[發(fā)明專利]互聯(lián)網(wǎng)信貸場景下的實時欺詐檢測方法及裝置

有效

• 申請?zhí)枺?/td>: 201810033615.2
• 申請日: 2018-01-12
• 公開（公告）號: CN108564460B
• 公開（公告）日: 2020-10-30
• 發(fā)明（設(shè)計）人: 于皓;張杰;李犇;張澗;張卓博
• 申請（專利權(quán)）人: 陽光財產(chǎn)保險股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06K9/62
• 代理公司: 北京超凡志成知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11371
• 代理人: 金相允

1.一種互聯(lián)網(wǎng)信貸場景下的實時欺詐檢測方法，其特征在于，所述方法包括：

獲取目標用戶通過互聯(lián)網(wǎng)信貸APP授權(quán)后發(fā)送的授權(quán)數(shù)據(jù)，其中，所述授權(quán)數(shù)據(jù)包括：所述目標用戶的設(shè)備數(shù)據(jù)，所述目標用戶的行為數(shù)據(jù)，所述目標用戶的社交數(shù)據(jù)，所述目標用戶的申請業(yè)務(wù)數(shù)據(jù)；

基于所述授權(quán)數(shù)據(jù)構(gòu)建所述目標用戶的特征向量，其中，所述特征向量包括：統(tǒng)計特征向量，關(guān)系特征向量，行為特征向量；

通過K-MEANS算法對所述特征向量進行訓練，得到無監(jiān)督反欺詐機器學習模型；

通過所述無監(jiān)督反欺詐機器學習模型對所述特征向量進行欺詐概率計算，得到所述目標用戶的欺詐概率；

其中，基于所述授權(quán)數(shù)據(jù)構(gòu)建所述目標用戶的特征向量包括：

對所述目標用戶的行為數(shù)據(jù)和所述目標用戶的設(shè)備數(shù)據(jù)進行計算，得到所述統(tǒng)計特征向量；

對所述目標用戶的社交數(shù)據(jù)，所述目標用戶的申請數(shù)據(jù)和所述目標用戶的設(shè)備數(shù)據(jù)進行計算，得到所述關(guān)系特征向量；

對所述目標用戶的行為數(shù)據(jù)進行計算，得到所述行為特征向量，其中，所述行為特征向量包括：輸入行為特征向量，操作行為特征向量；

其中，對所述目標用戶的行為數(shù)據(jù)和所述目標用戶的設(shè)備數(shù)據(jù)進行計算，得到所述統(tǒng)計特征向量包括：

獲取非欺詐人群的目標特征范圍和欺詐人群的目標特征范圍；

基于所述目標用戶的行為數(shù)據(jù)和所述目標用戶的設(shè)備數(shù)據(jù)提取所述目標用戶的目標特征，其中，所述目標用戶的目標特征包括：地理信息申請頻次，IP的申請頻次，設(shè)備電量占比，陀螺儀的平均加速度；

結(jié)合所述非欺詐人群的目標特征范圍，所述欺詐人群的目標特征范圍以及所述目標用戶的目標特征，確定所述目標用戶所屬的人群分布；

基于所述目標用戶所屬的人群分布計算所述統(tǒng)計特征向量；

其中，對所述目標用戶的社交數(shù)據(jù)，所述目標用戶的申請數(shù)據(jù)和所述目標用戶的設(shè)備數(shù)據(jù)進行計算，得到所述關(guān)系特征向量包括：

將所述目標用戶的設(shè)備數(shù)據(jù)，所述目標用戶的社交數(shù)據(jù)以及所述目標用戶的申請數(shù)據(jù)與歷史關(guān)系圖譜建立關(guān)聯(lián)，其中，所述歷史關(guān)系圖譜為根據(jù)歷史授權(quán)數(shù)據(jù)得到的關(guān)系圖譜；

通過社區(qū)發(fā)現(xiàn)算法對所述歷史關(guān)系圖譜進行計算，得到所述目標用戶所屬的社交群體；

通過所述社交群體的欺詐風險更新所述歷史關(guān)系圖譜中邊的權(quán)重值，得到更新后的關(guān)系圖譜，其中，所述社交群體的欺詐風險為根據(jù)所述歷史授權(quán)數(shù)據(jù)獲得的；

通過隨機游走算法和node2vector對所述更新后的關(guān)系圖譜進行計算，得到所述關(guān)系特征向量；

其中，對所述目標用戶的行為數(shù)據(jù)進行計算，得到所述行為特征向量包括：

在所述目標用戶的行為數(shù)據(jù)中提取輸入行為數(shù)據(jù)；

根據(jù)所述輸入行為數(shù)據(jù)計算輸入行為的輸入總耗時，輸入平均耗時，輸入字符的平均間隔耗時，方差，其中，所述輸入行為包括：輸入身份證號的行為，輸入手機號的行為，輸入銀行卡號的行為，所述方差用于表示輸入字符間隔的波動情況；

將所述輸入總耗時，所述輸入平均耗時，所述輸入字符的平均間隔耗時，所述方差作為所述目標用戶的所述輸入行為特征向量；

在所述目標用戶的行為數(shù)據(jù)中提取操作行為數(shù)據(jù)；

對所述操作行為數(shù)據(jù)進行分析，得到操作行為的操作時延序列，其中，所述操作行為為操作所述互聯(lián)網(wǎng)信貸APP的行為；

將所述操作時延序列作為所述操作行為特征向量。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

通過所述無監(jiān)督反欺詐機器學習模型對所述目標用戶所屬的群體進行欺詐概率計算，得到所述群體的欺詐概率。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

