[發明專利]一種異常檢測方法、裝置、電子設備及計算機可讀介質

在審

• 申請號: 202111498620.9
• 申請日: 2021-12-09
• 公開（公告）號: CN114186626A
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 李騰;楊誠驁
• 申請（專利權）人: 中國建設銀行股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q40/02
• 代理公司: 中原信達知識產權代理有限責任公司 11219
• 代理人: 李陽;徐敏

本申請公開了異常檢測方法、裝置、電子設備及計算機可讀介質，涉及人工智能識別分類技術領域，該方法包括：接收用戶申請請求，確定對應的場景標識；基于場景標識，獲取歷史預設時間段的用戶場景數據；調用聚類模型，以基于用戶場景數據，確定各聚類簇；確定異常篩選指標，進而基于異常篩選指標確定各聚類簇中的異常聚類簇；響應于確定用戶申請請求對應的用戶場景數據與異常聚類簇匹配，攔截用戶申請請求。通過基于場景數據識別用戶的相似模式，不需要用戶之間有實際關聯，可識別無實際關聯但模式相近的異常申請，進而可以及時發現新的欺詐行為，有效避免財產損失。

技術領域

本申請涉及人工智能識別分類技術領域，尤其涉及一種異常檢測方法、裝置、電子設備及計算機可讀介質。

背景技術

在消費升級、政策支持和金融科技發展的共同推動下，以商業銀行為代表的傳統金融機構，正加速與互聯網融合，緊貼互聯網創新，加緊互聯網金融戰略布局，通過網上銀行、手機銀行等自助服務體系，為客戶提供多樣化的線上個人信用貸款服務。豐富的信用貸款產品為個人貸款提供了極大的便利，但是不同產品面向的對象、使用的數據等相差很大，貸款機構需要根據業務場景制定不同的風控策略。信貸風控一個難點是反欺詐，欺詐會存在多種類型，難以單一地打標簽，即使有歷史欺詐數據可用于有標簽的監督學習，學習出來的也只是和歷史相似的欺詐，對新的欺詐類型無能為力。在多場景的情況下，欺詐的方式千差萬別，對于無歷史行為，或行為較少的用戶，如新注冊用戶、沉默用戶，則無法進行識別，從而導致對新欺詐的發現相當滯后。

在實現本申請過程中，發明人發現現有技術中至少存在如下問題：

在多場景的情況下，欺詐的方式千差萬別，對于無歷史行為，或行為較少的用戶，如新注冊用戶、沉默用戶，則無法進行識別，從而導致對新欺詐的發現相當滯后。

發明內容

有鑒于此，本申請實施例提供一種異常檢測方法、裝置、電子設備及計算機可讀介質，能夠解決現有的在多場景的情況下，欺詐的方式千差萬別，對于無歷史行為，或行為較少的用戶，如新注冊用戶、沉默用戶，則無法進行識別，從而導致對新欺詐的發現相當滯后的問題。

為實現上述目的，根據本申請實施例的一個方面，提供了一種異常檢測方法，包括：

接收用戶申請請求，確定對應的場景標識；

基于場景標識，獲取歷史預設時間段的用戶場景數據；

調用聚類模型，以基于用戶場景數據，確定各聚類簇；

確定異常篩選指標，進而基于異常篩選指標確定各聚類簇中的異常聚類簇；

響應于確定用戶申請請求對應的用戶場景數據與異常聚類簇匹配，攔截用戶申請請求。

可選地，在調用聚類模型之前，異常檢測方法還包括：

獲取訓練樣本集，訓練樣本包括有時間聚集的異常申請在內的對應同一個場景標識的用戶申請數據；

對用戶申請數據進行特征工程處理，進而基于決策樹篩選聚類指標；

基于篩選得到的聚類指標，更新決策樹的節點，進而基于更新的決策樹生成聚類模型。

可選地，基于決策樹篩選聚類指標，包括：

使用決策樹對所有時間段的用戶申請數據進行預分類，進而根據預分類結果，確定聚類指標。

可選地，根據預分類結果，確定聚類指標，包括：

確定決策樹中各節點的異常樣本占比；

對各節點的異常樣本占比進行排序，基于排序選取預設數量個節點，進而將預設數量個節點對應的標簽，確定為聚類指標。

可選地，基于異常篩選指標確定各聚類簇中的異常聚類簇，包括：