一种面向手机租赁业务的智能金融风险控制方法及系统技术方案

本发明专利技术涉及金融风险控制领域，尤其涉及一种面向手机租赁业务的智能金融风险控制方法及系统，该方法包括：对新订单和历史订单的数据进行数据清洗和特征工程，得到各个订单的基本特征和图模型构建数据；采用历史订单的图模型构建数据构建异构图，抽取图特征；从异构图获得同构图，获取图嵌入特征；将历史订单的基本特征、图特征和图嵌入特征输入到深度因子分解机模型进行训练；将新订单的图模型构建数据放入异构图中并抽取新订单的图特征和图嵌入特征；将新订单三种特征输入到深度因子分解机模型进行检测，若输出标签为欺诈，则发出警报。该方法利用人工智能算法实现了欺诈申请订单的检测，有利于企业减少由于欺诈带来的资金损失。

【技术实现步骤摘要】
一种面向手机租赁业务的智能金融风险控制方法及系统
本专利技术涉及金融风险控制领域，尤其涉及一种面向手机租赁业务的智能金融风险控制方法及系统。
技术介绍
近年来，中国的在线借贷行业快速增长，据统计，2017年约有2000家网上贷款公司在10个月内完成了超过2000亿元的人民币交易。一方面，巨额贷款有助于为消费市场提供金融服务；而另一方面，由于这种金融服务是针对传统信贷服务未包含的没有担保和抵押的人，很容易受到欺诈者的攻击，如果没有适当风险控制流程，贷款公司将承受的相关损失可能相当大。在许多线下金融机构，如银行中，仍然以诸如FICO开发的基于逻辑回归的记分卡等传统模型作为其核心风险控制策略。但是对于线上金融机构，对于信息的来源、收集、真假判断等各方面都存在很大困难，并不能单纯根据已经很成熟的记分卡模型作为其风控手段，需要利用有限的信息得到最佳的风险控制效果。也就是说传统解决方案在结构信用数据不足的在线贷款业务中有着显而易见的缺点。目前，很多在线借贷平台都是遵循先人审核再进行机器审核的流程，先人为根据经验判断，再用机器根据规则判断。以杭州某公司的手机租赁业务为例，其采用先人审后机审的方式，依靠诸如“芝麻逾期记录是否结清、紧急联系人是否虚假、身份证是否虚假”等纯规则进行审核。但是事实证明这种方法仍会给公司造成极大损失，根据2017年-2018年的订单数据分析来看，此方法仍然存在约10％的欺诈申请订单，这是因为利用规则审核，存在规则数有限且不能根据用户的个体行为以及用户间个体行为的关系进行综合评估的弊端。因此，急需一种面向手机租赁业务的智能金融风险控制解决方案，来实现欺诈申请订单的检测，有利于企业减少由于欺诈带来的资金损失。
技术实现思路
本专利技术首先提供一种面向手机租赁业务的智能金融风险控制方法，利用人工智能算法，实现了欺诈申请订单的检测，有利于企业减少由于欺诈带来的资金损失。具体技术方案如下：一种面向手机租赁业务的智能金融风险控制方法，包括以下步骤：(1)对已知标签的历史订单的数据进行数据清洗和特征工程，得到各个历史订单的基本特征和图模型构建数据；(2)采用历史订单的图模型构建数据构建异构图，并抽取各个历史订单的图特征；从所述异构图获得同构图，并采用深度游走获得各个历史订单的图嵌入特征；(3)以已知标签的历史订单集合作为训练集，将各个历史订单的基本特征、图特征和图嵌入特征输入到深度因子分解机模型进行训练，直至深度因子分解机模型收敛后结束训练；(4)对新订单的数据进行数据清洗和特征工程，得到该新订单的基本特征和图模型构建数据；(5)将所述新订单的图模型构建数据放入所述异构图中，并抽取所述新订单的图特征；从异构图获得同构图，并采用深度游走获得所述新订单的图嵌入特征；(6)将所述新订单的基本特征、图特征和图嵌入特征输入到训练好的深度因子分解机模型进行检测，若输出标签为欺诈，则发出警报。本专利技术的智能金融风险控制方法使用丰富的历史订单(用户行为)数据对新订单建立关系网络，并根据异构图特征和同构稀疏的第三方征信数据、新订单的基本信息数据以及用户行为间的交互信息数据等三方面数据进行建模，从而有效检测用户欺诈行为。