电信诈骗用户识别方法和装置制造方法及图纸

本申请提供了一种电信诈骗用户识别方法和装置，在该方法中，利用第一预测模型处理用户的交易明细时间序列，得到用户属于电信诈骗用户的第一特征信息，第一预测模型基于交易明细时间序列中各个交易明细信息的特征以及各个交易明细信息之间的上下文特征确定第一特征信息；并利用第二预测模型基于用户的金融属性信息，确定用户属于电信诈骗用户的第二特征信息；基于第一特征信息和第二特征信息，确定用户属于电信诈骗用户的概率；在用户属于电信诈骗用户的概率大于设定阈值的情况下，确定用户存在电信诈骗风险。本申请的方案可以有效识别出存在电信诈骗风险的用户。

【技术实现步骤摘要】
电信诈骗用户识别方法和装置
本申请涉及数据处理
，特别涉及一种电信诈骗用户识别方法和装置。
技术介绍
电信诈骗是指指不法分子通过电话、网络和短信方式，编造虚假信息，对受害人实施远程、非接触式诈骗，诱使受害人给不法分子打款或转账的犯罪行为。电信诈骗严重威胁了人们财产安全。为了减少电信诈骗行为，就需要较为有效的识别出存在电信诈骗风险的用户。因此，如何能够较为有效的识别出存在电信诈骗风险的用户是本领域迫切需要解决的技术问题。
技术实现思路
为解决上述技术问题，本申请实施例提供一种电信诈骗用户识别方法和装置，以较为有效的识别出存在电信诈骗风险的用户。一方面，本申请提供了一种电信诈骗用户识别方法，包括：获得待分析的用户的金融属性信息和交易明细时间序列，所述交易明细时间序列包括：所述用户对应的多个不同时间点的交易明细信息，所述金融属性信息为用于反映所述用户属性以及金融账户特征的信息；将所述交易明细时间序列输入到训练出的第一预测模型，得到所述第一预测模型预测出的所述用户属于电信诈骗用户的第一特征信息，所述第一预测模型基于所述交易明细时间序列中各个交易明细信息的特征以及各个交易明细信息之间的上下文特征确定所述第一特征信息；将所述金融属性信息输入到训练出的第二预测模型，得到所述第二预测模型预测出的所述用户属于电信诈骗用户的第二特征信息；基于所述第一特征信息和第二特征信息，确定所述用户属于电信诈骗用户的概率；在所述用户属于电信诈骗用户的概率大于设定阈值的情况下，确定所述用户存在电信诈骗风险。优选的，所述基于所述第一特征信息和第二特征信息，确定所述用户属于电信诈骗用户的概率，包括：基于第一特征信息和第二特征信息，并利用训练出的分类模型，确定出所述用户属于电信诈骗用户的概率。优选的，所述第一特征信息为第一特征向量，且所述第二特征信息为第二特征向量；所述基于第一特征信息和第二特征信息，并利用训练出的分类模型，确定出所述用户属于电信诈骗用户的概率，包括：将第一特征向量和第二特征向量求和，得到第三特征向量；将第三特征向量输入到分类模型的全连接网络，得到用于表征所述用户属于电信诈骗用户的第四特征向量，所述分类模型包括全连接网络和归一化函数层；将所述第四特征向量输入到分类模型的归一化函数层，得到所述归一化函数层输出的所述用户属于电信诈骗用户的概率。优选的，所述第一预测模型、第二预测模型和分类模型为利用多个正样本用户的金融属性信息样本和交易明细时间序列样本以及多个负样本用户的金融属性信息样本和交易明细时间序列样本同步训练得到的；其中，正样本用户为标注的电信诈骗用户，负样本用户为标注的非电信诈骗用户；所述正样本用户和负样本用户的交易明细时间序列样本为所述第一预测模型的输入信息，所述正样本用户和负样本用户的金融属性信息样本为所述第二预测模型的输入信息，交易明细时间序列样本包括多个交易明细信息样本，所述金融属性信息样本用于反映用户属性以及金融账户特征的信息。