信贷欺诈分析方法、装置、设备及计算机可读存储介质制造方法及图纸

本发明专利技术提供一种信贷欺诈分析方法、装置、设备及计算机可读存储介质，以“关系“的方式将贷款申请者的多种地址信息进行整合和关联，有利于确定地址信息之间的联系，并结合染黑(或染灰)的处理逻辑对潜在信贷欺诈风险进行预测，从而以大数据分析的方式对贷款申请者的贷款终端进行关联风险检测，提高了信贷分析的准确性，能够更有效地对潜在风险进行预警，有利于尽早地发现并规避风险，降低坏账率。

Credit fraud analysis methods, devices, equipment and computer-readable storage media

The invention provides a credit fraud analysis method, device, equipment and computer readable storage medium, which integrates and correlates various address information of loan applicants in a \relational\ way, helps to determine the connection between address information, and predicts the potential credit fraud risk by combining the processing logic of dyeing black (or dyeing grey) so as to conduct large data analysis. Loan applicants'loan terminals carry out related risk detection, which improves the accuracy of credit analysis, can effectively warn potential risks, help to identify and avoid risks as soon as possible, and reduce the bad debt rate.

【技术实现步骤摘要】
信贷欺诈分析方法、装置、设备及计算机可读存储介质
本专利技术涉及大数据领域，尤其涉及一种信贷欺诈分析方法、装置、设备及计算机可读存储介质。
技术介绍
随着社会和金融行业的快速发展，信贷业务活跃于市场。信贷机构在向贷款申请者进行放款前，需要根据贷款申请者提供的信息进行分析，以确定其欺诈风险性；在分析过程中，往往会涉及贷款申请者的地址分析，如家庭地址、工作地址、GPS地址等。传统的信贷风险分析方法，是对各个地址信息进行单一分析，确定其真实性，而忽略了各地址之间的关联性，从而降低了信贷欺诈分析的准确性。
技术实现思路
本专利技术的主要目的在于提供一种信贷欺诈分析方法、装置、设备及计算机可读存储介质，旨在提高信贷欺诈分析的准确性。为实现上述目的，本专利技术提供一种信贷欺诈分析方法，所述信贷分析方法包括：的基本信息，并根据所述基本信息获取对应的地址因子集，所述地址因子集的地址因子数量至少为两个；基于预设关联规则对所述地址因子集的地址因子之间建立实体关联，获得对应的地址关联图，所述地址关联图中至少包括两个相互关联的地址因子；根据接收到的因子指定指令在所述地址关联图中分别确定目标因子和参考因子，并根据所述目标因子和参考因子的关联关系、因子类型和预设关系度公式计算所述目标因子与参考因子之间的关系度；当所述参考因子属于黑名单因子时，判断所述关系度是否大于预设关系阈值；若所述关系度大于预设关系阈值，则确定所述目标因子所对应的基本信息为疑似欺诈信息。可选地，所述基本信息包括地址类信息，所述地址因子集包括直译地址因子，所述根据所述基本信息获取对应的地址因子集的步骤包括：基于预设区划词典对所述地址类信息进行关键字匹配，提取地址关键字；根据所述地址关键字和所述预设区划词典对所述地址类信息进行规整，得到对应的直译地址因子。可选地，所述基本信息包括非地址类信息，所述地址因子集包括转译地址因子，所述根据所述基本信息获取对应的地址因子的步骤包括：根据所述非地址类信息的信息类型确定对应的信息转译规则，并根据所述信息转译规则对所述非地址类信息进行转译，得到对应的转译地址因子。可选地，所述基于预设关联规则对所述地址因子集的地址因子之间建立实体关联的步骤包括：根据预设模糊匹配算法以成对计算的方式计算所述地址因子集的地址因子之间的模糊匹配度，并在模糊匹配度大于预设模糊阈值的两个地址因子之间建立模糊匹配关联。