洗钱交易识别方法、装置和设备制造方法及图纸

本申请提供了一种洗钱交易识别方法、装置和设备，其中，该方法包括：获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；确定目标交易数据集的复杂网络特征；利用所述洗钱交易概率计算模型，确定所述目标交易数据集中各个交易为洗钱交易的概率；将概率大于等于预设阈值的交易作为第一洗钱交易集；根据用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集。在本申请实施例中，以复杂网络特征作为输入数据进行预测，可以提高模型预测的准确度。进一步的，采用用户画像进行进一步的筛选，可避免将某些特殊客户进行的交易进行误判，有效提高了洗钱交易识别的准确度。

Identification methods, devices and equipment of money laundering transactions

【技术实现步骤摘要】
洗钱交易识别方法、装置和设备
本申请涉及数据处理
，特别涉及一种洗钱交易识别方法、装置和设备。
技术介绍
随着互联网金融的发展，线下的现钞交易规模减少，网络支付成为人们支付消费的主要方式，使得犯罪分子对于一些大规模非法资产需要进行线上的洗钱操作。洗钱活动与贪污腐败、走私贩毒、金融诈骗等行为联系紧密，犯罪分子在获得非法资产后进行资产的转移，通常是以转账的方式进行，转账手法复杂。因此，有效识别洗钱交易对账户的安全保护具有重大意义。现有技术中通常采用大量的历史交易数据，利用传统的机器学习算法来训练模型其中，模型的输入为交易数据，并使用训练好的模型来识别某笔交易是否具有洗钱性质。采用机器学习算法训练得到的模型很难识别出手法复杂的洗钱交易模式，同时由于存在一些洗钱模式和某些特殊客户的交易模式非常相似的情况。因此，采用上述方式很容易将某些特殊客户进行的交易进行误判，从而使得采用现有技术无法准确、有效地识别洗钱交易。针对上述问题，目前尚未提出有效的解决方案。
技术实现思路
本申请实施例提供了一种洗钱交易识别方法、装置和设备，以解决现有技术中无法准确、有效地识别洗钱交易的问题。本申请实施例提供了一种洗钱交易识别方法，包括：获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征；根据所述目标交易数据集的复杂网络特征，利用所述洗钱交易概率计算模型，确定所述目标交易数据集中各个交易为洗钱交易的概率；将概率大于等于预设阈值的交易作为第一洗钱交易集；根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将所述第二洗钱交易集中的交易作为洗钱交易。在一个实施例中，在获取用户画像集之前，还包括：从预设数据库中获取各个用户的用户信息和历史交易数据；根据所述各个用户的用户信息和历史交易数据，确定所述各个用户的特征数据；根据所述各个用户的特征数据，确定所述各个用户的用户画像，其中，所述用户画像集中包括所述各个用户的用户画像。在一个实施例中，在获取利用机器学习算法预先训练得到的洗钱交易概率计算模型之前，还包括：从洗钱交易知识库中获取历史洗钱交易数据集；根据所述用户画像集确定所述用户画像集中各个用户的标签数据；根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络；根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络，确定所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征；根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征，利用机器学习算法训练得到洗钱交易概率计算模型。在一个实施例中，根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络，包括：获取历史洗钱交易数据集中的目标洗钱交易数据；根据所述目标洗钱交易数据，确定所述目标洗钱交易数据在所述目标时间段的长度内涉及的用户；根据所述用户画像集，确定所述涉及的用户的标签数据；根据所述涉及的用户的标签数据和所述目标洗钱交易数据，为目标洗钱交易构建在所述目标时间段的长度内的复杂网络。在一个实施例中，根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征，包括：根据所述目标交易数据集，确定所述目标交易数据集中涉及的用户；根据所述用户画像集，确定所述目标交易数据集中涉及的用户的标签数据；根据所述涉及的用户的标签数据和所述目标交易数据集，构建所述目标交易数据集的复杂网络；根据所述目标交易数据集的复杂网络，确定所述目标交易数据集的复杂网络特征。在一个实施例中，根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，包括：确定所述第一洗钱交易集中涉及的用户；根据所述用户画像集，确定所述第一洗钱交易集中涉及的用户的标签数据；获取所述第一洗钱交易中各个交易的转账类型；根据所述第一洗钱交易中各个交易的转账类型和涉及的用户的标签数据，确定所述第一洗钱交易集中的正常交易；将确定的正常交易从所述第一洗钱交易集中移除，得到所述第二洗钱交易集。在一个实施例中，所述复杂网络特征包括以下至少之一：转账出度、转账入度、转账k度关系节点数、聚合系数、所属社区、转账时间、转账金额、转账类型。本申请实施例还提供了一种洗钱交易识别装置，包括：获取模块，用于获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；第一确定模块，用于根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征；第二确定模块，用于根据所述目标交易数据集的复杂网络特征，利用所述洗钱交易概率计算模型，确定所述目标交易数据集中各个交易为洗钱交易的概率；处理模块，用于将概率大于等于预设阈值的交易作为第一洗钱交易集；移除模块，用于根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将所述第二洗钱交易集中的交易作为洗钱交易。在一个实施例中，还包括：第一获取单元，用于从预设数据库中获取各个用户的用户信息和历史交易数据；第一确定单元，用于根据所述各个用户的用户信息和历史交易数据，确定所述各个用户的特征数据；第二确定单元，用于根据所述各个用户的特征数据，确定所述各个用户的用户画像，其中，所述用户画像集中包括所述各个用户的用户画像。在一个实施例中，还包括：第二获取单元，用于从洗钱交易知识库中获取历史洗钱交易数据集；第三确定单元，用于根据所述用户画像集确定所述用户画像集中各个用户的标签数据；构建单元，用于根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络；第四确定单元，用于根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络，确定所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征；训练单元，用于根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征，利用机器学习算法训练得到洗钱交易概率计算模型。本申请实施例还提供了一种洗钱交易识别设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现所述洗钱交易识别方法的步骤。本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述洗钱交易识别方法的步骤。本申请实施例提供了一种洗钱交易识别方法，可以通过获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型，其中，通过目标时间段的长度限制获取的交易的时间范围，有效避免了交易时间跨度太大对预测结果造成的影响。可以根据用户画像集和目标交易数据集，确定目标交易数据集的复杂网络特征，并根据目标交易数据集的复杂网络特征，利用洗钱交易概率计算模型，确定目标交易数据集中各个交易为洗钱交易的概率，以复杂网络特征作为输入数据来预测目标交易数据集中各个交易为洗钱交易的概率，可以从多维度更好的体现交易的特本文档来自技高网...