新订单和已知标签的历史订单的数据来自用户基本信息表、用户行为信息记录，订单对应信息、订单对应账期信息、用户积分信息以及第三方征信数据等6类不同的数据源。对数据进行数据清洗可以去除新订单和历史订单的数据中的冗余信息和空值率过高的信息；对数据进行特征工程生成衍生的特征字段。通过数据清洗和特征工程可以获得新订单和历史订单的基本特征和图模型构建数据。所述基本特征为用户性别、职业、年龄和芝麻信用分中的至少一项；所述图模型构建数据为订单号、收获地址GPS、以100米为单位的GPS地址(GPS_100)GPS_100米、以1000米为单位的GPS地址(GPS_1000)和下单设备ID中的至少一项。步骤(2)中，所述异构图的构建方法包括：(2-a)对历史订单的各个属性进行同质性检测，判断其能否构建异构图；(2-b)通过同质性检测后，采用各个历史订单之间的关系构建异构图。所述的异构图中具有两种不同类型的结点，即申请结点(即某一个订单)和信息结点(与订单关联的用户信息)，申请结点的一阶邻居是信息结点，二阶的邻居是其他的申请结点。一个申请结点包含某订单的申请信息，比如租机的款式、首次支付的租金、租期时间、租机折扣等信息。一个信息结点可能包含的属性各不相同，一个信息结点可以是用户ID、用户手机号、下单时的IP地址、GPS信号中的任意属性。步骤(2)中，采用局部和全局的统计特征对异构图中申请结点进行图特征抽取，获得历史订单的图特征。所述的图特征包括和度有关的特征(属于局部特征)、四边形特征(属于局部特征)和欺诈分(属于全局特征)。所述和度有关的特征包括与一申请结点一阶相邻的信息结点数、二阶相邻的其他申请结点数和二阶相邻的欺诈申请结点数等。所述的四边形特征是指与该申请阶段至少通过两个信息结点相连的申请结点的个数。在异构图中，一个四边形一定是由两个申请结点和两个信息结点组成。对于每一个申请结点，四边形个数刻画了和当前申请结点至少通过两个信息结点相连的申请结点的个数。且在此处定义的四边形是广义的，即若当前申请结点与另一个申请结点有2个以上的信息结点相连，仍然认为是同一个四边形。所述的欺诈分是通过PageRank算法或PersonalizedPageRank算法进行计算。在计算欺诈分时需要做一个前提假设：由于非欺诈申请中存在表现好的申请订单，假设非欺诈结点和信息结点无欺诈的传播性，单单对历史已有的欺诈申请结点进行欺诈染色，并全局地计算各申请结点的欺诈分。步骤(2)中，从所述异构图获得申请订单和历史订单的同构图的方法为：在所述异构图中，将具有相同信息结点的申请结点进行连接，并删除申请结点和信息结点的边，获得同构图。例如申请A和申请B使用同一个手机号进行下单，则说明这两个申请节点之间存在关系。在连接相同信息结点的两个申请结点之间增加一条边，同时删去所有申请结点和信息结点之间的边和信息结点，这样异构图就折叠成了同构图。异构图中申请结点之间的间接关系转换成了同构图中申请结点之间的直接关系。步骤(3)中，所述深度因子分解机模型包括特征输入层、嵌入层、因子分解机、深度神经网络以及输出层；所述嵌入层将输入层输入的原始特征(高维稀疏特征)变为低维密集特征；所述因子分解机显式地进行低维密集特征间的两两交互，从而学习低阶交互特征，并将原始特征与低阶交互特征合并；深度神经网络隐式地学习低维密集特征得到高阶交互特征；将因子分解机的输出和深度神经网络的输出合并输出到输出层。基于相同的专利技术构思，本专利技术还提供了一种面向手机租赁业务的智能金融风险控制系统，包括：数据处理模块，对申请订单的数据进行数据清洗和特征工程，得到申请订单的基本特征和图模型构建数据；所述的申请订单包括未知标签的新订单和已知标签的历史订单；订单识别模块，采用历史订单的图模型构建数据构建异构图，将新订单的图模型构建数据放入所述异构图中，并抽取所述新订单的图特征；从所述异构图获得同构图，并采用深度游走获得所述新订单的图嵌入特征；欺诈预警模块，存储有训练好的深度因子分解机模型，将所述新订单的基本特征、图特征和图本文档来自技高网...

