欺诈识别的方法和装置制造方法及图纸

本说明书实施例提供了欺诈识别的方法和装置，其中方法包括：利用用户的网络行为数据构建异构网络图，所述异构网络图包括受害用户节点和候选欺诈用户节点，节点之间的边依据用户之间的网络行为关系确定；然后根据所述异构网络图中的各节点及其边关系，对所述异构网络图进行社区划分，得到各社区网络；再利用预先训练得到的欺诈识别模型分别对所述各社区网络进行识别；最后根据所述识别的结果，确定欺诈用户集。诈用户集。诈用户集。

【技术实现步骤摘要】
欺诈识别的方法和装置


[0001]本说明书一个或多个实施例涉及计算机技术，尤其涉及欺诈识别的方法和装置。

技术介绍

[0002]在互联网金融日益发展的今天，出现了各种各样的欺诈形式，例如金融理财诈骗、虚假兼职诈骗、网络交友诈骗等等。往往很多欺诈用户是有组织、有预谋的团伙，潜伏在众多用户中，通过论坛和群聊等方式使受害人上钩。因此针对此类欺诈的识别和打击刻不容缓，但目前却没有准确的欺诈识别方式。

技术实现思路

[0003]本说明书一个或多个实施例公开了一种欺诈识别的方法和装置，用以更为准确地识别欺诈用户。
[0004]根据第一方面，提供了一种欺诈团伙识别的方法，包括：
[0005]利用用户的网络行为数据构建异构网络图，所述异构网络图包括受害用户节点和候选欺诈用户节点，节点之间的边依据用户之间的网络行为关系确定；
[0006]根据所述异构网络图中的各节点及其边关系，对所述异构网络图进行社区划分，得到各社区网络；
[0007]利用预先训练得到的欺诈识别模型分别对所述各社区网络进行识别；
[0008]根据所述识别的结果，确定欺诈用户集。
[0009]在一个实施例中，所述利用用户的网络行为数据构建异构网络图包括：
[0010]获取受害用户的网络行为数据，将受害用户作为异构网络图的受害用户节点，所述受害用户的网络行为数据包括资金交易行为；
[0011]依据所述资金交易行为，将与所述受害用户存在资金交易关系的用户确定为一阶候选欺诈用户；
[0012]依据一阶候选欺诈用户的资金交易行为，将与一阶候选欺诈用户使用相同网络环境的用户确定为二阶候选欺诈用户；其中，所述一阶候选欺诈用户和二阶候选欺诈用户作为所述异构网络图的候选欺诈用户节点。
[0013]在另一个实施例中，所述依据一阶候选欺诈用户的资金交易行为，将与一阶候选欺诈用户使用相同网络环境的用户确定为二阶候选欺诈用户包括：
[0014]将在资金交易时与一阶候选欺诈用户使用相同设备标识、网络标识、位置信息、账户信息和用户身份信息中至少一种的用户确定为二阶候选欺诈用户。
[0015]在一个实施例中，在根据所述异构网络图中的各节点及其边关系对所述异构网络图进行社区划分之前，还包括：
[0016]将所述异构网络图中受害用户节点的标签标记为指示受害用户的第一身份标签；
[0017]依据欺诈投诉数据和/或预设的风险策略，将候选欺诈用户节点的标签标记为指示欺诈用户的第二身份标签或指示疑似欺诈用户的第三身份标签。
[0018]在另一个实施例中，所述根据所述异构网络图中的各节点及其边关系对所述异构网络图进行社区划分，包括：利用社区发现算法，对所述异构网络图进行社区划分。
[0019]在一个实施例中，社区发现算法包括SLPA；
[0020]所述利用社区发现算法对所述异构网络图进行社区划分，得到各社区网络包括：
[0021]遍历异构网络中的各节点，将当前遍历到的节点作为接收节点，该接收节点的邻居节点作为发送节点，执行：将发送节点存储的标签中数量最多的标签发送给该接收节点，将该接收节点接收到的数量占比最多的标签添加至该接收节点存储的标签中；
[0022]若遍历次数达到预设的最大遍历次数，统计各节点存储的标签，将标签出现次数满足预设次数要求的标签作为该节点的社区标签；
[0023]将社区标签相同的节点构成同一个社区网络。
[0024]在另一个实施例中，所述利用预先训练得到的欺诈识别模型分别对所述各社区网络进行识别包括：
