一种基于复杂网络的黑名单挖掘方法技术

本发明专利技术公开了一种基于复杂网络的黑名单挖掘方法。本发明专利技术步骤如下：1、根据借贷和消费场景下的有效信息维度构建原始网络；2、根据原始网络的邻接矩阵，求得原始网络的转移概率矩阵；3、初始向量R，如果原始网络G中节点i对应的是种子节点，则向量R的第i行的值是1/|S|，否则0；4、根据迭代公式R

【技术实现步骤摘要】
一种基于复杂网络的黑名单挖掘方法


[0001]本专利技术涉及复杂网络黑名单挖掘
，具体涉及一种基于复杂网络的黑名单挖掘方法，应用于借贷和消费贷场景下的复杂网络。

技术介绍

[0002]随着社会经济的快速发展和时代的进步，人们的生活水平也在不断的提高，对借贷和消费贷等超前消费观念有了更多的需求。在资金方，风险控制直接影响盈利能力，是最为重要的技术之一，因此随之而来的风险控制的需求也越来越多。黑名单是最为常用的风控技术，因此，黑名单发掘成为广大资金方追捧的技术之一。
[0003]现有的黑名单主要来源于政府机构的失信人，或者机构内部积累的失信人信息，然而，在很多案例中，“白名单”用户仍然存在很大的概率成为失信人，并且，内部积累失信人的过程本身对机构造成了严重的经济损失。因此，仅仅依赖于已知失信人信息无法涵盖所有的黑名单用户。传统的机器学习模型广泛应用于违约预测任务，这个过程采用了用户年龄、性别、学历、工作状况等维度的信息，通过机器学习模型对未知个体逾期可能性进行预测，但是这类方法仅仅考虑单一个体的信息，而忽略了个体之间的关联关系。因此，效果往往不够理想。
[0004]PageRank算法是由拉里
·
佩奇(Larry Page)和谢尔盖
·
布林 (Sergey Brin)提出的网页排序算法。算法核心在于给网页一个全局分值，利用分值排序网页的重要性，为搜索用户甄选出优质相关的网页，以提高使用搜索引擎寻找网页的体验舒适度。PageRank算法基于随机游走模型，它以其优良的数学理论基础和计算速度，成为计算机网络研究人员一直追捧至今的优秀算法之一。
[0005]PageRank算法及其扩展算法被广泛的应用于各种网络模型中，例如社交网络、疾病传播网络、论文引用网络、信任网络、影响力分析、推荐系统、偏好与声望排名、信息传播检测等。

技术实现思路

[0006]本专利技术的目的是针对现有技术的不足，提供一种基于复杂网络的黑名单挖掘方法。本专利技术应用于借贷和消费贷场景下的复杂网络。基于已知黑名单用户(种子)，在网络中进行风险传播，从而对潜在的黑名单用户进行挖掘。
[0007]为解决上述技术问题，本专利技术采用以下技术方案予以实现：
[0008]一种基于复杂网络的黑名单挖掘方法，包括如下步骤：
[0009]步骤S1:根据借贷和消费场景下的有效信息维度构建原始网络 G；
[0010]步骤S2:根据原始网络G的邻接矩阵D，求得原始网络G的转移概率矩阵P；
[0011]步骤S3:初始向量R，如果原始网络G中节点i对应的是种子节点，则向量R的第i行的值是1/|S|，否则0；其中，S是种子节点集合；
[0012]步骤S4:根据迭代公式R
n
＝DR
n
‑1，求得第n次迭代的排序值；其中R
n
是第n次迭代的
排序值，R
n
‑1是第n
‑
1次迭代的排序值，D是邻接矩阵；
[0013]步骤S5:迭代最终收敛或者达到预先指定的迭代次数后，根据排序值，输出头部M个非种子节点，输出的非种子节点是最有可能的潜在黑名单节点。
[0014]进一步的，步骤S1所述的有效信息维度包括借贷人的唯一ID、设备ID、手机号码和银行卡，将有效信息维度作为节点；在节点之间建立无向边，并根据同一条边出现的次数计算边的权重；如果节点i和j之间存在边，则D
ij
＝w，否则D
ij
＝0；D
ij
是原始网络G的邻接矩阵D中的元素。
[0015]进一步的，步骤S2所述的转移概率矩阵P，计算公式如下：
[0016][0017]其中，P
ij
表示转移概率矩阵P的元素。
[0018]与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：本专利技术通过数据关联关系网络，将已知的风险通过 PageRank算法传播到整个网络节点，量化每个节点的风险程度。具有记录内容详细，运算简便等优点，在风险控制、反洗钱等方面有着广泛的应用前景。
具体实施方式
[0019]下面结合实施例对本专利技术作进一步说明。
[0020]一种基于复杂网络的黑名单挖掘方法，包括步骤如下：
[0021]步骤S1:根据借贷和消费场景下的有效信息维度构建原始网络 G，其中有效信息维度包括借贷人的唯一ID、设备ID、手机号码和银行卡等，并将有效信息维度作为节点；在节点之间建立无向边，并根据同一条边出现的次数计算边的权重w；如果节点i和j之间存在边，则D
ij
＝w，否则D
ij
＝0；D
ij
是原始网络G的邻接矩阵D中的元素。
[0022]步骤S2:根据邻接矩阵D，求得原始网络G的转移概率矩阵P，计算公式如下：
[0023][0024]其中，P
ij
表示转移概率矩阵P的元素；
[0025]步骤S3:初始向量R，如果i对应的是种子节点，所述向量R的第i行的值是1/|S|，否则0。这里，S是种子节点集合；
[0026]步骤S4:根据迭代公式R
n
＝DR
n
‑1，求得第n次迭代的排序值；其中R
n
是第n次迭代的排序值，R
n
‑1是第n
‑
1次迭代的排序值，D是邻接矩阵。
[0027]步骤S5:迭代最终收敛或者达到预先指定的迭代次数后，根据排序值，输出头部M个非种子节点，这些节点是最有可能的潜在黑名单节点。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于复杂网络的黑名单挖掘方法，其特征在于包括如下步骤：步骤S1:根据借贷和消费场景下的有效信息维度构建原始网络G；步骤S2:根据原始网络G的邻接矩阵D，求得原始网络G的转移概率矩阵P；步骤S3:初始向量R，如果原始网络G中节点i对应的是种子节点，则向量R的第i行的值是1/|S|，否则0；其中，S是种子节点集合；步骤S4:根据迭代公式R
n
＝DR
n
‑1，求得第n次迭代的排序值；其中R
n
是第n次迭代的排序值，R
n
‑1是第n
‑
1次迭代的排序值，D是邻接矩阵；步骤S5:迭代最终收敛或者达到预先指定的迭代次数后，根据排序值，...

【专利技术属性】
技术研发人员：韦虎，周朝阁，
申请(专利权)人：杭州盈火网络科技有限公司，
类型：发明
国别省市：