System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本说明书实施例涉及人工智能,尤其是一种涉赌涉诈账户风险评估方法、装置、设备及存储介质。
技术介绍
1、随着互联网技术的发展,人们在享受网络信息红利的同时,网络电信诈骗等问题也悄然滋长。如何有效做好涉赌涉诈反欺诈工作,如何切实防范相关风险、保证资金安全,成为金融机构亟需解决的重要问题。现有涉赌涉诈风险评估模型中主要通过提取与金融交易相关的特征来进行风险评估,忽略了历史交易数据以及企业基本属性对风险评估的影响,从而导致对涉赌涉诈账户风险评估准确率低的问题,因此,亟需一种涉赌涉诈账户风险评估方法,能解决对涉赌涉诈账户风险评估准确率低的问题。
技术实现思路
1、针对现有技术的上述问题,本说明书实施例的目的在于,提供一种涉赌涉诈账户风险评估方法、装置、设备及存储介质,以解决现有技术中对涉赌涉诈账户风险评估准确率低的问题。
2、为了解决上述技术问题,本说明书实施例的具体技术方案如下:
3、一方面,本说明书实施例提供一种涉赌涉诈账户风险评估方法,所述方法包括:
4、获取目标账户的账户基本数据和指定时段的历史交易数据;
5、将所述账户基本数据输入预训练的cnn模型进行特征提取,得到所述目标账户的空间特征提取结果;
6、将所述历史交易数据输入预训练的双向lstm模型进行特征提取,得到所述目标账户的时间特征提取结果;
7、将所述目标账户的空间特征提取结果和时间特征提取结果进行特征拼接后输入至预训练的xgboost模型,得到目标账户
8、优选的,所述将所述账户基本数据输入预训练的cnn模型进行特征提取前,还包括:将所述账户基本数据进行二维化,得到基于所述账户基本数据的二维向量。
9、优选的,将所述历史交易数据输入预训练的双向lstm模型进行特征提取前,还包括:
10、删除所述指定时段的历史交易数据中的重复数据,得到第一处理数据;
11、检测所述第一处理数据是否存在异常数据,若存在异常数据,则计算除异常数据外其余数据的平均值,并用所述平均值替代所述异常数据,得到第二处理数据;
12、对所述第二处理数据进行归一化处理,获得归一化历史交易数据。
13、优选的,所述cnn模型包括输入层、卷积层以及池化层,所述将所述账户基本数据输入预训练的cnn模型进行特征提取,包括:
14、将所述目标账户的账户基本数据输入所述输入层,获取所述账户基本数据的基本特征;
15、将所述账户基本数据的基本特征输入所述卷积层进行卷积操作,输出特征映射图;
16、将所述特征映射图输入所述池化层进行池化操作,输出所述账户基本数据的空间特征提取结果。
17、优选的,所述双向lstm模型包括正向lstm和反向lstm,所述将所述历史交易数据输入预训练的双向lstm模型进行特征提取,包括:
18、将所述目标账户的历史交易数据按照交易时间分别构成正向时间序列数据和反向时间序列数据;
19、将所述正向时间序列数据输入所述正向lstm进行特征提取,得到第一特征提取结果;
20、将所述反向时间序列数据输入所述反向lstm进行特征提取,得到第二特征提取结果;
21、将所述第一特征提取结果和第二特征提取结果进行特征融合,得到所述双向lstm模型的时间特征提取结果。
22、优选的,所述目标账户的空间特征提取结果和时间特征提取结果进行特征拼接后输入至预训练的xgboost模型,得到目标账户涉赌涉诈风险评估结果,包括:
23、将所述空间特征提取结果和时间特征提取结果进行特征拼接后得到所述目标账户的时空特征;
24、将所述目标账户的时空特征输入所述xgboost模型进行特征分裂,生成多个决策树;
25、根据所述目标账户的时空特征与所述多个决策树中的叶子节点进行匹配,确定所述目标账户的时空特征在每个决策树中对应的叶子节点,其中每个所述叶子节点对应一个风险评分;
26、将所述多个决策树的叶子节点对应的风险评分进行累加,得到所述目标账户的最终风险评分;
27、将所述目标账户的最终风险评分输入全连接层,得到所述目标账户赌涉诈风险评估结果。
28、另一方面,本说明书实施例提供了一种涉赌涉诈账户风险评估装置,所述装置包括:
29、获取模块,用于获取目标账户的账户基本数据和指定时段的历史交易数据;
30、空间特征提取模块,用于将所述账户基本数据输入预训练的cnn模型进行特征提取,得到所述目标账户的空间特征提取结果;