【技术保护点】
1.一种面向手机租赁业务的智能金融风险控制方法，其特征在于，包括以下步骤：(1)对已知标签的历史订单的数据进行数据清洗和特征工程，得到各个历史订单的基本特征和图模型构建数据；(2)采用历史订单的图模型构建数据构建异构图，并抽取各个历史订单的图特征；从所述异构图获得同构图，并采用深度游走获得各个历史订单的图嵌入特征；(3)以已知标签的历史订单集合作为训练集，将各个历史订单的基本特征、图特征和图嵌入特征输入到深度因子分解机模型进行训练，直至深度因子分解机模型收敛后结束训练；(4)对新订单的数据进行数据清洗和特征工程，得到该新订单的基本特征和图模型构建数据；(5)将所述新订单的图模型构建数据放入所述异构图中，并抽取所述新订单的图特征；从异构图获得同构图，并采用深度游走获得所述新订单的图嵌入特征；(6)将所述新订单的基本特征、图特征和图嵌入特征输入到训练好的深度因子分解机模型进行检测，若输出标签为欺诈，则发出警报。

【技术特征摘要】
1.一种面向手机租赁业务的智能金融风险控制方法，其特征在于，包括以下步骤：(1)对已知标签的历史订单的数据进行数据清洗和特征工程，得到各个历史订单的基本特征和图模型构建数据；(2)采用历史订单的图模型构建数据构建异构图，并抽取各个历史订单的图特征；从所述异构图获得同构图，并采用深度游走获得各个历史订单的图嵌入特征；(3)以已知标签的历史订单集合作为训练集，将各个历史订单的基本特征、图特征和图嵌入特征输入到深度因子分解机模型进行训练，直至深度因子分解机模型收敛后结束训练；(4)对新订单的数据进行数据清洗和特征工程，得到该新订单的基本特征和图模型构建数据；(5)将所述新订单的图模型构建数据放入所述异构图中，并抽取所述新订单的图特征；从异构图获得同构图，并采用深度游走获得所述新订单的图嵌入特征；(6)将所述新订单的基本特征、图特征和图嵌入特征输入到训练好的深度因子分解机模型进行检测，若输出标签为欺诈，则发出警报。2.根据权利要求1所述的面向手机租赁业务的智能金融风险控制方法，其特征在于，所述新订单的和历史订单的数据来自用户基本信息、用户行为信息记录，订单对应信息、订单对应账期信息、用户积分信息以及第三方征信数据6类不同的数据源。3.根据权利要求1所述的面向手机租赁业务的智能金融风险控制方法，其特征在于，步骤(2)中，所述异构图的构建方法包括：(2-a)对历史订单的各个属性进行同质性检测，判断其能否构建异构图；(2-b)通过同质性检测后，采用各个历史订单之间的关系构建异构图。4.根据权利要求1或3所述的面向手机租赁业务的智能金融风险控制方法，其特征在于，步骤(2)中，采用局部和全局的统计特征对异构图中申请结点进行图特征抽取，获得历史订单的图特征。5.根据权利要求4所述的面向手机租赁业务的智能金融风险控制方法，其特征在于，所述的图特征包括和度有关的特征、四边形特征和欺诈分。6.根据权利要求5所述的面向手机租赁业务的智能金融风险控制方法，其特征在于，所述和度有关的特征包括与一申请结点一阶相邻的信息结点数、二阶相邻的其他申请结点数和二阶相邻的欺诈申请结点数；所述四边形特征是指与一申请结点至少通过两个信息结点相连的申请结点数；所述欺诈...

【专利技术属性】
技术研发人员：陈建海，胡思昊，储蓉蓉，袁嘉琪，何钦铭，王志鹏，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33