[發(fā)明專利]一種可疑風(fēng)險(xiǎn)交易篩查方法與相應(yīng)系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201810427250.1
• 申請(qǐng)日: 2018-05-07
• 公開（公告）號(hào): CN110458376A
• 公開（公告）日: 2019-11-15
• 發(fā)明（設(shè)計(jì)）人: 王子劍;嚴(yán)武;陳龍;曹磊
• 申請(qǐng)（專利權(quán)）人: 上海諾悅智能科技有限公司
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q40/04;G06K9/62
• 代理公司: 31269 上海方本律師事務(wù)所
• 代理人: 駱順耀;白楊<國(guó)際申請(qǐng)>=<國(guó)際公布>=

一種可疑風(fēng)險(xiǎn)交易篩查方法(200)，該方法包括如下步驟：獲取已知客戶信息數(shù)據(jù)(201)，其中所述已知客戶信息數(shù)據(jù)包括已知客戶交易信息數(shù)據(jù)和已知客戶個(gè)人信息數(shù)據(jù)；由所述已知客戶信息數(shù)據(jù)計(jì)算已知客戶交易特征(202)；根據(jù)所述計(jì)算的已知客戶交易特征利用鄰近采樣隨機(jī)森林方法訓(xùn)練客戶可疑行為篩選模型(203)；根據(jù)所述訓(xùn)練好的客戶可疑行為篩選模型對(duì)目標(biāo)篩選客戶的交易行為進(jìn)行篩選(204)。

技術(shù)領(lǐng)域

本發(fā)明涉及金融安全分析技術(shù)領(lǐng)域，具體地涉及一種可疑風(fēng)險(xiǎn)交易篩查方法與相應(yīng)系統(tǒng)。

背景技術(shù)

文獻(xiàn)CN201510947459.7公開一種可疑交易節(jié)點(diǎn)集合偵測(cè)方法及裝置，其中通過充分考慮節(jié)點(diǎn)與節(jié)點(diǎn)之間的關(guān)聯(lián)性，節(jié)點(diǎn)之間的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中各個(gè)節(jié)點(diǎn)之間的關(guān)系，來確定出金融網(wǎng)絡(luò)中的可疑交易節(jié)點(diǎn)的集合。

此外，文獻(xiàn)CN201510857280.2公開一種應(yīng)用于反洗錢處理的數(shù)據(jù)處理系統(tǒng)及方法，其中通過對(duì)待進(jìn)行反洗錢處理的報(bào)文進(jìn)行報(bào)文處理、消息收發(fā)、狀態(tài)確認(rèn)，接入不同的反洗錢系統(tǒng)。

再者，文獻(xiàn)CN201610647003.3公開一種洗錢賬戶的確定方法及裝置，其中根據(jù)在多個(gè)數(shù)據(jù)樣本中的每個(gè)數(shù)據(jù)樣本的權(quán)重將其進(jìn)行分類，然后確定目標(biāo)數(shù)據(jù)樣本，根據(jù)目標(biāo)數(shù)據(jù)樣本對(duì)應(yīng)的賬戶是否符合預(yù)設(shè)的洗錢賬戶標(biāo)準(zhǔn)，來確定是否為洗錢賬戶。

此外，文獻(xiàn)CN201610522577.8還公開一種可疑洗錢賬戶的確定方法及裝置，其中針對(duì)用于表示一個(gè)賬戶在設(shè)定時(shí)間段的設(shè)定時(shí)長(zhǎng)內(nèi)的交易信息的多個(gè)數(shù)據(jù)樣本進(jìn)行分類，從而獲得最佳分類，從特定類數(shù)據(jù)樣本中確定出孤立點(diǎn)數(shù)據(jù)樣本，并且將該孤立點(diǎn)數(shù)據(jù)樣本確定為可疑洗錢賬戶。

此外，文獻(xiàn)CN201710576257.5還公開一種反洗錢系統(tǒng)的異常業(yè)務(wù)數(shù)據(jù)篩選方法，其中通過采取異常指標(biāo)、異常模型篩選的方法，同時(shí)篩選方法與業(yè)務(wù)場(chǎng)景相結(jié)合，通過滿足該異常模型觸發(fā)條件的觸發(fā)方式進(jìn)行篩選，從而篩選出異常業(yè)務(wù)數(shù)據(jù)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題在于提供一種將客戶可疑交易行為量化之后并借助于人工智能分類識(shí)別模型進(jìn)行判別的方法和相應(yīng)系統(tǒng)，由此可以基于銀行客戶交易行為中的已知客戶交易的特征，更準(zhǔn)確地從目標(biāo)客戶中篩查出具有顯著可疑交易行為的客戶。

因此，按照本發(fā)明的第一方面，提出一種可疑風(fēng)險(xiǎn)交易篩查方法，該方法包括如下步驟：

獲取已知客戶信息數(shù)據(jù)，其中所述已知客戶信息數(shù)據(jù)包括已知客戶交易信息數(shù)據(jù)和已知客戶個(gè)人信息數(shù)據(jù)；

由所述已知客戶信息數(shù)據(jù)計(jì)算已知客戶交易特征；

根據(jù)所述計(jì)算的已知客戶交易特征利用鄰近采樣隨機(jī)森林方法訓(xùn)練客戶可疑行為篩選模型；

根據(jù)所述訓(xùn)練好的客戶可疑行為篩選模型對(duì)目標(biāo)篩選客戶的交易行為進(jìn)行篩選。

按照本發(fā)明提出的可疑風(fēng)險(xiǎn)交易篩查方法的基本構(gòu)思在于，借助于鄰近采樣隨機(jī)森林方法針對(duì)非平衡數(shù)據(jù)集進(jìn)行分類，以篩除部分正常客戶，保留絕大多數(shù)可疑交易，有效減少人工篩查的工作量。在此可以把分類理解為，將在銀行交易的客戶分為具有可疑交易的客戶和正常交易的客戶。在分類任務(wù)中，我們一般將要識(shí)別出來的樣本稱為正向樣本，與之相對(duì)的稱為負(fù)向樣本。在此，所謂非平衡數(shù)據(jù)集是指數(shù)據(jù)集中的正向樣本和負(fù)向樣本的數(shù)據(jù)量相差很大，使得模型的預(yù)測(cè)或者分類結(jié)果嚴(yán)重傾向于占據(jù)多數(shù)的樣本類，這樣得到的準(zhǔn)確率是不可信的，比如當(dāng)數(shù)據(jù)集中正向樣本和負(fù)向樣本的比例為9:1時(shí)。即使它的準(zhǔn)確率為90％，也有理由懷疑它將所有的類別都判斷為數(shù)據(jù)多的那一類，從而完全忽略了數(shù)據(jù)量小的樣本。通常在銀行的客戶交易中，顯然具有可疑交易的客戶只占據(jù)其中很小的一部分，而絕大部分的客戶交易都是正常的，因此銀行的客戶交易數(shù)據(jù)屬于典型的非平衡數(shù)據(jù)集，從而采用對(duì)此非常有針對(duì)性的鄰近采樣隨機(jī)森林方法進(jìn)行處理能充分避免上文提到的偏差，從而有效提高預(yù)測(cè)或篩選的準(zhǔn)確度。