入其关联节点所在的社区,并且计算划入前后的模块度是否有增加,如有增加则移动该节点,将该节点划入另一个社区,同时将该节点的所有的关联节点添加到队列的尾部,并重复上述的过程,直到划入前后的模块度不再有增加为止得到社区划分结果;
通过所述社区划分结果将将不同的用户划分至不同的社区;
所述疑似欺诈用户的识别的方法为:
根据与社区内的欺诈用户的关联关系进行用户的关联的社区内的欺诈用户的数量以及与不同的关联的社区内的欺诈用户的关联因子的确定,并基于用户的关联的社区内的欺诈用户的数量以及与不同的关联的社区内的欺诈用户的关联因子确定所述用户的社区内欺诈风险;
根据与其它的社区的欺诈用户的关联关系进行用户的关联的其它的社区的欺诈用户的数量以及与不同的关联的其它的社区的欺诈用户的关联因子的确定,并基于用户的关联的其它的社区的欺诈用户的数量以及与不同的关联的其它的社区的欺诈用户的关联因子确定所述用户的社区外欺诈风险;
利用所述用户的社区外欺诈风险以及用户的社区内欺诈风险确定所述用户的欺诈风险,并基于所述用户的欺诈风险确定所述用户是否为疑似欺诈用户;
所述综合欺诈风险的确定的方法为:
通过所述社区的欺诈用户的数量、与所述社区的欺诈用户存在关联关系的用户的数量以及与所述社区的欺诈用户存在关联关系的用户的欺诈风险进行所述社区的筛选欺诈风险的确定;
通过所述社区的疑似欺诈用户的数量以及与所述社区的疑似欺诈用户存在关联关系的用户的数量进行所述社区的疑似欺诈风险的确定,基于所述疑似欺诈风险以及筛选欺诈风险确定所述社区的综合欺诈风险;
二次辨识社区的修正欺诈风险的确定的方法为:
通过不同的关联社区的数量以及不同的关联社区的综合欺诈风险进行所述二次辨识社区的关联社区的综合欺诈风险的和的确定,判断二次辨识社区的关联社区的综合欺诈风险的和是否满足要求,若是,则将所述二次辨识社区的综合欺诈风险作为所述二次辨识社区的修正欺诈风险,若否,则进入下一步骤;
基于与不同的关联社区的关联关系进行所述二次辨识社区与不同的关联社区的关联的用户的数量的确定,并结合所述二次辨识社区与不同的关联社区的关联的用户的关联的个体数据的数量进行二次辨识社区与不同的关联社区的社区关联因子的确定;
当社区关联因子大于预设关联因子的关联社区的数量小于预设关联社区数量时,将所述二次辨识社区的综合欺诈风险作为所述二次辨识社区的修正欺诈风险,
当社区关联因子大于预设关联因子的关联社区的数量不小于预设关联社区数量时,根据不同的社区关联因子区间内的关联社区的数量以及不同的关联社区的综合欺诈风险确定所述二次辨识社区的不同的社区关联因子区间内的社区欺诈风险,并结合不同的社区关联因子区间的不同的关联社区的社区关联因子的平均值确定所述二次辨识社区的关联欺诈风险,通过所述关联欺诈风险以及所述二次辨识社区的综合欺诈风险得到所述二次辨识社区的修正欺诈风险。
2.如权利要求1所述的基于Leiden社区发现算法的团伙欺诈识别方法,其特征在于,所述用户之间的关联关系根据所述用户之间的相同的个体数据进行确定。
3.如权利要求1所述的基于Leiden社区发现算法的团伙欺诈识别方法,其特征在于,所述模块度的计算公式为:Q=1/2m×∑c[Ec–r×(Kc)2/2m]
Kc=kikj
其中m表示整个图谱中所有边的权重之和,Ec为社区c中的所有边的权重之和,ki、kj为节点i、j的节点度,r是模型的分辨率,Q为模块度,Kc为社区c中的所有边的节点度的乘积。
4.如权利要求1所述的基于Leiden社区发现算法的团伙欺诈识别方法,其特征在于,所述欺诈用户的关联因子根据所述用户与欺诈用户之间的关联的个体数据的数量进行确定。
5.如权利要求1所述的基于Leiden社区发现算法的团伙欺诈识别方法,其特征在于,所述用户的欺诈风险的取值范围在0到1之间,其中当所述用户的欺诈风险大于预设风险阈值时,则确定所述用户为疑似欺诈用户。
6.如权利要求1所述的基于Leiden社区发现算法的团伙欺诈识别方法,其特征在于,所述二次辨识社区的二次风险辨识用户的确定的方法为:
当所述修正欺诈风险大于预设欺诈风险限定量时,则将二次辨识社区中与所述欺诈风险用户以及疑似欺诈用户存在关联关系的用户作为二次风险辨识用户;
当所述修正欺诈风险不大于预设欺诈风险限定量时,则通过所述修正欺诈风险进行所述二次辨识社区所处的风险区间的确定,根据所述二次辨识社区所处的风险区间确定所述二次辨识社区的用户的欺诈风险限定量;
基于所述欺诈风险限定量以及所述用户的欺诈风险确定二次辨识社区的二次风险辨识用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410052941.3A CN117575782B (zh) | 2024-01-15 | 2024-01-15 | 一种基于Leiden社区发现算法的团伙欺诈识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410052941.3A CN117575782B (zh) | 2024-01-15 | 2024-01-15 | 一种基于Leiden社区发现算法的团伙欺诈识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575782A CN117575782A (zh) | 2024-02-20 |
CN117575782B true CN117575782B (zh) | 2024-05-07 |
Family
ID=89864682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410052941.3A Active CN117575782B (zh) | 2024-01-15 | 2024-01-15 | 一种基于Leiden社区发现算法的团伙欺诈识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575782B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194623A (zh) * | 2017-07-20 | 2017-09-22 | 深圳市分期乐网络科技有限公司 | 一种团伙欺诈的发现方法及装置 |
CN108009915A (zh) * | 2017-12-21 | 2018-05-08 | 连连银通电子支付有限公司 | 一种欺诈用户社区的标记方法及相关装置 |
CN108681936A (zh) * | 2018-04-26 | 2018-10-19 | 浙江邦盛科技有限公司 | 一种基于模块度和平衡标签传播的欺诈团伙识别方法 |
CN108764917A (zh) * | 2018-05-04 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 一种欺诈团伙的识别方法和装置 |
CN110209660A (zh) * | 2019-06-10 | 2019-09-06 | 北京阿尔山金融科技有限公司 | 欺诈团伙挖掘方法、装置及电子设备 |
