基于社交网络的欺诈团体检测方法及系统技术方案

本发明专利技术公开了一种基于社交网络的欺诈团体检测方法及系统，其中方法包括如下步骤：S1用于通过社交图谱获取测试源数据的步骤；S2用于将测试源数据对被测系统进行测试并生成预测模型的步骤；S3用于通过基于社交网络的欺诈团体检测技术执行操作的步骤。本发明专利技术所提供的基于社交网络的欺诈团体检测方法及系统，基于社交网络的欺诈团体检测技术，用户可以根据社交关系挖掘潜在的群体欺诈，预测出欺诈群体，有利于提高网络的全局风险识别能力，避免不必要的风险漏洞。

【技术实现步骤摘要】
基于社交网络的欺诈团体检测方法及系统
本专利技术涉及计算机软件
，尤其涉及基于社交网络的欺诈团体检测方法及系统。
技术介绍
基于图的机器学习技术不仅被广泛应用于图像、自然语言处理、知识图谱、网络安全等领域，在金融反欺诈环节中它也被证明极为有效可靠。尤其在当前普惠金融的市场环境下，线上欺诈风险变化非常频繁，以往单一的个体欺诈已迅速演变成有组织、有规模的团体欺诈和相应的关联风险。而传统的反欺诈手段包括身份验证、客户信息逻辑校验、外部信息的对比校验、黑名单过滤等方式主要还是在识别个人风险，无法根据千丝万缕的关系挖掘潜在的群体欺诈，不能预测“好”或者“坏”人的分类模型，无法基于网络的全局风险识别能力来覆盖这部分的风险漏洞。
技术实现思路
本专利技术的目的是提供一种基于社交网络的欺诈团体检测方法及系统。本专利技术所提供的基于社交网络的欺诈团体检测方法，包括如下步骤：S1用于通过社交图谱获取测试源数据的步骤；S2用于将测试源数据对被测系统进行测试并生成预测模型的步骤；S3用于通过基于社交网络的欺诈团体检测技术执行操作的步骤。本专利技术所提供的基于社交网络的欺诈团体检测系统，包括：用于通过社交图谱获取测试源数据的模块；用于将测试源数据对被测系统进行测试并生成预测模型的模块；用于通过基于社交网络的欺诈团体检测技术执行操作的模块。这样，基于社交网络的欺诈团体检测技术，用户可以根据社交关系挖掘潜在的群体欺诈，预测出欺诈群体，有利于提高网络的全局风险识别能力，避免不必要的风险漏洞。附图说明图1、2为本专利技术实施例一所提供的基于社交网络的欺诈团体检测方法的步骤示意图；图3为本专利技术实施例一所述S1用于通过社交图谱获取测试源数据的步骤示意图；图4为本专利技术实施例一所述S2用于将测试源数据对被测系统进行测试并生成预测模型的步骤示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例一如图1、2所示，本实施例提供一种基于社交网络的欺诈团体检测方法，包括如下步骤：S1用于通过社交图谱获取测试源数据的步骤；S2用于将测试源数据对被测系统进行测试并生成预测模型的步骤；S3用于通过基于社交网络的欺诈团体检测技术执行操作的步骤。本领域技术人员可以理解，所述测试源数据可以包括用户授权通讯录、通话记录、短信记录、紧急联系人等信息。这样，基于社交网络的欺诈团体检测技术，用户可以根据社交关系挖掘潜在的群体欺诈，预测出欺诈群体，有利于提高网络的全局风险识别能力，避免不必要的风险漏洞。如图3所示，所述S1用于通过社交图谱获取测试源数据的步骤包括：S11通过社交图谱应用对用户社交关系进行收集的步骤；S12将收集到的数据通过机器学习引擎建立用户间的关系网络的步骤；S13将上述关系网络的生成算法模型及规则并设置于不同场景的步骤。本领域技术人员可以理解，在诸如反欺诈等场景，可以与通用应用互补，完成信用评估、反欺诈等功能。所述社交图谱应用是通过对用户社交关系的收集用户授权通讯录、通话记录、短信记录、紧急联系人等信息，再通过机器学习引擎建立用户间的关系网络的，并从中学习及训练算法模型及规则，应用于信用评估、欺诈识别、贷后催收等不同的业务场景。如图4所示，所述S2用于将测试源数据对被测系统进行测试并生成预测模型的步骤包括：S21将有违约与否标记的申请人设为原始种子结点的步骤；S22通过使用基于图的半监督算法，将是否违约的标记传播给无标签的申请人的步骤；S23根据有少量标签节点的图结构，运用传播算法预测无标记节点的标签类别的步骤。本领域技术人员可以理解，在金融业务中，每一个申请人、手机号、设备、IP地址都是图中的结点，而诸如申请人拥有设备、手机号呼叫手机号等有向联系就是图中的边，边的权重为关联的紧密程度。在基于社交网络的欺诈团体检测技术中，那些有违约与否标记的申请人是原始种子结点，通过使用基于图的半监督算法，把是否违约的标记传播给无标签的申请人，这样就可以在少量有标签的样本上构建出极为庞大的风险网络，最终打造形成有效可靠的违约预测模型。进一步，所述S3用于通过基于社交网络的欺诈团体检测技术执行操作的步骤包括：S31用于对社交图谱数据进行存储与计算的步骤。本领域技术人员可以理解，基于社交网络的欺诈团体检测技术在技术实现上，基于SparkGraphX、Neo4j等框架，建立起社交图谱数据的存储和计算，不仅方便数据技术人员操作，对业务领域专家也有良好的接口，支持团队在建模和模型演化上的推进。进一步，所述用于对社交图谱数据进行存储与计算的步骤包括：S311构建黑名单图谱的步骤。进一步，所述S311构建黑名单图谱的步骤包括：S3110基于黑名单设置的自然假设；S3111分析各个子图的特点；S3112建立图谱计算模型及相应策略规则；S3113对黑名单客户有关联的客户建立相应的拒贷策略。本领域技术人员可以理解，社交网络构建的黑名单图谱应用，基于“近朱者赤近墨者黑”的自然假设，分析研究各子图社群的特点，结合业务表现，建立图谱计算模型及相应策略规则，对于与黑名单客户有关联的客户建立相应的拒贷策略，减少损失。举例说明，对于申请的客户，在申请审批过程中，其授权的通讯录、通话记录等“关系”会被实时地标记到大数据平台社交图中，如果系统发现与其关联的客户中存在已经判定的黑名单用户，则有理由相信该客户存在信用风险和欺诈风险，从业务角度上考虑，该客户与黑名单客户存在紧密联系，极有可能涉嫌团体欺诈、共同负债等问题。实施例二本实施例提供一种基于社交网络的欺诈团体检测系统，包括：用于通过社交图谱获取测试源数据的模块；用于将测试源数据对被测系统进行测试并生成预测模型的模块；用于通过基于社交网络的欺诈团体检测技术执行操作的模块。本领域技术人员可以理解，所述测试源数据可以包括用户授权通讯录、通话记录、短信记录、紧急联系人等信息。这样，基于社交网络的欺诈团体检测技术，用户可以根据社交关系挖掘潜在的群体欺诈，预测出欺诈群体，有利于提高网络的全局风险识别能力，避免不必要的风险漏洞。进一步，所述用于通过社交图谱获取测试源数据的模块包括：通过社交图谱应用对用户社交关系进行收集的子模块；将收集到的数据通过机器学习引擎建立用户间的关系网络的子模块；将上述关系网络的生成算法模型及规则并设置于不同场景的子模块。本领域技术人员可以理解，在诸如反欺诈等场景，可以与通用应用互补，完成信用评估、反欺诈等功能。所述社交图谱应用是通过对用户社交关系的收集用户授权通讯录、通话记录、短信记录、紧急联系人等信息，再通过机器学习引擎建立用户间的关系网络的，并从中学习及训练算法模型及规则，应用于信用评估、欺诈识别、贷后催收等不同的业务场景。进一步，所述用于将测试源数据对被测系统进行测试并生成预测模型的模块包括：将有违约与否标记的申请人设为原始种子结点的子模块；通过使用基于图的半监督算法，判断是否违约的标记传播给无标签的申请人的子模块；根据有少量标签节点的图结构，运用传播算法预测无标记节点本文档来自技高网...