通過統(tǒng)計分析方法對所述目標用戶所屬的群體的操作行為進行計算，得到所述群體的行為模式向量；

對所述行為模式向量進行實時監(jiān)控；

當所述行為模式向量出現(xiàn)顯著變化時，確定所述群體為具有潛伏期的欺詐群體。

4.一種互聯(lián)網(wǎng)信貸場景下的實時欺詐檢測裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取目標用戶通過互聯(lián)網(wǎng)信貸APP授權(quán)后發(fā)送的授權(quán)數(shù)據(jù)，其中，所述授權(quán)數(shù)據(jù)包括：所述目標用戶的設(shè)備數(shù)據(jù)，所述目標用戶的行為數(shù)據(jù)，所述目標用戶的社交數(shù)據(jù)，所述目標用戶的申請業(yè)務(wù)數(shù)據(jù)；

構(gòu)建模塊，用于基于所述授權(quán)數(shù)據(jù)構(gòu)建所述目標用戶的特征向量，其中，所述特征向量包括：統(tǒng)計特征向量，關(guān)系特征向量，行為特征向量；

訓練模塊，用于通過K-MEANS算法對所述特征向量進行訓練，得到無監(jiān)督反欺詐機器學習模型；

第一欺詐概率計算模塊，用于通過所述無監(jiān)督反欺詐機器學習模型對所述特征向量進行欺詐概率計算，得到所述目標用戶的欺詐概率；

其中，所述構(gòu)建模塊包括：

第一計算單元，用于對所述目標用戶的行為數(shù)據(jù)和所述目標用戶的設(shè)備數(shù)據(jù)進行計算，得到所述統(tǒng)計特征向量；

第二計算單元，用于對所述目標用戶的社交數(shù)據(jù)，所述目標用戶的申請數(shù)據(jù)和所述目標用戶的設(shè)備數(shù)據(jù)進行計算，得到所述關(guān)系特征向量；

第三計算單元，用于對所述目標用戶的行為數(shù)據(jù)進行計算，得到所述行為特征向量，其中，所述行為特征向量包括：輸入行為特征向量，操作行為特征向量；

其中，所述第一計算單元包括：

獲取子單元，用于獲取非欺詐人群的目標特征范圍和欺詐人群的目標特征范圍；

第一提取子單元，用于基于所述目標用戶的行為數(shù)據(jù)和所述目標用戶的設(shè)備數(shù)據(jù)提取所述目標用戶的目標特征，其中，所述目標用戶的目標特征包括：地理信息申請頻次，IP的申請頻次，設(shè)備電量占比，陀螺儀的平均加速度；

確定子單元，用于結(jié)合所述非欺詐人群的目標特征范圍，所述欺詐人群的目標特征范圍以及所述目標用戶的目標特征，確定所述目標用戶所屬的人群分布；

第一計算子單元，用于基于所述目標用戶所屬的人群分布計算所述統(tǒng)計特征向量；

其中，所述第二計算單元包括：

建立關(guān)聯(lián)子單元，用于將目標用戶的設(shè)備數(shù)據(jù)，目標用戶的社交數(shù)據(jù)以及目標用戶的申請數(shù)據(jù)與歷史關(guān)系圖譜建立關(guān)聯(lián)，其中，歷史關(guān)系圖譜為根據(jù)歷史授權(quán)數(shù)據(jù)得到的關(guān)系圖譜；

第二計算子單元，用于通過社區(qū)發(fā)現(xiàn)算法對歷史關(guān)系圖譜進行計算，得到目標用戶所屬的社交群體；

更新子單元，用于通過社交群體的欺詐風險更新歷史關(guān)系圖譜中邊的權(quán)重值，得到更新后的關(guān)系圖譜，其中，社交群體的欺詐風險為根據(jù)歷史授權(quán)數(shù)據(jù)獲得的；

第三計算子單元，用于通過隨機游走算法和node2vector對更新后的關(guān)系圖譜進行計算，得到關(guān)系特征向量；

其中，所述第三計算單元包括：

第二提取子單元，用于在目標用戶的行為數(shù)據(jù)中提取輸入行為數(shù)據(jù)；

第四計算子單元，用于根據(jù)輸入行為數(shù)據(jù)計算輸入行為的輸入總耗時，輸入平均耗時，輸入字符的平均間隔耗時，方差，其中，輸入行為包括：輸入身份證號的行為，輸入手機號的行為，輸入銀行卡號的行為，方差用于表示輸入字符間隔的波動情況；

第一設(shè)定子單元，用于將輸入總耗時，輸入平均耗時，輸入字符的平均間隔耗時，方差作為目標用戶的輸入行為特征向量；

第三提取子單元，用于在目標用戶的行為數(shù)據(jù)中提取操作行為數(shù)據(jù)；

分析子單元，用于對操作行為數(shù)據(jù)進行分析，得到操作行為的操作時延序列，其中，操作行為為操作互聯(lián)網(wǎng)信貸APP的行為；

第二設(shè)定子單元，用于將操作時延序列作為操作行為特征向量。