[發明專利]互聯網信貸場景下的實時欺詐檢測方法及裝置

有效

• 申請號: 201810033615.2
• 申請日: 2018-01-12
• 公開（公告）號: CN108564460B
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 于皓;張杰;李犇;張澗;張卓博
• 申請（專利權）人: 陽光財產保險股份有限公司
• 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權代理事務所(普通合伙) 11371
• 代理人: 金相允

本發明提供了一種互聯網信貸場景下的實時欺詐檢測方法及裝置，該方法包括：獲取目標用戶通過互聯網信貸APP授權后發送的授權數據；基于授權數據構建目標用戶的特征向量；通過K?MEANS算法對特征向量進行訓練，得到無監督反欺詐機器學習模型；通過無監督反欺詐機器學習模型對特征向量進行欺詐概率計算，得到目標用戶的欺詐概率。該方法充分利用了目標用戶的授權數據，對授權數據向量化得到特征向量，進而通過K?MEANS算法建模得到無監督反欺詐機器學習模型，無監督反欺詐機器學習模型再對特征向量進行欺詐概率計算，得到目標用戶的欺詐概率，該方法能夠實時發現新式的欺詐模式，緩解了現有的欺詐檢測方法無法在較短時間內識別出新式的欺詐模式的技術問題。

技術領域

本發明涉及互聯網信貸風控的技術領域，尤其是涉及一種互聯網信貸場景下的實時欺詐檢測方法及裝置。

背景技術

互聯網信貸產業，近幾年得到了飛速發展，呈現出百家爭鳴、百花齊放的局面，伴隨著產業的欣榮發展，欺詐黑色產業鏈也在不斷地滲透到該領域，各種新穎的欺詐模式層出不窮，對互聯網信貸產業的健康發展蒙上了一層陰影。據不完全統計，每年因欺詐導致的損失在500億—1000億，欺詐風險已成為互聯網信貸產業風險的重中之重。

信貸產業防范欺詐的主要方法是基于規則引擎的方法和基于監督機器學習模型的方法，基于規則引擎的方法是通過將風控專家的經驗知識轉化為欺詐防范規則，通過規則引擎的方式進行匹配?；诒O督機器學習模型的方法，通過將有欺詐行為的人群和沒有欺詐行為的人群組合為樣本數據，通過選取相應的特征，利用監督機器學習方法，構建模型，用以識別欺詐風險。

上述兩種方法在傳統的信貸行業中，效果較為明顯，然而在互聯網信貸場景下，在互聯網的大背景下，創新業務發展迅速，因此，針對各種業務場景下的欺詐手段和技術也在不斷更新，基于規則引擎和監督機器學習模型的方法都是根據現有的欺詐模式得到的模型，只能識別現有的欺詐模式，無法在較短時間內識別新式的欺詐模式。

綜上，現有的信貸產業防范欺詐的方法無法在較短時間內識別出新式的欺詐模式。

發明內容

有鑒于此，本發明的目的在于提供一種互聯網信貸場景下的實時欺詐檢測方法及裝置，以緩解現有的信貸產業防范欺詐的方法無法在較短時間內識別出新式的欺詐模式的技術問題。

第一方面，本發明實施例提供了一種互聯網信貸場景下的實時欺詐檢測方法，所述方法包括：

獲取目標用戶通過互聯網信貸APP授權后發送的授權數據，其中，所述授權數據包括：所述目標用戶的設備數據，所述目標用戶的行為數據，所述目標用戶的社交數據，所述目標用戶的申請業務數據；

基于所述授權數據構建所述目標用戶的特征向量，其中，所述特征向量包括：統計特征向量，關系特征向量，行為特征向量；

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

通過所述無監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。

結合第一方面，本發明實施例提供了第一方面的第一種可能的實施方式，其中，基于所述授權數據構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據和所述目標用戶的設備數據進行計算，得到所述統計特征向量；

對所述目標用戶的社交數據，所述目標用戶的申請數據和所述目標用戶的設備數據進行計算，得到所述關系特征向量；

對所述目標用戶的行為數據進行計算，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。

結合第一方面，本發明實施例提供了第一方面的第二種可能的實施方式，其中，對所述目標用戶的行為數據和所述目標用戶的設備數據進行計算，得到所述統計特征向量包括：