[0025]依据社区网络中各节点的身份标签信息，确定该社区网络的欺诈标签浓度指标；
[0026]将该社区网络的欺诈标签浓度指标输入预先训练得到的第一欺诈识别模型，获取所述第一欺诈识别模型对该社区网络是否为欺诈社区的识别结果。
[0027]在一个实施例中，所述欺诈标签浓度指标包括以下至少一种：
[0028]第二身份标签数量与所有身份标签数量的比值，
[0029]第二身份标签与第二身份标签和第三身份标签之和的比值，
[0030]第二身份标签和第三身份标签之和与所有身份标签数量的比值。
[0031]在另一个实施例中，所述利用预先训练得到的欺诈识别模型分别对所述各社区网络进行识别包括：
[0032]将社区网络的图结构特征和节点特征输入预先训练得到的第二欺诈识别模型，获取所述第二欺诈识别模型对该社区网络是否为欺诈社区的识别结果。
[0033]在一个实施例中，所述图结构特征包括社区网络所包含各节点的度中心性、中介中心性、紧密中心性、特征向量中心性和PageRank值中的至少一种；
[0034]所述节点特征包括在预设时长内的交易次数、在预设时长内的交易金额总数和交易金额平均值中的至少一种。
[0035]在另一个实施例中，在所述利用预先训练得到的欺诈识别模型分别对所述各社区网络进行识别之前，还包括：
[0036]对社区网络进行子图分割，得到两个以上的第一子图；
[0037]对各第一子图分别进行剪枝处理；
[0038]对所述剪枝处理得到的各第二子图进行去重，得到去重后的社区网络。
[0039]在一个实施例中，所述对社区网络进行子图分割，得到两个以上的第一子图包括：
[0040]将社区网络中的各节点分别作为种子节点执行：
[0041]确定与种子节点之间跳数小于或等于预设跳数值的节点，将确定出的节点和该种子节点构成第一子图。
[0042]在另一个实施例中，所述对各第一子图分别进行剪枝处理包括：
[0043]将第一子图中节点度数小于预设度数节点去除，得到第二子图。
[0044]根据第二方面，本公开提供了一种欺诈识别的装置，包括：
[0045]网络图构建单元，被配置为利用用户的网络行为数据构建异构网络图，所述异构网络图包括受害用户节点和候选欺诈用户节点，节点之间的边依据用户之间的网络行为关系确定；
[0046]社区划分单元，被配置为根据所述异构网络图中的各节点及其边关系对所述异构网络图进行社区划分，得到各社区网络；
[0047]社区识别单元，被配置为利用预先训练得到的欺诈识别模型分别对所述各社区网络进行识别；
[0048]结果确定单元，被配置为根据所述识别的结果，确定欺诈用户集。
[0049]在一个实施例中，所述网络图构建单元，具体被配置为：
[0050]获取受害用户的网络行为数据，将受害用户作为异构网络图的受害用户节点，所述受害用户的网络行为数据包括资金交易行为；
[0051]依据所述资金交易行为，将与所述受害用户存在资金交易关系的用户确定为一阶候选欺诈用户；
[0052]依据一阶候选欺诈用户的资金交易行为，将与一阶候选欺诈用户使用相同网络环境的用户确定为二阶候选欺诈用户；其中，所述一阶候选欺诈用户和二阶候选欺诈用户作为所述异构网络图的候选欺诈用户节本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.欺诈识别的方法，包括：利用用户的网络行为数据构建异构网络图，所述异构网络图包括受害用户节点和候选欺诈用户节点，节点之间的边依据用户之间的网络行为关系确定；根据所述异构网络图中的各节点及其边关系，对所述异构网络图进行社区划分，得到各社区网络；利用预先训练得到的欺诈识别模型分别对所述各社区网络进行识别；根据所述识别的结果，确定欺诈用户集。2.根据权利要求1所述的方法，其中，所述利用用户的网络行为数据构建异构网络图包括：获取受害用户的网络行为数据，将受害用户作为异构网络图的受害用户节点，所述受害用户的网络行为数据包括资金交易行为；依据所述资金交易行为，将与所述受害用户存在资金交易关系的用户确定为一阶候选欺诈用户；依据一阶候选欺诈用户的资金交易行为，将与一阶候选欺诈用户使用相同网络环境的用户确定为二阶候选欺诈用户；其中，所述一阶候选欺诈用户和二阶候选欺诈用户作为所述异构网络图的候选欺诈用户节点。