31、时间特征提取模块,用于将所述历史交易数据输入预训练的双向lstm模型进行特征提取,得到所述目标账户的时间特征提取结果;
32、评估模块,用于将所述目标账户的空间特征提取结果和时间特征提取结果进行特征拼接后输入至预训练的xgboost模型,得到目标账户涉赌涉诈风险评估结果。
33、又一方面,本说明书实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述任意一项所述方法的指令。
34、又一方面,本说明书实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述任意一项所述方法的指令。
35、又一方面,本说明书实施例还提供了一种计算机程序产品,所述计算机程序产品被计算机设备的处理器运行时,执行上述任意一项所述方法的指令。
36、本说明书的一些实施例提供的一个或者多个技术方案,至少具有如下的技术效果:
37、本说明书通过获取目标账户的账户基本数据和指定时段的历史交易数据,利用cnn模型提取账户基本数据包含的空间特征,并利用双向lstm模型提取历史交易数据中包含的时间特征,将空间特征和时间特征进行特征拼接后输入至预训练的xgboost模型,得到目标账户涉赌涉诈风险评估结果。由此,通过上述技术方案,综合考虑了目标账户的基本数据和历史交易数据,避免了只考虑单一特征而忽略企业基本信息和历史交易信息对账户风险评估的影响。此外,由于基本数据为离散数据,将其构成类似图像的二维数据结构可提取其中包含的空间特征,而历史交易数据为时间序列数据,其中包含大量时间顺序信息,因此利用时间序列处理模型可提取其中包含的时间特征,将空间特征和时间特征进行拼接后输入至分类模型进行涉赌涉诈风险评估,提高了对风险账户评估的准确性。
38、上述说明仅是本说明书的一些实施例技术方案的概述,为了能够更清楚了解本说明书的一些实施例的技术手段,而可依照说明书的内容予以实施,并且为让本说明书实施例的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种涉赌涉诈账户风险评估方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述将所述账户基本数据输入预训练的CNN模型进行特征提取前,还包括:将所述账户基本数据进行二维化,得到基于所述账户基本数据的二维向量。
3.根据权利要求1所述的方法,其特征在于,将所述历史交易数据输入预训练的双向LSTM模型进行特征提取前,还包括:
4.根据权利要求1所述的方法,其特征在于,所述CNN模型包括输入层、卷积层以及池化层,所述将所述账户基本数据输入预训练的CNN模型进行特征提取,包括:
5.根据权利要求1所述的方法,其特征在于,所述双向LSTM模型包括正向LSTM和反向LSTM,所述将所述历史交易数据输入预训练的双向LSTM模型进行特征提取,包括:
6.根据权利要求1所述的方法,其特征在于,所述将所述目标账户的空间特征提取结果和时间特征提取结果进行特征拼接后输入至预训练的Xgboost模型,得到目标账户涉赌涉诈风险评估结果,包括:
7.一种涉赌涉诈账户风险评估装置,其特征在于,所述装置包括:
...【技术特征摘要】
1.一种涉赌涉诈账户风险评估方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述将所述账户基本数据输入预训练的cnn模型进行特征提取前,还包括:将所述账户基本数据进行二维化,得到基于所述账户基本数据的二维向量。
3.根据权利要求1所述的方法,其特征在于,将所述历史交易数据输入预训练的双向lstm模型进行特征提取前,还包括:
4.根据权利要求1所述的方法,其特征在于,所述cnn模型包括输入层、卷积层以及池化层,所述将所述账户基本数据输入预训练的cnn模型进行特征提取,包括:
5.根据权利要求1所述的方法,其特征在于,所述双向lstm模型包括正向lstm和反向lstm,所述将所述历史交易数据输入预训练的双向lstm模型进行特征提取,包括:
6.根据权利要求1所述的...
【专利技术属性】
技术研发人员:冯十辰,
申请(专利权)人:中国工商银行股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。