CN114037514A (zh) * | 2021-11-09 | 2022-02-11 | 深圳市珍爱捷云信息技术有限公司 | 用户群欺诈风险的检测方法、装置、设备及存储介质 |
CN116151954A (zh) * | 2022-12-16 | 2023-05-23 | 北京君禾世纪科技有限公司 | 一种实时团伙反欺诈检测方法及系统 |
CN116308824A (zh) * | 2023-03-23 | 2023-06-23 | 平安健康保险股份有限公司 | 基于知识图谱的团伙欺诈风险识别方法及相关设备 |
CN116468281A (zh) * | 2023-04-25 | 2023-07-21 | 同盾科技有限公司 | 异常用户群组识别方法、装置、存储介质与电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11574360B2 (en) * | 2019-02-05 | 2023-02-07 | International Business Machines Corporation | Fraud detection based on community change analysis |
-
2024
- 2024-01-15 CN CN202410052941.3A patent/CN117575782B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194623A (zh) * | 2017-07-20 | 2017-09-22 | 深圳市分期乐网络科技有限公司 | 一种团伙欺诈的发现方法及装置 |
CN108009915A (zh) * | 2017-12-21 | 2018-05-08 | 连连银通电子支付有限公司 | 一种欺诈用户社区的标记方法及相关装置 |
CN108681936A (zh) * | 2018-04-26 | 2018-10-19 | 浙江邦盛科技有限公司 | 一种基于模块度和平衡标签传播的欺诈团伙识别方法 |
CN108764917A (zh) * | 2018-05-04 | 2018-11-06 | 阿里巴巴集团控股有限公司 | 一种欺诈团伙的识别方法和装置 |
CN110209660A (zh) * | 2019-06-10 | 2019-09-06 | 北京阿尔山金融科技有限公司 | 欺诈团伙挖掘方法、装置及电子设备 |
CN114037514A (zh) * | 2021-11-09 | 2022-02-11 | 深圳市珍爱捷云信息技术有限公司 | 用户群欺诈风险的检测方法、装置、设备及存储介质 |
CN116151954A (zh) * | 2022-12-16 | 2023-05-23 | 北京君禾世纪科技有限公司 | 一种实时团伙反欺诈检测方法及系统 |
CN116308824A (zh) * | 2023-03-23 | 2023-06-23 | 平安健康保险股份有限公司 | 基于知识图谱的团伙欺诈风险识别方法及相关设备 |
CN116468281A (zh) * | 2023-04-25 | 2023-07-21 | 同盾科技有限公司 | 异常用户群组识别方法、装置、存储介质与电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117575782A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730262B (zh) | 一种欺诈识别方法和装置 | |
CN110111113B (zh) | 一种异常交易节点的检测方法及装置 | |
CN108734380A (zh) | 风险账户判定方法、装置及计算设备 | |
CN111292008A (zh) | 一种基于知识图谱的隐私保护数据发布风险评估方法 | |
US20150262184A1 (en) | Two stage risk model building and evaluation | |
CN112581265A (zh) | 一种基于AdaBoost的互联网金融客户申请欺诈检测方法 | |
CN111932269A (zh) | 设备信息处理方法及装置 | |
CN112232950A (zh) | 针对借贷风险的评估方法及装置、设备、计算机可读存储介质 | |
CN115293336A (zh) | 风险评估模型训练方法、装置和服务器 | |
Hsin et al. | Feature engineering and resampling strategies for fund transfer fraud with limited transaction data and a time-inhomogeneous modi operandi | |
CN109271415B (zh) | 一种征信数据库的数据处理方法及装置 | |
Zhu et al. | Sequential adversarial anomaly detection for one-class event data | |
CN117575782B (zh) | 一种基于Leiden社区发现算法的团伙欺诈识别方法 | |
CN111260372B (zh) | 资源转移用户群确定方法、装置、计算机设备和存储介质 | |
CN109345376A (zh) | 一种电子银行反欺诈方法及系统 | |
CN111475566A (zh) | 一种区块链资金可疑交易模式的识别方法及装置 | |
CN115600926A (zh) | 项目后评价方法、装置、电子设备及存储介质 | |
CN111899092B (zh) | 基于二道模型的业务数据筛选方法及装置 | |
CN114781937A (zh) | 一种预付卡企业风险预警方法和装置以及存储介质 | |
CN113487109A (zh) | 群体识别方法、装置、电子设备及存储介质 | |
Bian et al. | FedAvg-DWA: A Novel Algorithm for Enhanced Fraud Detection in Federated Learning Environment | |
CN110046783B (zh) | 冒用账户识别方法、装置、电子设备及存储介质 | |
CN116596539B (zh) | 一种反洗钱方法及系统 | |
CN117094817B (zh) | 一种信用风险控制智能预测方法及系统 | |
Zhou | Loan Default Prediction Based on Machine Learning Methods |
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 |