可选地，所述根据预设模糊匹配算法以成对计算的方式计算所述地址因子之间的模糊匹配度的步骤包括：在所述地址因子集中选取两个地址因子作为计算因子，并基于预设量化规则分别将所述计算因子量化为对应的第一字符组D1和第二字符组D2；根据所述第一特征组D1和所述第二特征组D2获取全字符组D，并分别根据全字符组D的各字符在第一字符组D1和第二字符组D2中出现频率、确定第一特征组D1对应的第一字符频率组DD1和第一特征组D2对应第二字符频率组DD2；根据预设模糊匹配度公式、所述第一字符频率组DD1和所述第二字符频率组DD2计算对应的模糊匹配度，所述预设模糊匹配度公式为其中，sim为计算因子之间的模糊匹配度；n为所述第一字符频率组DD1或所述第二字符频率组DD2的元素数量；DD1i为所述第一字符频率组DD1第i个元素，DD2i所述第二字符频率组DD2第i个元素，0＜i≤n，且i为整数。可选地，所述基于预设关联规则对所述地址因子集的地址因子之间建立实体关联的步骤还包括：确定所述地址因子集的地址因子对应的真实地址；根据所述真实地址确定地址因子之间的真实地址距离，并在真实地址距离小于预设距离阈值的两个地址因子之间建立距离匹配关联。可选地，所述预设关系度公式为：其中，f为所述目标因子和所述参考因子的关系度；m为所述目标因子和所述参考因子的最短关联路径上的路径因子数量，所述路径因子包括所述目标因子和所述参考因子，m≥2；k0为与所述参考因子的因子类型相关的预设距离系数，0＜k0；x0为与所述参考因子的因子类型相关的预设距离系数，0＜x0；ki为所述路径因子各自对应的关联距离系数，0＜ki；ui为所述路径因子各自对应的衰减因子系数，0＜ui≤1；xi为所述路径因子各自对应的关联强度系数，0＜xi。此外，为实现上述目的，本专利技术还提供一种信贷欺诈分析装置，所述信贷欺诈分析装置包括：因子集获取模块，用于在接收到信贷风险分析请求时，获取所述信贷风险分析请求对应信贷申请者的基本信息，并根据所述基本信息获取对应的地址因子集，所述地址因子集的地址因子数量至少为两个；因子关联模块，用于基于预设关联规则对所述地址因子集的地址因子之间建立实体关联，获得对应的地址关联图，所述地址关联图中至少包括两个相互关联的地址因子；关系度计算模块，用于根据接收到的因子指定指令在所述地址关联图中分别确定目标因子和参考因子，并根据所述目标因子和参考因子的关联关系、因子类型和预设关系度公式计算所述目标因子与参考因子之间的关系度；关系度判断模块，用于当所述参考因子属于黑名单因子时，判断所述关系度是否大于预设关系阈值；欺诈分析模块，用于若所述关系度大于预设关系阈值，则确定所述目标因子所对应的基本信息为疑似欺诈信息。此外，为实现上述目的，本专利技术还提供一种信贷欺诈分析设备，所述信贷欺诈分析设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的信贷欺诈分析程序，其中所述信贷欺诈分析程序被所述处理器执行时，实现如上述的信贷欺诈分析方法的步骤。此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信贷欺诈分析程序，其中所述信贷分析欺诈程序被处理器执行时，实现如上述的信贷欺诈分析方法的步骤。本专利技术以“关系“的方式将贷款申请者的多种地址信息进行整合和关联，有利于确定地址信息之间的联系，并结合染黑(或染灰)的处理逻辑对潜在信贷欺诈风险进行预测，从而以大数据分析的方式对贷款申请者的贷款终端进行关联风险检测，提高了信贷分析的准确性，能够更有效地对潜在风险进行预警，有利于尽早地发现并规避风险，降低坏账率。附图说明图1为本专利技术实施例方案中涉及的信贷欺诈分析设备的硬件结构示意图；图2为本专利技术信贷欺诈分析方法第一实施例的流程示意图；图3为图2所示实施例涉及的地址关系度示意图；图4为本专利技术信贷欺诈分析装置第一实施例的功能模块示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例涉及的信贷欺诈分析方法主要应用于信贷欺诈分析设备，该信贷欺诈分析设备可以是个人计算机(personalcomputer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。参照图1，图1为本专利技术实施例方案中涉及的信贷欺诈分析设备的硬件结构示意图。本专利技术实施例中，信贷欺诈分析设备可以包括处理器1001(例如中央处理器CentralProcessingUnit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接本文档来自技高网...

