[發明專利]一種基于人工智能技術的全域金融風險知識圖譜構建方法

在審

• 申請號: 201910637072.X
• 申請日: 2019-07-15
• 公開（公告）號: CN110717816A
• 公開（公告）日: 2020-01-21
• 發明（設計）人: 周春英;朱明杰;姜松濤;代俁西;蔡一鳴
• 申請（專利權）人: 上海氪信信息技術有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06F16/36;G06N3/04
• 代理公司: 31105 上海智力專利商標事務所(普通合伙)
• 代理人: 周濤

本發明涉及到一種基于人工智能技術的全域金融風險知識圖譜的構建方法，該方法具體包括如下步驟：構建金融機構已有全部信貸主體之間的關系網絡；基于更新的關系網絡提取相應的關聯風險與團體欺詐風險畫像特征；將具有同一用戶ID的信貸主體的結構化數據，加工處理為個體維度的風險圖像數據；將具有同一用戶ID的信貸主體的非結構化數據，加工處理為個體維度風險畫像數據；集成整合基于關系網絡的關聯和團伙風險畫像特征和個體維度的風險畫像數據，共同組成全域金融風險知識圖譜。本發明的方法基于社交關系網絡、自然語言處理、深度學習的金融風險知識圖譜構建方法來提升金融風控能力、降低信貸風險。

技術領域

本發明涉及金融風控技術領域，特別是涉及一種基于人工智能技術的全域金融風險知識圖譜構建方法。

背景技術

在線信貸申請金融業務中，金融機構常面臨一些欺詐風險現狀，個人身份欺詐風險，例如銀行卡對應的手機號被改綁，冒充客服、冒充好友等非本人意愿的詐騙行為，以及返利套現、薅羊毛等欺詐行為；團伙欺詐風險，例如中介代辦、黑產風險，這些都給銀行業務和交易帶來了極大的安全挑戰。因此，面對越來越嚴重的在線信貸欺詐風險，各個金融機構都需要更多更全面的數據、和更先進的技術從而解決欺詐風險精準識別和管理最終降低信貸風險。

在整個在線信貸風控體系中，金融風險知識圖譜(風險畫像)是最核心的數據基礎，支撐不論是規則、評分卡還是量化機器學習評分模型的構建和運行。但是，在線信貸業務與傳統大額抵押信貸業務存在幾個方面的差異，也導致在線信貸業務的風控管理技術對數據和技術的要求更高。具體差異和難點如下：

(1)在線信貸面臨更嚴重和頻發的團體欺詐、黑產、褥羊毛等風險，并且不是傳統風險規則風控技術可以處理；

(2)欺詐風險模式變化快、新欺詐方法層出不窮，需要比傳統風險規則方法更加復雜、難破解的技術手段例如機器學習量化模型，而全域、完整的風險知識圖譜是數據基礎；

(3)強征信數據例如央行征信數據覆蓋率低，需要更深入的利用其它弱金融、非結構化數據，例如智能設備信息、App行為軌跡數據、客服語音數據等。而非結構化數據的加工處理需要更先進的技術，例如自然語言處理NLP和深度學習技術等來處理數據從而獲得規則和評分卡、機器學習等量化模型可以使用的風險畫像數據。

因此，金融風控領域急需一套更加科學合理以及成熟的基于社交關系網絡、自然語言處理、深度學習的金融風險知識圖譜構建方法來提升金融風控能力、降低信貸風險。

發明內容

本發明的目的是克服現有技術的不足，設計出一種全新的全域金融風險知識圖譜構建方法。本發明的方法要更加科學合理和成熟，全部來基于社交關系網絡、自然語言處理、深度學習的金融風險知識圖譜構建方法來提升金融風控能力、降低信貸風險。

為達到上述目的，本發明所采用的技術方案是：

一種基于人工智能技術的全域金融風險知識圖譜的構建方法，其特征在于，該方法具體包括如下步驟：

第一步，構建金融機構已有全部信貸主體之間的關系網絡，關聯關系網絡依據申請資料信息重合建立；

第二步，提取被評估信貸主體ID和申請資料數據，對已構建信貸主體間的關系網絡進行更新，基于更新的關系網絡提取相應的關聯風險與團體欺詐風險畫像特征；

第三步，基于業務知識、數據領域知識和專家經驗，將具有同一用戶ID的信貸主體的結構化數據，加工處理為個體維度的風險圖像數據；

第四步，利用深度學習技術，將具有同一用戶ID的信貸主體的非結構化數據，加工處理為個體維度風險畫像數據；

第五步，基于信貸主體ID集成整合基于關系網絡的關聯和團伙風險畫像特征和個體維度的風險畫像數據，共同組成全域金融風險知識圖譜。