【技术保护点】
一种基于社交网络的欺诈团体检测方法，其特征在于，包括如下步骤：S1用于通过社交图谱获取测试源数据的步骤；S2用于将测试源数据对被测系统进行测试并生成预测模型的步骤；S3用于通过基于社交网络的欺诈团体检测技术执行操作的步骤。

【技术特征摘要】
1.一种基于社交网络的欺诈团体检测方法，其特征在于，包括如下步骤：S1用于通过社交图谱获取测试源数据的步骤；S2用于将测试源数据对被测系统进行测试并生成预测模型的步骤；S3用于通过基于社交网络的欺诈团体检测技术执行操作的步骤。2.如权利要求1所述的基于社交网络的欺诈团体检测方法，其特征在于，所述S1用于通过社交图谱获取测试源数据的步骤包括：S11通过社交图谱应用对用户社交关系进行收集的步骤；S12将收集到的数据通过机器学习引擎建立用户间的关系网络的步骤；S13将上述关系网络的生成算法模型及规则并设置于不同场景的步骤。3.如权利要求2所述的基于社交网络的欺诈团体检测方法，其特征在于，S2用于将测试源数据对被测系统进行测试并生成预测模型的步骤包括：S21将有违约与否标记的申请人设为原始种子结点的步骤；S22通过使用基于图的半监督算法，将是否违约的标记传播给无标签的申请人的步骤；S23根据有少量标签节点的图结构，运用传播算法预测无标记节点的标签类别的步骤。4.如权利要求3所述的基于社交网络的欺诈团体检测方法，其特征在于，所述S3用于通过基于社交网络的欺诈团体检测技术执行操作的步骤包括：S31用于对社交图谱数据进行存储与计算的步骤。5.如权利要求4所述的基于社交网络的欺诈团体检测方法，其特征在于，所述用于对社交图谱数据进行存储与计算的步骤包括：S311构建黑名单图谱的步骤。6.如权利要求5所述的基于社交网络的欺诈团体检测方法，其特征在于，S311构建黑名单图谱的步骤包括：S3110基于黑名单设置的自然假设；S3111分析各个子图的特点；S3112建立图谱计算模型及相应策略规则；...

【专利技术属性】
技术研发人员：金家芳，陈斌，张俊飞，匡文豪，薛贤巨，
申请(专利权)人：上海维信荟智金融科技有限公司，
类型：发明
国别省市：上海,31