3.根据权利要求2所述的方法，其中，所述依据一阶候选欺诈用户的资金交易行为，将与一阶候选欺诈用户使用相同网络环境的用户确定为二阶候选欺诈用户包括：将在资金交易时与一阶候选欺诈用户使用相同设备标识、网络标识、位置信息、账户信息和用户身份信息中至少一种的用户确定为二阶候选欺诈用户。4.根据权利要求1所述的方法，在根据所述异构网络图中的各节点及其边关系对所述异构网络图进行社区划分之前，还包括：将所述异构网络图中受害用户节点的标签标记为指示受害用户的第一身份标签；依据欺诈投诉数据和/或预设的风险策略，将候选欺诈用户节点的标签标记为指示欺诈用户的第二身份标签或指示疑似欺诈用户的第三身份标签。5.根据权利要求4所述的方法，其中，所述根据所述异构网络图中的各节点及其边关系对所述异构网络图进行社区划分，包括：利用社区发现算法，对所述异构网络图进行社区划分。6.根据权利要求5所述的方法，其中，所述社区发现算法包括：提供方
‑
接收方标签传播算法SLPA；所述利用社区发现算法对所述异构网络图进行社区划分，得到各社区网络包括：遍历异构网络中的各节点，将当前遍历到的节点作为接收节点，该接收节点的邻居节点作为发送节点，执行：将发送节点存储的标签中数量最多的标签发送给该接收节点，将该接收节点接收到的数量占比最多的标签添加至该接收节点存储的标签中；若遍历次数达到预设的最大遍历次数，统计各节点存储的标签，将标签出现次数满足预设次数要求的标签作为该节点的社区标签；将社区标签相同的节点构成同一个社区网络。7.根据权利要求4所述的方法，其中，所述利用预先训练得到的欺诈识别模型分别对所述各社区网络进行识别包括：
依据社区网络中各节点的身份标签信息，确定该社区网络的欺诈标签浓度指标；将该社区网络的欺诈标签浓度指标输入预先训练得到的第一欺诈识别模型，获取所述第一欺诈识别模型对该社区网络是否为欺诈社区的识别结果。8.根据权利要求7所述的方法，其中，所述欺诈标签浓度指标包括以下至少一种：第二身份标签数量与所有身份标签数量的比值，第二身份标签与第二身份标签和第三身份标签之和的比值，第二身份标签和第三身份标签之和与所有身份标签数量的比值。9.根据权利要求4所述的方法，其中，所述利用预先训练得到的欺诈识别模型分别对所述各社区网络进行识别包括：将社区网络的图结构特征和节点特征输入预先训练得到的第二欺诈识别模型，获取所述第二欺诈识别模型对该社区网络是否为欺诈社区的识别结果。10.根据权利要求9所述的方法，其中，所述图结构特征包括社区网络所包含各节点的度中心性、中介中心性、紧密中心性、特征向量中心性和PageRank值中的至少一种；所述节点特征包括在预设时长内的交易次数、在预设时长内的交易金额总数和交易金额平均值中的至少一种。11.根据权利要求1所述的方法，在所述利用预先训练得到的欺诈识别模型分别对所述各社区网络进行识别之前，还包括：对社区网络进行子图分割，得到两个以上的第一子图；对各第一子图分别进行剪枝处理；对所述剪枝处理得到的各第二子图进行去重，得到去重后的社区网络。12.根据权利要求11所述的方法，其中，所述对社区网络进行子图分割，得到两个以上的第一子图包括：将社区网络中的各节点分别作为种子节点执行：确定与种子节点之间跳数小于或等于预设跳数值的节点，将确定出的节点和该种子节点构成第一子图。13.根据权利要求11所述的方法，其中，所述对各第一子图分别进行剪枝处理包括：将第一子图中节点度数小于预设度数节点去除，得到第二子图。14.欺诈识别的装置，包括：网络图构建单元，被配置为利用...

【专利技术属性】
技术研发人员：赵楠，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：