【技术保护点】
1.一种洗钱交易识别方法，其特征在于，包括：/n获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；/n根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征；/n根据所述目标交易数据集的复杂网络特征，利用所述洗钱交易概率计算模型，确定所述目标交易数据集中各个交易为洗钱交易的概率；/n将概率大于等于预设阈值的交易作为第一洗钱交易集；/n根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将所述第二洗钱交易集中的交易作为洗钱交易。/n

【技术特征摘要】
1.一种洗钱交易识别方法，其特征在于，包括：
获取用户画像集、在目标时间段内的目标交易数据集和利用机器学习算法预先训练得到的洗钱交易概率计算模型；
根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征；
根据所述目标交易数据集的复杂网络特征，利用所述洗钱交易概率计算模型，确定所述目标交易数据集中各个交易为洗钱交易的概率；
将概率大于等于预设阈值的交易作为第一洗钱交易集；
根据所述用户画像集，将所述第一洗钱交易集中的正常交易移除，得到第二洗钱交易集，将所述第二洗钱交易集中的交易作为洗钱交易。


2.根据权利要求1所述的方法，其特征在于，在获取用户画像集之前，还包括：
从预设数据库中获取各个用户的用户信息和历史交易数据；
根据所述各个用户的用户信息和历史交易数据，确定所述各个用户的特征数据；
根据所述各个用户的特征数据，确定所述各个用户的用户画像，其中，所述用户画像集中包括所述各个用户的用户画像。


3.根据权利要求1所述的方法，其特征在于，在获取利用机器学习算法预先训练得到的洗钱交易概率计算模型之前，还包括：
从洗钱交易知识库中获取历史洗钱交易数据集；
根据所述用户画像集确定所述用户画像集中各个用户的标签数据；
根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络；
根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络，确定所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征；
根据所述历史洗钱交易数据集中各个洗钱交易的复杂网络特征，利用机器学习算法训练得到洗钱交易概率计算模型。


4.根据权利要求3所述的方法，其特征在于，根据所述历史洗钱交易数据集和所述各个用户标签数据，为所述历史洗钱交易数据集中各个洗钱交易构建复杂网络，包括：
获取历史洗钱交易数据集中的目标洗钱交易数据；
根据所述目标洗钱交易数据，确定所述目标洗钱交易数据在所述目标时间段的长度内涉及的用户；
根据所述用户画像集，确定所述涉及的用户的标签数据；
根据所述涉及的用户的标签数据和所述目标洗钱交易数据，为目标洗钱交易构建在所述目标时间段的长度内的复杂网络。


5.根据权利要求1所述的方法，其特征在于，根据所述用户画像集和所述目标交易数据集，确定所述目标交易数据集的复杂网络特征，包括：
根据所述目标交易数据集，确定所述目标交易数据集中涉及的用户；
根据所述用户画像集，确定所述目标交易数据集中涉及的用户的标签数据；
根据所述涉及的用户的标签数据和所述目标交易数据集，构建所述目标交易数据集的复杂网络；
根据所述目标交易数据集的复杂网络，确定所述目标交易数据集的复杂网络特征。


6.根据权利要求1所述的方法，其特征在于，根据所述用户画像集，将所述第一洗钱交易集中...

【专利技术属性】
技术研发人员：张靖，赵船畯，郭强，李鹏，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：北京;11