基于多维度的用户欺诈风险预测方法、系统及电子设备技术方案

本公开提供了一种基于多维度的用户欺诈风险预测方法，应用于金融科技领域或其它领域，包括：使用第一机器学习模型预测用户的登录欺诈风险；使用第二机器学习模型预测用户的开户欺诈风险；使用第三机器学习模型预测用户的交易欺诈风险；基于登录欺诈风险、开户欺诈风险和交易欺诈风险，通过集成学习算法进行预测，得到用户的综合欺诈风险。本公开还提供了一种基于多维度的用户欺诈风险预测系统、电子设备、存储介质和程序产品。存储介质和程序产品。存储介质和程序产品。

【技术实现步骤摘要】
基于多维度的用户欺诈风险预测方法、系统及电子设备


[0001]本公开涉及金融科技
，具体涉及一种基于多维度的用户 欺诈风险预测方法、系统、电子设备、存储介质和程序产品。

技术介绍

[0002]随着互联网金融和支付方式的快速发展，利用商业银行线上途径 进行的网络违法犯罪频发，地下黑灰产业泛滥，办卡、验货、卖卡、 运输、使用、废弃全流程的黑色产业链已相当成熟。例如，欺诈卡使 用周期越来越短，存在频繁开销户情况；多人协作，同一账号存在多 地登录、多地交易现象。为应对欺诈卡的快速更替，银行需提前识别 预警可疑卡/账户及其所属用户，加强可疑人员信息监控：首先在源头 上控制可疑人员开户、其次在线上功能使用上对可疑人员加以控制， 以提升欺诈作案的成本，降低欺诈交易发生率。
[0003]为了能够及时、有效的识别高风险用户，商业银行一方面总结了 许多经验特征用于部署专家规则模型，例如交易时段处于非正常时段、 商户交易金额与注册业务场景不符、交易IP地址分散等。另一方面， 各大银行也积极尝试使用人工智能技术开发智能风控模型，例如利用 交易双方基本信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维度的用户欺诈风险预测方法，其特征在于，包括：使用第一机器学习模型预测用户的登录欺诈风险；使用第二机器学习模型预测所述用户的开户欺诈风险；使用第三机器学习模型预测所述用户的交易欺诈风险；基于所述登录欺诈风险、所述开户欺诈风险和所述交易欺诈风险，通过集成学习算法进行预测，得到所述用户的综合欺诈风险。2.根据权利要求1所述的基于多维度的用户欺诈风险预测方法，其特征在于，所述第一机器学习模型是预先训练得到的，所述预先训练的操作包括：获取所述用户对获取其登录行为信息的授权；在得到所述用户的授权后获取所述用户的登录行为信息，所述登录行为信息包括登录设备、登录次数、登录天数中的至少一种；对所述登录行为信息进行处理得到登录特征数据；基于所述登录特征数据，训练得到所述第一机器学习模型。3.根据权利要求1所述的基于多维度的用户欺诈风险预测方法，其特征在于，所述第二机器学习模型是预先训练得到的，所述预先训练的操作包括：获取所述用户对获取其开户行为信息的授权；在得到所述用户的授权后获取所述用户的开户行为信息，所述开户行为信息包括用户基本信息、开卡网点信息、开销户次数中的至少一种；对所述开户行为信息进行处理得到开户特征数据；基于所述开户特征数据，训练得到所述第二机器学习模型。4.根据权利要求3所述的基于多维度的用户欺诈风险预测方法，其特征在于，所述使用第二机器学习模型预测用户的开户欺诈风险包括：使用所述第二机器学习模型预测所述用户每个账户的开户欺诈风险评分；使用第一时间衰减函数计算所述每个账户的第一衰减系数；使用归一化方法得到所述每个账户的第一评分权重；根据所述每个账户的开户欺诈风险评分及所述第一评分权重得到所述用户的开户欺诈风险。5.根据权利要求4所述的基于多维度的用户欺诈风险预测方法，其特征在于，所述使用第一时间衰减函数计算所述每个账户的第一衰减系数包括：使用指数函数计算所述每个账户的第一衰减系数。6.根据权利要求5所述的基于多维度的用户欺诈风险预测方法，其特征在于，所述第三机器学习模型是预先训练得到的，所述预先训练的操作包括：获取所述用户对获取其交易行为信息的授权；在得到所述用户的授权后获取所述用户的交易行为信息，所述交易行为信息包括交易时间信息、交易地区信息中的至少...

【专利技术属性】
技术研发人员：丁盘苹，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：