[發(fā)明專利]社交網(wǎng)絡(luò)欺詐模型的構(gòu)建方法、防欺詐方法和裝置

在審

• 申請?zhí)枺?/td>: 201910515291.0
• 申請日: 2019-06-14
• 公開（公告）號: CN110232524A
• 公開（公告）日: 2019-09-13
• 發(fā)明（設(shè)計）人: 不公告發(fā)明人
• 申請（專利權(quán)）人: 哈爾濱哈銀消費金融有限責任公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/00;G06Q40/04;G06Q50/00
• 代理公司: 北京細軟智谷知識產(chǎn)權(quán)代理有限責任公司 11471
• 代理人: 劉冬梅

本發(fā)明涉及一種社交網(wǎng)絡(luò)欺詐模型的構(gòu)建方法、防欺詐方法和裝置；包括將訓練對象的社交網(wǎng)絡(luò)信息輸入預(yù)先構(gòu)建的社交網(wǎng)絡(luò)提取模型，得到社交網(wǎng)絡(luò)信息的特征數(shù)據(jù)，以構(gòu)建社交網(wǎng)絡(luò)信息對應(yīng)的社交網(wǎng)絡(luò)圖譜；基于預(yù)設(shè)的社區(qū)識別算法，對社交網(wǎng)絡(luò)圖譜進行識別，得到社交網(wǎng)絡(luò)圖譜對應(yīng)的社區(qū)個數(shù)；獲取每個社區(qū)內(nèi)每個社區(qū)對象的歷史行為數(shù)據(jù)；根據(jù)目標社區(qū)內(nèi)所有歷史行為數(shù)據(jù)，確定目標社區(qū)是否存在欺詐行為；若目標社區(qū)存在欺詐行為，利用目標社區(qū)內(nèi)所有歷史行為數(shù)據(jù)對預(yù)先構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進行訓練，得到社交網(wǎng)絡(luò)欺詐模型，以便利用社交網(wǎng)絡(luò)欺詐模型對目標網(wǎng)絡(luò)信息的欺詐行為進行識別。實現(xiàn)了快速、準確的對目標網(wǎng)絡(luò)信息的欺詐行為進行識別、預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明涉及消費金融技術(shù)領(lǐng)域，具體涉及一種社交網(wǎng)絡(luò)欺詐模型的構(gòu)建方法、防欺詐方法和裝置。

背景技術(shù)

近年來，社交網(wǎng)絡(luò)飛速發(fā)展，越來越多的人開始使用社交網(wǎng)絡(luò)。隨著微博、微信、Facebook等社交網(wǎng)絡(luò)的普及，社交網(wǎng)絡(luò)在用戶互聯(lián)網(wǎng)生活中占的比重越來越大。不幸的是，人們在社交網(wǎng)絡(luò)自由分享的個人信息的輕易獲得性使得實施欺詐行為的人能相對容易地竊取用戶的憑證和身份信息，從而對消費者進行欺詐，因此，為了有效控制欺詐行為的發(fā)生，需要對社交網(wǎng)絡(luò)中復雜的社交關(guān)系進行分析，以及時發(fā)現(xiàn)社交網(wǎng)絡(luò)是否存在欺詐行為。

社交網(wǎng)絡(luò)分析的傳統(tǒng)方法需要人工定義用戶行為特征，即當用戶的哪些行為特征異于正常范圍時，則該用戶可能涉嫌欺詐行為，進而將這些行為特征定義為涉嫌欺詐的特征變量，這些涉嫌欺詐的特征變量信賴人類專家對于原始數(shù)據(jù)的觀測和理解，也即通過實際的人類領(lǐng)域知識，通過不斷的經(jīng)驗嘗試與總結(jié)，獲取對于某個具體任務(wù)下數(shù)據(jù)最好的表示。這種方式毫無疑問最大限度地發(fā)揮人類領(lǐng)域?qū)＜业膶ｉL，借助人類的經(jīng)驗實現(xiàn)對于原始數(shù)據(jù)的良好總結(jié)與表示。

但是，現(xiàn)有技術(shù)對社交網(wǎng)絡(luò)分析過程中受限于主觀與客觀條件的限制，人類專家的觀測與總結(jié)無法做到完全全面與精確；且隨著實際場景的改變，往往導致新一輪的特征工程迭代。例如，學習任務(wù)目標的更改，或者原始數(shù)據(jù)分布的改變，及新數(shù)據(jù)的到來，舊的特征將不再適用于新環(huán)境，這就需要對新的特征需要重新設(shè)計與選擇，耗費較長的時間。

因此，如何快速、準確的對社交網(wǎng)絡(luò)中存在的欺詐行為進行識別、預(yù)測，是本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種社交網(wǎng)絡(luò)欺詐模型的構(gòu)建方法、防欺詐方法和裝置，以實現(xiàn)快速、準確的對社交網(wǎng)絡(luò)中存在的欺詐行為進行識別、預(yù)測。

為實現(xiàn)以上目的，本發(fā)明提供一種社交網(wǎng)絡(luò)欺詐模型的構(gòu)建方法，包括：

將訓練對象的社交網(wǎng)絡(luò)信息輸入預(yù)先構(gòu)建的社交網(wǎng)絡(luò)提取模型，得到所述社交網(wǎng)絡(luò)信息的特征數(shù)據(jù)；

基于所述特征數(shù)據(jù)，構(gòu)建所述社交網(wǎng)絡(luò)信息對應(yīng)的社交網(wǎng)絡(luò)圖譜；

基于預(yù)設(shè)的社區(qū)識別算法，對所述社交網(wǎng)絡(luò)圖譜進行識別，得到所述社交網(wǎng)絡(luò)圖譜對應(yīng)的社區(qū)個數(shù)；

獲取每個社區(qū)內(nèi)每個社區(qū)對象的歷史行為數(shù)據(jù)；

根據(jù)目標社區(qū)內(nèi)所有歷史行為數(shù)據(jù)，確定所述目標社區(qū)是否存在欺詐行為；

若所述目標社區(qū)存在所述欺詐行為，利用所述目標社區(qū)內(nèi)所有歷史行為數(shù)據(jù)對預(yù)先構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型進行訓練，得到社交網(wǎng)絡(luò)欺詐模型，以便利用所述社交網(wǎng)絡(luò)欺詐模型對目標網(wǎng)絡(luò)信息的欺詐行為進行識別。

進一步地，上述所述的方法中，所述根據(jù)目標社區(qū)內(nèi)所有歷史行為數(shù)據(jù)，確定所述目標社區(qū)是否存在欺詐行為，包括：

根據(jù)目標社區(qū)內(nèi)所有歷史行為數(shù)據(jù)，確定所述目標社區(qū)內(nèi)每個社區(qū)對象的單體欺詐風險；

根據(jù)所述目標社區(qū)內(nèi)每個社區(qū)對象的單體欺詐風險，確定所述目標社區(qū)存在欺詐行為的概率；