优选的，所述第一预测模型依次包括：至少一层双向长短期记忆网络以及与所述至少一层双向长短记忆网络相连的全连接网络层。优选的，其特征在于，所述第一预测模型还包括：与所述至少一层双向长短期记忆网络中各双向长短期记忆网络的输出端相连的批标准化层。优选的，在所述将所述交易明细时间序列输入到训练出的第一预测模型之前，还包括：针对所述交易明细时间序列中每种类型的交易明细信息，如该种交易明细信息为数值型，则对所述交易明细时间序列中该种交易明细信息的数值进行标准化和平稳化处理；如该种交易明细信息为非数值型，确定交易明细时间序列中各个时间点上该种交易明细信息的向量。又一方面，本申请还提供了一种电信诈骗用户识别装置，包括：信息获得单元，用于获得待分析的用户的金融属性信息和交易明细时间序列，所述交易明细时间序列包括：所述用户对应的多个不同时间点的交易明细信息，所述金融属性信息为用于反映所述用户属性以及金融账户特征的信息；第一特征预测单元，用于将所述交易明细时间序列输入到训练出的第一预测模型，得到所述第一预测模型预测出的所述用户属于电信诈骗用户的第一特征信息，所述第一预测模型基于所述交易明细时间序列中各个交易明细信息的特征以及各个交易明细信息之间的上下文特征确定所述第一特征信息；第二特征预测单元，用于将所述金融属性信息输入到训练出的第二预测模型，得到所述第二预测模型预测出的所述用户属于电信诈骗用户的第二特征信息；概率确定单元，用于基于所述第一特征信息和第二特征信息，确定所述用户属于电信诈骗用户的概率；风险用户识别单元，用于在所述用户属于电信诈骗用户的概率大于设定阈值的情况下，确定所述用户存在电信诈骗风险。优选的，所述概率确定单元具体为，用于基于第一特征信息和第二特征信息，并利用训练出的分类模型，确定出所述用户属于电信诈骗用户的概率。优选的，所述第一预测单元得到的第一特征信息为第一特征向量，且所述第二预测单元得到的第二特征信息为第二特征向量；所述概率确定单元，包括：向量求和子单元，用于将第一特征向量和第二特征向量求和，得到第三特征向量；向量预测子单元，用于将第三特征向量输入到分类模型的全连接网络，得到用于表征所述用户属于电信诈骗用户的第四特征向量，分类模型包括全连接网络和归一化函数层；概率确定子单元，用于将所述第四特征向量输入到分类模型的归一化函数层，得到所述归一化函数层输出的所述用户属于电信诈骗用户的概率。由以上内容可知，本申请从用户的金融属性信息和金融相关的交易明细时间序列这两个维度上分析了用户存在电信诈骗风险的特征信息，有利于更为全面分析用户存在电信诈骗风险的可能性。同时，结合这两个维度信息的不同特点，利用能够结合上下文特征的第一预测模型来分析该交易明细时间序列，使得预测出的第一特征信息更准确反映出该用户具有电信诈骗风险的情况；并利用第二预测模型分析该金融属性信息所反映出的电信诈骗风险的第二特征信息，在此基础上，依据从两个维度预测出的特征信息识别电信诈骗用户，实现了较为有效的识别电信诈骗用户，并提高了识别的可靠性和准确性。附图说明为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本申请的一种电信诈骗用户识别方法一个实施例的流程示意图；图2为本申请提供的一种网络模型的组成架构示意图；图3为本申请一种电信诈骗用户识别装置一个实施例的组成结构示意图。具体实施方式本申请的方案可以适用于对银行或者其他金融结构内的用户进行分析，以及时发现存在电信诈骗风险的用户。下面将结合本申请实施例中的附图，对本申请本文档来自技高网...