【技术保护点】
1.一种信贷欺诈分析方法，其特征在于，所述信贷欺诈分析方法包括：在接收到信贷风险分析请求时，获取所述信贷风险分析请求对应信贷申请者的基本信息，并根据所述基本信息获取对应的地址因子集，所述地址因子集的地址因子数量至少为两个；基于预设关联规则对所述地址因子集的地址因子之间建立实体关联，获得对应的地址关联图，所述地址关联图中至少包括两个相互关联的地址因子；根据接收到的因子指定指令在所述地址关联图中分别确定目标因子和参考因子，并根据所述目标因子和参考因子的关联关系、因子类型和预设关系度公式计算所述目标因子与参考因子之间的关系度；当所述参考因子属于黑名单因子时，判断所述关系度是否大于预设关系阈值；若所述关系度大于预设关系阈值，则确定所述目标因子所对应的基本信息为疑似欺诈信息。

【技术特征摘要】
1.一种信贷欺诈分析方法，其特征在于，所述信贷欺诈分析方法包括：在接收到信贷风险分析请求时，获取所述信贷风险分析请求对应信贷申请者的基本信息，并根据所述基本信息获取对应的地址因子集，所述地址因子集的地址因子数量至少为两个；基于预设关联规则对所述地址因子集的地址因子之间建立实体关联，获得对应的地址关联图，所述地址关联图中至少包括两个相互关联的地址因子；根据接收到的因子指定指令在所述地址关联图中分别确定目标因子和参考因子，并根据所述目标因子和参考因子的关联关系、因子类型和预设关系度公式计算所述目标因子与参考因子之间的关系度；当所述参考因子属于黑名单因子时，判断所述关系度是否大于预设关系阈值；若所述关系度大于预设关系阈值，则确定所述目标因子所对应的基本信息为疑似欺诈信息。2.如权利要求1所述的信贷欺诈分析方法，其特征在于，所述基本信息包括地址类信息，所述地址因子集包括直译地址因子，所述根据所述基本信息获取对应的地址因子集的步骤包括：基于预设区划词典对所述地址类信息进行关键字匹配，提取地址关键字；根据所述地址关键字和所述预设区划词典对所述地址类信息进行规整，得到对应的直译地址因子。3.如权利要求1所述的信贷欺诈分析方法，其特征在于，所述基本信息包括非地址类信息，所述地址因子集包括转译地址因子，所述根据所述基本信息获取对应的地址因子的步骤包括：根据所述非地址类信息的信息类型确定对应的信息转译规则，并根据所述信息转译规则对所述非地址类信息进行转译，得到对应的转译地址因子。4.如权利要求1所述的信贷欺诈分析方法，其特征在于，所述基于预设关联规则对所述地址因子集的地址因子之间建立实体关联的步骤包括：根据预设模糊匹配算法以成对计算的方式计算所述地址因子集的地址因子之间的模糊匹配度，并在模糊匹配度大于预设模糊阈值的两个地址因子之间建立模糊匹配关联。5.如权利要求3所述的信贷欺诈分析方法，其特征在于，所述根据预设模糊匹配算法以成对计算的方式计算所述地址因子之间的模糊匹配度的步骤包括：在所述地址因子集中选取两个地址因子作为计算因子，并基于预设量化规则分别将所述计算因子量化为对应的第一字符组D1和第二字符组D2；根据所述第一特征组D1和所述第二特征组D2获取全字符组D，并分别根据全字符组D的各字符在第一字符组D1和第二字符组D2中出现频率、确定第一特征组D1对应的第一字符频率组DD1和第一特征组D2对应第二字符频率组DD2；根据预设模糊匹配度公式、所述第一字符频率组DD1和所述第二字符频率组DD2计算对应的模糊匹配度，所述预设模糊匹配度公式为其中，sim为计算因子之间的模糊匹配度；...

【专利技术属性】
技术研发人员：向纯玉，
申请(专利权)人：深圳壹账通智能科技有限公司，
类型：发明
国别省市：广东,44