[發(fā)明專利]一種轉(zhuǎn)賬欺詐的風(fēng)險(xiǎn)確定方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201811072236.0
• 申請(qǐng)日: 2018-09-14
• 公開（公告）號(hào): CN109657890B
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計(jì)）人: 程微宏
• 申請(qǐng)（專利權(quán)）人: 螞蟻金服（杭州）網(wǎng)絡(luò)技術(shù)有限公司
• 主分類號(hào): G06Q10/0635
• 分類號(hào): G06Q10/0635;G06Q20/10;G06Q20/38;G06N3/044;G06N3/0442
• 代理公司: 北京三友知識(shí)產(chǎn)權(quán)代理有限公司 11127
• 代理人: 李輝

1.一種轉(zhuǎn)賬欺詐的風(fēng)險(xiǎn)確定方法，包括：

獲取轉(zhuǎn)賬行為在預(yù)設(shè)統(tǒng)計(jì)周期內(nèi)各預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息，所述操作行為信息包括：主動(dòng)方的操作行為信息、被動(dòng)方的操作行為信息；所述預(yù)設(shè)統(tǒng)計(jì)周期劃分為多個(gè)預(yù)設(shè)子周期；

根據(jù)所述各預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息，將獲取到的時(shí)間序列數(shù)據(jù)按照對(duì)應(yīng)的時(shí)間分別輸入循環(huán)神經(jīng)網(wǎng)絡(luò)模型，利用循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)所述轉(zhuǎn)賬行為進(jìn)行風(fēng)險(xiǎn)識(shí)別，確定所述轉(zhuǎn)賬行為的欺詐特征信息，所述欺詐特征信息包括：主動(dòng)方欺詐特征信息、被動(dòng)方欺詐特征信息，所述風(fēng)險(xiǎn)識(shí)別包括：基于所述操作行為信息中的行為事件進(jìn)行風(fēng)險(xiǎn)識(shí)別處理；其中，每一個(gè)預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息稱為一個(gè)時(shí)間序列數(shù)據(jù)；

根據(jù)所述主動(dòng)方欺詐特征信息、所述被動(dòng)方欺詐特征信息，確定出所述轉(zhuǎn)賬行為的風(fēng)險(xiǎn)識(shí)別結(jié)果。

2.如權(quán)利要求1所述的方法，所述利用循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)所述轉(zhuǎn)賬行為進(jìn)行風(fēng)險(xiǎn)識(shí)別包括：

將所述各預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息分別輸入所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型，并將所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型的模型輸出數(shù)據(jù)輸入注意力模型；

利用所述注意力模型，根據(jù)所述模型輸出數(shù)據(jù)計(jì)算出所述各預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息的重要度信息；

根據(jù)所述各預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息的重要度信息，確定出所述欺詐特征信息，其中，若所述操作行為信息為所述主動(dòng)方的操作行為信息，則所述欺詐特征信息為所述主動(dòng)方欺詐特征信息，若所述操作行為信息為所述被動(dòng)方的操作行為信息，則所述欺詐特征信息為所述被動(dòng)方欺詐特征信息。

3.如權(quán)利要求2所述的方法，所述利用所述注意力模型，根據(jù)所模型述輸出數(shù)據(jù)計(jì)算出所述各預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息的重要度信息，包括：

利用所述注意力模型計(jì)算所述模型輸出數(shù)據(jù)與所述注意力模型中的參數(shù)向量之間的相似度，將所述相似度計(jì)算結(jié)果作為所述各預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息的重要度信息，所述注意力模型中的參數(shù)向量利用歷史操作行為信息進(jìn)行模型訓(xùn)練獲得。

4.如權(quán)利要求2所述的方法，所述根據(jù)所述各預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息的重要度信息，確定出所述欺詐特征信息，包括：

將所述各預(yù)設(shè)子周期內(nèi)的操作行為信息對(duì)應(yīng)的重要度信息進(jìn)行歸一化，獲得所述各預(yù)設(shè)子周期內(nèi)的操作行為信息對(duì)應(yīng)的權(quán)重值；

根據(jù)所述各預(yù)設(shè)子周期內(nèi)的操作行為信息對(duì)應(yīng)的權(quán)重值以及所述各預(yù)設(shè)子周期內(nèi)的操作行為信息對(duì)應(yīng)的模型輸出數(shù)據(jù)，對(duì)所述模型輸出數(shù)據(jù)進(jìn)行加權(quán)運(yùn)算，獲得加權(quán)向量；

將所述加權(quán)向量作為所述欺詐特征信息。

5.如權(quán)利要求4所述的方法，所述將所述各預(yù)設(shè)子周期內(nèi)的操作行為信息對(duì)應(yīng)的重要度信息進(jìn)行歸一化，包括：

利用柔性最大函數(shù)將所述各預(yù)設(shè)子周期內(nèi)的操作行為信息對(duì)應(yīng)的重要度信息進(jìn)行歸一化。

6.如權(quán)利要求2所述的方法，所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型被設(shè)置成按照下述方式處理輸入的所述各預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息：

將所述各預(yù)設(shè)子周期對(duì)應(yīng)的設(shè)備行為信息中的行為事件分別轉(zhuǎn)換成初始向量；

將同一預(yù)設(shè)子周期內(nèi)的初始向量乘以行為事件對(duì)應(yīng)的行為次數(shù)后，進(jìn)行求和、求平均運(yùn)算中的至少一種運(yùn)算，獲得各預(yù)設(shè)子周期對(duì)應(yīng)的模型輸入向量；

根據(jù)所述設(shè)備行為信息對(duì)應(yīng)的所述模型輸入向量，利用所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型生成隱向量，將所述隱向量作為所述循環(huán)神經(jīng)網(wǎng)絡(luò)的模型輸出數(shù)據(jù)。

7.如權(quán)利要求1所述的方法，所述獲取轉(zhuǎn)賬行為對(duì)應(yīng)的操作行為信息，包括：

每隔預(yù)設(shè)時(shí)間獲取轉(zhuǎn)賬行為在所述預(yù)設(shè)統(tǒng)計(jì)周期內(nèi)各預(yù)設(shè)子周期對(duì)應(yīng)的操作行為信息，所述操作行為信息包括：登錄信息、轉(zhuǎn)賬歷史記錄信息、付款信息、舉報(bào)信息。