基于关系网络的欺诈风险识别方法及装置制造方法及图纸

本发明专利技术公开了基于关系网络的欺诈风险识别方法及装置。识别方法包括：获取申请用户数据；基于所述申请用户数据，构建用户关系网络；计算所述用户关系网络的网络结构指标；基于所述网络结构指标，识别申请用户的欺诈风险。本发明专利技术将孤立的用户节点进行关联互通，构造关系网络系统，发现关系网络中的中心节点，将这些被发现的中心节点在业务场景中用于判断中介欺诈风险，并通过节点之间的高危风险标签传播来挖掘潜在的欺诈风险节点，打破的用户孤立评价的壁垒，更全面深入的评价用户申请，从而达到提升欺诈识别率和预测风险的目的。

【技术实现步骤摘要】
基于关系网络的欺诈风险识别方法及装置
本专利技术涉及计算机领域，尤其涉及基于关系网络的欺诈风险识别方法及装置。
技术介绍
近年随着互联网消费金融的蓬勃发展，人们越来越多的使用线上平台进行业务申请，快捷的操作和简单的流程，使得移动手机作为主要的申请工具成为用户与平台、用户与用户之间的重要媒介。欺诈风险是互联网金融行业面临的主要风险之一，是信贷风险管理的重要环节。在各种识别欺诈风险的过程中，多数传统识别风险的方式都是基于单个用户的申请信息，较为孤立的评价该用户的风险情况，忽略了很多与该用户相关的其他风险情况，许多潜在的风险需要得到更好的评价和识别。申请环节的便利也让许多欺诈群体潜伏在海量客户中，贷款黑中介就属于这种高危群体，他们虽然人数不多，但他们的恶意申请对平台的损失是无法挽回的，极大的干扰了平台的正常运营。在此背景下，如何识别海量申请客户中的中介群体成为一项重要课题，需要设计一种基于关系网络的欺诈风险识别方法及装置。现有的做法是积累一些欺诈黑名单或还款表现较差的客户名单，根据这些历史客户在平台的行为数据和第三方征信数据来提取相关的特征，用于建立分类模型来识别新进的客户的风险情况。这种方法的缺点是：(1)当前很多分类模型，像逻辑回归、随机森林等都属于有监督机器学习，这就要求有足够多的学习样本，积累这些样本需要耗费许多时间和成本；(2)由于需要提取新用户特征，如果特征与第三方数据相关，模型运行则需要很大的成本，如果新用户没有相关数据，模型输入项缺失，则准确度会大大下降。在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
鉴于上述问题，提出了本说明书以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于关系网络的欺诈风险识别方法及装置。本专利技术说明书公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。第一方面，本专利技术说明书提供一种基于关系网络的欺诈风险识别方法，包括：获取申请用户数据；基于所述申请用户数据，构建用户关系网络；计算所述用户关系网络的网络结构指标；基于所述网络结构指标，识别申请用户的欺诈风险。在本公开的一种示例性实施例中，所述的基于所述申请用户数据，构建用户关系网络包括：将各用户设置为所述用户关系网络中的各网络节点；以各用户之间的联系为所述用户关系网络的各网络节点的边，其中所述各用户之间的联系为任意两用户之间发生互通的关联关系。在本公开的一种示例性实施例中，所述计算所述用户关系网络的网络结构指标包括：计算各所述网络节点的中心度。在本公开的一种示例性实施例中，所述计算所述用户关系网络的网络结构指标还包括：定义所述用户关系网络的最大中心度；计算各所述网络节点的相对中心度；所述各所述网络节点的中心度为：相对中心度/最大中心度。在本公开的一种示例性实施例中，所述计算各所述网络节点的相对中心度包括：遍历所述用户关系网络的最短路径；计算任意两个非该网络节点的最短路径中通过该网络节点的比率之和，作为该网络节点的相对中心度。在本公开的一种示例性实施例中，所述遍历所述用户关系网络的最短路径采用图算法。在本公开的一种示例性实施例中，所述基于所述网络结构指标，识别申请用户风险包括：设定风险阈值；基于所述各所述网络节点的中心度与所述风险阈值的大小比较，识别申请用户风险。在本公开的一种示例性实施例中，所述获得申请用户数据的类型包括以下方式的一种或多种组合：申请用户ID、申请用户设备信息、申请用户社交行为数据。在本公开的一种示例性实施例中，所述定义所述用户关系网络的最大中心度包括：确定与任一用户相连的用户关系子图；根据所述用户关系子图的网络节点数量设定最大中心度。第二方面，本专利技术说明书提供一种基于关系网络的欺诈风险识别装置，包括：用户数据模块，用于获得申请用户数据；用户关系网络模块，用于基于所述申请用户数据，构建用户关系网络；网络结构指标模块，用于计算所述用户关系网络的网络结构指标；风险识别模块，用于基于所述网络结构指标，识别申请用户风险。在本公开的一种示例性实施例中，所述的用户关系网络模块包括：网络节点单元，用于建立以各用户为所述用户关系网络中的各网络节点；无向边单元，用于建立以各用户之间的联系为所述用户关系网络的各网络节点的边，其中所述各用户之间的联系为任意两用户之间发生互通的关联关系。在本公开的一种示例性实施例中，所述网络结构指标模块包括：中线度单元，用于计算各所述网络节点的中心度。在本公开的一种示例性实施例中，所述网络结构指标模块还包括：最大中心度单元，用于定义所述用户关系网络的最大中心度；相对中心度单元，用于计算各所述网络节点的相对中心度；所述各所述网络节点的中心度为：相对中心度/最大中心度。在本公开的一种示例性实施例中，所述相对中心度单元包括：最短路径子单元，用于遍历所述用户关系网络的最短路径；比率子单元，用于计算任意两个非该网络节点的最短路径中通过该网络节点的比率之和，作为该网络节点的相对中心度。在本公开的一种示例性实施例中，所述最短路径子单元的所述遍历所述用户关系网络的最短路径采用图算法。在本公开的一种示例性实施例中，所述风险识别模块包括：风险阈值单元，用于设定风险阈值；比较单元，用于基于所述各所述网络节点的中心度与所述风险阈值的大小比较，识别申请用户风险。在本公开的一种示例性实施例中，所述用户数据模块获得申请用户数据的类型包括以下方式的一种或多种组合：申请用户ID、申请用户设备信息、申请用户社交行为数据。在本公开的一种示例性实施例中，所述最大中心度单元包括：确定与任一用户相连的用户关系子图；根据所述用户关系子图的网络节点数量设定最大中心度。第三方面，本专利技术说明书提供一种服务器，包括处理器和存储器：所述存储器用于存储上述任一项所述方法的程序；所述处理器被配置为用于执行所述存储器中存储的程序实现上述任一项所述方法的步骤。第四方面，本专利技术说明书实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。本专利技术利用海量的申请用户数据，将孤立的用户节点进行关联互通，以各个用户作为网络节点，各种关联方式作为边，构造了一套复杂关系网络系统。基于复杂网络图算法的遍历运算，根据关系网络中的数据节点的变量特征，计算各节点、边之间的最短路径等结构类型指标，从而发现关系网络中的中心节点。可将这些被发现的中心节点在业务场景中用于判断中介欺诈风险，并通过节点之间的高危风险标签传播来挖掘潜在的欺诈风险节点，打破的用户孤立评价的壁垒，更全面深入的评价用户申请，从而达到提升欺诈识别率和预测风险的目的。应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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的附图。图1是根据一示例性实施例示出的一种基于关系网络的欺诈风险识别方法的流程图。图2是图1所示方法中一个关系网络的示意图。图3是根据另一示例性实施例示出的一种基本文档来自技高网...

