[發(fā)明專利]欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估方法、系統(tǒng)、設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201810245673.1
• 申請(qǐng)日: 2018-03-23
• 公開（公告）號(hào): CN108596434B
• 公開（公告）日: 2019-08-02
• 發(fā)明（設(shè)計(jì)）人: 吳煥明;蘭超;李發(fā)源;何欽亞
• 申請(qǐng)（專利權(quán)）人: 衛(wèi)盈聯(lián)信息技術(shù)（深圳）有限公司
• 主分類號(hào): G06F16/20
• 分類號(hào): G06F16/20;G06F16/00;A61B5/16
• 代理公司: 深圳市沃德知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44347
• 代理人: 高杰;郭夢(mèng)霞

1.一種欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估方法，應(yīng)用于客戶端，其特征在于，該方法包括：

數(shù)據(jù)采集步驟：采集客戶端用戶的原始數(shù)據(jù)，包括用戶資料、通訊數(shù)據(jù)和行為數(shù)據(jù)；

數(shù)據(jù)處理步驟：利用數(shù)據(jù)處理算法從所述原始數(shù)據(jù)中提取特征數(shù)據(jù)，包括用戶行為特征數(shù)據(jù)、興趣愛好特征數(shù)據(jù)和活動(dòng)范圍特征數(shù)據(jù)；

模型應(yīng)用步驟：將所述特征數(shù)據(jù)輸入預(yù)先訓(xùn)練得到的與該特征數(shù)據(jù)匹配的機(jī)器學(xué)習(xí)模型，產(chǎn)生模型輸出結(jié)果，并將其上傳至服務(wù)器；及

接收步驟：接收所述服務(wù)器反饋的由風(fēng)控決策引擎根據(jù)所述模型輸出結(jié)果以及與所述客戶端用戶相關(guān)聯(lián)的歷史數(shù)據(jù)和第三方數(shù)據(jù)輸出的欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估結(jié)果，其中：所述風(fēng)控決策引擎中包括至少一條風(fēng)控規(guī)則，每條風(fēng)控規(guī)則為決策樹的一個(gè)決策節(jié)點(diǎn)，每個(gè)決策節(jié)點(diǎn)結(jié)合至少一個(gè)所述模型輸出結(jié)果以及相關(guān)聯(lián)的歷史數(shù)據(jù)和第三方數(shù)據(jù)，輸出至少一個(gè)風(fēng)控因子，風(fēng)控決策引擎綜合各風(fēng)控因子，輸出欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估的結(jié)果。

2.一種欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估方法，應(yīng)用于服務(wù)器，其特征在于，該方法包括：

設(shè)置步驟：設(shè)置與欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估相關(guān)聯(lián)的數(shù)據(jù)處理算法和機(jī)器學(xué)習(xí)模型；

分發(fā)步驟：向相關(guān)聯(lián)的客戶端分發(fā)所述數(shù)據(jù)處理算法和機(jī)器學(xué)習(xí)模型；

接收步驟：接收客戶端利用客戶端用戶的原始數(shù)據(jù)以及所述數(shù)據(jù)處理算法和機(jī)器學(xué)習(xí)模型產(chǎn)生的模型輸出結(jié)果；

輸出步驟：利用風(fēng)控決策引擎，結(jié)合所述模型輸出結(jié)果以及與所述客戶端用戶相關(guān)聯(lián)的歷史數(shù)據(jù)和第三方數(shù)據(jù)，輸出欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估的結(jié)果，其中：所述風(fēng)控決策引擎中包括至少一條風(fēng)控規(guī)則，每條風(fēng)控規(guī)則為決策樹的一個(gè)決策節(jié)點(diǎn)，每個(gè)決策節(jié)點(diǎn)結(jié)合至少一個(gè)所述模型輸出結(jié)果以及相關(guān)聯(lián)的歷史數(shù)據(jù)和第三方數(shù)據(jù)，輸出至少一個(gè)風(fēng)控因子，風(fēng)控決策引擎綜合各風(fēng)控因子，輸出欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估的結(jié)果。

3.如權(quán)利要求1或2所述的欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估方法，其特征在于，所述機(jī)器學(xué)習(xí)模型的訓(xùn)練過程，包括如下步驟：

采集客戶端用戶的原始數(shù)據(jù)；

利用數(shù)據(jù)處理算法從所述原始數(shù)據(jù)中提取特征數(shù)據(jù)；

利用所述特征數(shù)據(jù)，在客戶端本地訓(xùn)練機(jī)器學(xué)習(xí)模型；

將訓(xùn)練得到的機(jī)器學(xué)習(xí)模型存儲(chǔ)至客戶端本地的模型庫(kù)。

4.如權(quán)利要求3所述的欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估方法，其特征在于，所述機(jī)器學(xué)習(xí)的訓(xùn)練過程，可以替換為：

服務(wù)器向相關(guān)聯(lián)的客戶端分發(fā)數(shù)據(jù)處理算法；

各客戶端利用所述數(shù)據(jù)處理算法從客戶端用戶的原始數(shù)據(jù)中提取特征數(shù)據(jù)，并將其上傳至服務(wù)器；

服務(wù)器利用各客戶端用戶的特征數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，并將訓(xùn)練得到的機(jī)器學(xué)習(xí)模型存儲(chǔ)至服務(wù)器的模型庫(kù)；

服務(wù)器向相關(guān)聯(lián)的客戶端分發(fā)訓(xùn)練得到的機(jī)器學(xué)習(xí)模型。

5.如權(quán)利要求1或2所述的欺詐檢測(cè)和風(fēng)險(xiǎn)評(píng)估方法，其特征在于，所述數(shù)據(jù)處理算法以及機(jī)器學(xué)習(xí)模型的更新過程，包括如下步驟：

服務(wù)器接收客戶端發(fā)送的更新請(qǐng)求，該更新請(qǐng)求中包括客戶端設(shè)備型號(hào)、發(fā)起的業(yè)務(wù)請(qǐng)求類型以及客戶端當(dāng)前的數(shù)據(jù)處理算法和機(jī)器學(xué)習(xí)模型的版本信息；

根據(jù)所述客戶端設(shè)備型號(hào)以及發(fā)起的業(yè)務(wù)請(qǐng)求類型匹配到相應(yīng)的數(shù)據(jù)處理算法和機(jī)器學(xué)習(xí)模型的最新版本；

判斷客戶端當(dāng)前的數(shù)據(jù)處理算法和機(jī)器學(xué)習(xí)模型是否為最新版本，輸出判斷結(jié)果；

當(dāng)判斷結(jié)果為是時(shí)，通知該客戶端當(dāng)前的數(shù)據(jù)處理算法和機(jī)器學(xué)習(xí)模型為最新版本，暫無更新版本；或

當(dāng)判斷結(jié)果為否時(shí)，服務(wù)器向該客戶端分發(fā)最新版本的數(shù)據(jù)處理算法和機(jī)器學(xué)習(xí)模型。