一种电子银行反欺诈方法及系统技术方案

本申请提供了一种电子银行反欺诈方法及系统，其中，该方法包括如下步骤：获取模块获取操作请求和操作请求对应的特征数据；第一计算模型基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；第一决策模块基于预定概率范围，判断所述第一概率是否可信；第二计算模型在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；第二决策模块根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。本申请的一种电子银行反欺诈方法及系统，能够有效提升反欺诈算法模型对欺诈操作请求的判断的准确率，从而提高反欺诈方法对欺诈操作请求识别的准确性。

【技术实现步骤摘要】
一种电子银行反欺诈方法及系统
本申请涉及计算机信息
，尤其是涉及一种电子银行反欺诈方法及系统。
技术介绍
互联网的快速发展以及智能终端的普及，使得人们在使用电子银行办理查询余额、转账、购物支付、理财等业务时获得了极大的便捷，便捷的同时，在利益的驱使下，也滋生了大量的黑产军团。调查显示，网络犯罪每年给全球带来高达4450亿美元的经济损失。目前业内的电子银行反欺诈系统一般具有两种实现方案：一是基于专家规则的方法，简称专家法；二是采用机器学习算法模型对特征数据进行机器学习，通过定期调整参数，不断提升反欺诈防控策略的有效性。现有的基于机器学习的方法是把机器学习算法模型不加改造的直接应用到业务场景中来，这些反欺诈算法模型一般直接使用目标业务场景中的全部特征数据进行训练，在线上应用时通常会得到欺诈概率值，并对欺诈概率值的大小进行判断：如果欺诈概率值大于预先设定的专家阈值，就认为该用户属于欺诈用户；如果概率小于预先设定的专家阈值，就认为该用户属于正常用户，专家阈值一般设定为50％。现有技术中的反欺诈算法模型对欺诈操作请求的判断会存在一定的误差，现有的反欺诈方法的准确性较低。
技术实现思路
本申请提出了一种电子银行反欺诈方法及系统，能够有效提升反欺诈算法模型对欺诈操作请求的判断的准确率，从而提高反欺诈方法对欺诈操作请求识别的准确性。第一方面，本申请实施例提供了一种电子银行反欺诈方法，包括如下步骤：获取模块获取操作请求和操作请求对应的特征数据；第一计算模型基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；第一决策模块基于预定概率范围，判断所述第一概率是否可信；第二计算模型在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；第二决策模块根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，还包括如下步骤：在所述第一概率可信的情况下，所述第一决策模块基于所述第一概率判定所述操作请求是否为欺诈请求。结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述第三计算模块具体执行如下步骤：对所述第一概率和所述第二概率进行加权求和，得到所述第三概率。结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，其中，还包括如下步骤：数据获取模块获取所述操作请求所属的用户的所有历史操作请求以及所述历史操作请求对应的第一历史特征数据；第一模型训练模块根据获取的数据进行模型训练，得到所述第一计算模型。结合第一方面的第三种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中，还包括如下步骤：第一计算模型根据每个所述第一历史特征数据得到对应的历史概率值；第二模型训练模块获取满足预定概率范围的历史概率值对应的第一历史特征数据，得到第二历史特征数据，根据所述第二历史特征数据和所述第二历史特征数据对应的历史概率值，进行模型训练，得到第二计算模型。结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，其中，数据预处理模块对所述获取模块获取的所述特征数据进行预处理，所述预处理过程包括如下步骤：对所述特征数据进行向量化处理；对向量化的所述特征数据进行清除异常数据和填充缺失数据的操作；利用算法增加欺诈操作请求对应的特征数据的数量；去掉冗余的所述特征数据；将所述特征数据映射到相同的数值范围。第二方面，本申请实施例还提供一种电子银行反欺诈系统，包括获取模块、第一计算模型、第一决策模块、第二计算模型和第二决策模块：所述获取模块，用于获取操作请求和操作请求对应的特征数据；所述第一计算模型，用于基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；所述第一决策模块，用于基于预定概率范围，判断所述第一概率是否可信；所述第二计算模型，用于在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；所述第二决策模块，用于根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述第一决策模块，还用于在所述第一概率可信的情况下，基于所述第一概率判定所述操作请求是否为欺诈请求。结合第二方面，本申请实施例提供了第二方面的第二种可能的实施方式，其中，还包括数据获取模块和第一模型训练模块：所述数据获取模块，用于获取所述操作请求所属的用户的所有历史操作请求以及所述历史操作请求对应的第一历史特征数据；所述第一模型训练模块，用于根据获取的数据进行模型训练，得到所述第一计算模型。结合第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第三种可能的实施方式，其中，还包括第二模型训练模块：所述第一计算模型，还用于根据每个所述第一历史特征数据得到对应的历史概率值；所述第二模型训练模块，用于获取满足预定概率范围的历史概率值对应的第一历史特征数据，得到第二历史特征数据，根据所述第二历史特征数据和所述第二历史特征数据对应的历史概率值，进行模型训练，得到第二计算模型。本申请实施例提供的一种电子银行反欺诈方法及系统，在所述第一概率不可信的情况下，对对应的特征数据进行进一步处理和计算，与现有技术相比，能够有效提高反欺诈方法对欺诈操作请求识别的准确性。进一步，本申请实施例提供的电子银行反欺诈方法，还可以利用所述第一概率不可信的部分历史特征数据，有针对性的进行算法模型训练，使反欺诈方法对欺诈操作请求识别的准确性得到大幅提升。为使本申请的上述目的、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。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1示出了本申请实施例所提供的一种电子银行反欺诈方法的流程图；图2示出了本申请实施例所提供的另一种电子银行反欺诈方法的流程图；图3示出了本申请实施例提供的一种电子银行反欺诈方法的算法结构图图4示出了本申请实施例所提供的一种电子银行反欺诈系统的结构示意图；图5示出了本申请实施例所提供的另一种电子银行反欺诈系统的结构示意图。具体实施方式为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。为便于对本实施例进行理解，首先对本申请实施例所公开的一种电子银行反欺诈方法进行详细介绍。实施例一本申请实施例一提供了一种电子银行反欺诈方法，本申请实施例提供的方法本文档来自技高网...

