[發明專利]反洗錢識別方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202111521737.4
• 申請日: 2021-12-13
• 公開（公告）號: CN114187154A
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 胥嘉棟;朱斌;傅群慧;朱堯
• 申請（專利權）人: 平安付科技服務有限公司
• 主分類號: G06Q50/26
• 分類號: G06Q50/26;G06Q40/04;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 程超

1.一種反洗錢識別方法，其特征在于，包括以下步驟：

獲取多個用戶的交易記錄樣本，對所述交易記錄樣本進行預處理以符合第一規則要求；其中，所述第一規則要求包括樣本數量要求、樣本平滑度要求、樣本稀疏性要求以及正負樣本比例要求中的任意一項或多項；

獲取所述交易記錄樣本中包含的第一樣本特征，利用卷積神經網絡訓練預備識別模型，根據所述預備識別模型對于所述第一樣本特征的輸出數據從所述第一樣本特征中選取第二樣本特征；其中，所述第一樣本特征的數量大于所述第二樣本特征的數量；

利用lightGBM模型和Catboost模型從所述第二樣本特征中選取第三樣本特征，其中，所述第二樣本特征的數量大于所述第三樣本特征的數量；

利用所述第三樣本特征分別對所述卷積神經網絡模型、所述lightGBM模型以及CatboostCatboost模型進行訓練，以得到第一識別模型、第二識別模型和第三識別模型；

將目標用戶的當前交易記錄分別輸入所述第一識別模型、所述第二識別模型和所述第三識別模型，根據所述第一識別模型、所述第二識別模型和所述第三識別模型的輸出結果確定所述目標用戶的交易行為是否存在洗錢風險。

2.根據權利要求1所述的反洗錢識別方法，其特征在于，所述獲取多個用戶的交易記錄樣本，對所述交易記錄樣本進行預處理以符合第一規則要求的步驟包括：

基于PAC算法，確定所述預備識別模型的輸出達到第一精度時所需要的第一樣本數量；

獲取第一樣本數量的所述交易記錄樣本，對所述交易記錄樣本進行歸一化處理；

對經過歸一化處理的所述交易記錄樣本進行不同維度的組合，得到交易組合樣本；

基于數據增強算法增加所述交易組合樣本中包含的正樣本數量，以使所述交易組合樣本中的正樣本數量和負樣本數量的比值達到第一比例；其中，所述正樣本指的是確定存在洗錢風險的樣本。

3.根據權利要求2所述的反洗錢識別方法，其特征在于，所述基于數據增強算法增加所述交易組合樣本中包含的正樣本數量的步驟包括：

確定所述交易組合樣本中已有的第一正樣本的第一分布規律；

根據所述第一分布規律生成新的第二正樣本；所述第二正樣本的第二分布規律和所述第一分布規律相匹配。

4.根據權利要求1-3中任一項所述的反洗錢識別方法，其特征在于，所述獲取所述交易記錄樣本中包含第一樣本特征，利用卷積神經網絡訓練預備識別模型，根據所述預備識別模型對于所述第一樣本特征的輸出數據從所述第一樣本特征中選取第二樣本特征的步驟包括：

利用兩種或兩種以上特征評估算法確定所述第一樣本特征對于所述預備識別模型的重要程度排序，以獲得多個排序列表；

根據所述多個排序列表中包含的第一樣本特征中篩選所述第二樣本特征。

5.根據權利要求4所述的反洗錢識別方法，其特征在于，所述利用lightGBM模型和Catboost模型從所述第二樣本特征中選取第三樣本特征的步驟包括：

利用所述第二樣本特征分別訓練lightGBM模型和Catboost模型，以獲得所述第二樣本特征對于所述lightGBM模型的重要程度排序列表，以及所述第二樣本特征對于所述Catboost模型的重要程度排序列表；

根據所述lightGBM模型的重要程度排序列表和所述Catboost模型的重要程度排序列表篩選所述第三樣本特征。

6.根據權利要求1所述的反洗錢識別方法，其特征在于，所述利用所述第三樣本特征分別對所述CNN模型、所述LGB模型以及Catboost模型進行訓練，以得到第一識別模型、第二識別模型和第三識別模型的步驟包括：

根據所述多個用戶的第一時期交易樣本訓練分別訓練所述第一識別模型或第二識別模型或第三識別模型；

獲取所述第一識別模型或第二識別模型或第三識別模型輸出數據的概率分布；

根據所述概率分布對所述第一識別模型或第二識別模型或第三識別模型的內部參數進行調整，以使所述概率分布的寬度大于第一分布寬度。