【技术保护点】
1.基于关系网络的欺诈风险识别方法，包括：获取申请用户数据；基于所述申请用户数据，构建用户关系网络；计算所述用户关系网络的网络结构指标；基于所述网络结构指标，识别申请用户的欺诈风险。

【技术特征摘要】
1.基于关系网络的欺诈风险识别方法，包括：获取申请用户数据；基于所述申请用户数据，构建用户关系网络；计算所述用户关系网络的网络结构指标；基于所述网络结构指标，识别申请用户的欺诈风险。2.根据权利要求1所述的基于关系网络的欺诈风险识别方法，包括：所述的基于所述申请用户数据，构建用户关系网络包括：将各用户设置为所述用户关系网络中的各网络节点；以各用户之间的联系为所述用户关系网络的各网络节点的边，其中所述各用户之间的联系为任意两用户之间发生互通的关联关系。3.根据权利要求1至2任一项所述的基于关系网络的欺诈风险识别方法，包括：所述计算所述用户关系网络的网络结构指标包括：计算各所述网络节点的中心度。4.根据权利要求1至3任一项所述的基于关系网络的欺诈风险识别方法，包括：所述计算所述用户关系网络的网络结构指标还包括：定义所述用户关系网络的最大中心度；计算各所述网络节点的相对中心度；所述各所述网络节点的中心度为：相对中心度/最大中心度。5.根据权利要求1至4任一项所述的基于关系网络的欺诈风险识别方法，包括：所述计算各所述网络节点的相对中心度包括：遍历所述用...

【专利技术属性】
技术研发人员：张涵，郑彦，熊俊，孙涛，
申请(专利权)人：上海淇馥信息技术有限公司，
类型：发明
国别省市：上海,31