【技术保护点】
1.一种电子银行反欺诈方法，其特征在于，包括如下步骤：获取模块获取操作请求和操作请求对应的特征数据；第一计算模型基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；第一决策模块基于预定概率范围，判断所述第一概率是否可信；第二计算模型在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；第二决策模块根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。

【技术特征摘要】
1.一种电子银行反欺诈方法，其特征在于，包括如下步骤：获取模块获取操作请求和操作请求对应的特征数据；第一计算模型基于所述特征数据，确定所述操作请求属于欺诈请求的第一概率；第一决策模块基于预定概率范围，判断所述第一概率是否可信；第二计算模型在第一概率不可信的情况下，基于所述特征数据确定所述操作请求属于欺诈请求的第二概率；第二决策模块根据所述第一概率和所述第二概率确定第三概率，并在第三概率大于预定值时，判定所述操作请求为欺诈请求。2.根据权利要求1所述的方法，其特征在于，还包括如下步骤：在所述第一概率可信的情况下，所述第一决策模块基于所述第一概率判定所述操作请求是否为欺诈请求。3.根据权利要求1所述的方法，其特征在于，所述第三计算模块具体执行如下步骤：对所述第一概率和所述第二概率进行加权求和，得到所述第三概率。4.根据权利要求1所述的方法，其特征在于，还包括如下步骤：数据获取模块获取所述操作请求所属的用户的所有历史操作请求以及所述历史操作请求对应的第一历史特征数据；第一模型训练模块根据获取的数据进行模型训练，得到所述第一计算模型。5.根据权利要求4所述的方法，其特征在于，还包括如下步骤：第一计算模型根据每个所述第一历史特征数据得到对应的历史概率值；第二模型训练模块获取满足预定概率范围的历史概率值对应的第一历史特征数据，得到第二历史特征数据，根据所述第二历史特征数据和所述第二历史特征数据对应的历史概率值，进行模型训练，得到第二计算模型。6.根据权利要求1所述的方法，其特征在于，数据预处理模块对所述获取模块获取的所述特征数据进行预处理，所述预处理过程包括如下步骤：对所述特征数据进行向量化处理；对向量化的所述特征数据...

【专利技术属性】
技术研发人员：郭豪，王雪，孙善萍，蔡准，孙悦，郭晓鹏，
申请(专利权)人：北京芯盾时代科技有限公司，
类型：发明
国别省市：北京,11