【技术保护点】
1.一种电信诈骗用户识别方法，其特征在于，包括：/n获得待分析的用户的金融属性信息和交易明细时间序列，所述交易明细时间序列包括：所述用户对应的多个不同时间点的交易明细信息，所述金融属性信息为用于反映所述用户属性以及金融账户特征的信息；/n将所述交易明细时间序列输入到训练出的第一预测模型，得到所述第一预测模型预测出的所述用户属于电信诈骗用户的第一特征信息，所述第一预测模型基于所述交易明细时间序列中各个交易明细信息的特征以及各个交易明细信息之间的上下文特征确定所述第一特征信息；/n将所述金融属性信息输入到训练出的第二预测模型，得到所述第二预测模型预测出的所述用户属于电信诈骗用户的第二特征信息；/n基于所述第一特征信息和第二特征信息，确定所述用户属于电信诈骗用户的概率；/n在所述用户属于电信诈骗用户的概率大于设定阈值的情况下，确定所述用户存在电信诈骗风险。/n

【技术特征摘要】
1.一种电信诈骗用户识别方法，其特征在于，包括：
获得待分析的用户的金融属性信息和交易明细时间序列，所述交易明细时间序列包括：所述用户对应的多个不同时间点的交易明细信息，所述金融属性信息为用于反映所述用户属性以及金融账户特征的信息；
将所述交易明细时间序列输入到训练出的第一预测模型，得到所述第一预测模型预测出的所述用户属于电信诈骗用户的第一特征信息，所述第一预测模型基于所述交易明细时间序列中各个交易明细信息的特征以及各个交易明细信息之间的上下文特征确定所述第一特征信息；
将所述金融属性信息输入到训练出的第二预测模型，得到所述第二预测模型预测出的所述用户属于电信诈骗用户的第二特征信息；
基于所述第一特征信息和第二特征信息，确定所述用户属于电信诈骗用户的概率；
在所述用户属于电信诈骗用户的概率大于设定阈值的情况下，确定所述用户存在电信诈骗风险。


2.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征信息和第二特征信息，确定所述用户属于电信诈骗用户的概率，包括：
基于第一特征信息和第二特征信息，并利用训练出的分类模型，确定出所述用户属于电信诈骗用户的概率。


3.根据权利要求2所述的方法，其特征在于，所述第一特征信息为第一特征向量，且所述第二特征信息为第二特征向量；
所述基于第一特征信息和第二特征信息，并利用训练出的分类模型，确定出所述用户属于电信诈骗用户的概率，包括：
将第一特征向量和第二特征向量求和，得到第三特征向量；
将第三特征向量输入到分类模型的全连接网络，得到用于表征所述用户属于电信诈骗用户的第四特征向量，所述分类模型包括全连接网络和归一化函数层；
将所述第四特征向量输入到分类模型的归一化函数层，得到所述归一化函数层输出的所述用户属于电信诈骗用户的概率。


4.根据权利要求2或3任一项所述的方法，其特征在于，所述第一预测模型、第二预测模型和分类模型为利用多个正样本用户的金融属性信息样本和交易明细时间序列样本以及多个负样本用户的金融属性信息样本和交易明细时间序列样本同步训练得到的；
其中，正样本用户为标注的电信诈骗用户，负样本用户为标注的非电信诈骗用户；
所述正样本用户和负样本用户的交易明细时间序列样本为所述第一预测模型的输入信息，所述正样本用户和负样本用户的金融属性信息样本为所述第二预测模型的输入信息，交易明细时间序列样本包括多个交易明细信息样本，所述金融属性信息样本用于反映用户属性以及金融账户特征的信息。


5.根据权利要求1所述的方法，其特征在于，所述第一预测模型依次包括：至少一层双向长...

【专利技术属性】
技术研发人员：严欢，唐浩雲，梁奇，蒋洪伟，李科，汤浩，丁笑远，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：北京;11