技术新讯 > 计算推算,计数设备的制造及其应用技术 > 风险信息的检测方法、装置及电子设备与流程  >  正文

风险信息的检测方法、装置及电子设备与流程

  • 国知局
  • 2024-11-06 14:25:48

本技术涉及人工智能领域、金融科技领域或者其他,具体而言,涉及一种风险信息的检测方法、装置及电子设备。

背景技术:

1、目前,随着互联网和移动支付技术的飞速发展,银行和金融机构现在能够提供更加便捷的服务,但这同时也大大增加了欺诈行为的机会。欺诈者利用高度匿名和技术手段进行身份盗窃、信用卡欺诈、钓鱼攻击等行为,这些都给银行业务的安全带来了前所未有的挑战。

2、为有效识别和防范这些欺诈行为,银行和研究机构开发部署了一系列基于大数据技术的检测算法。目前主流技术方法包含异常检测、聚类分析、关联规则挖掘、图分析、基于新闻和事件的分析、专家意见和调查等几种。然而,随着技术的进步和欺诈手段的不断更新,这些算法的不足也逐渐暴露,例如,数据稀疏和不平衡、复杂的交易关系、业务的动态时序性、信息不对称、过度拟合、异常事件处理和模型可解释性在一定程度上对这些检测算法产生影响,降低了检测结果的准确性。

3、针对相关技术中检测交易信息中的潜在风险信息时,由于数据稀疏和不平衡、复杂的交易关系等原因,导致检测结果的准确度较低的问题,目前尚未提出有效的解决方案。

技术实现思路

1、本技术的主要目的在于提供一种风险信息的检测方法、装置及电子设备,以解决相关技术中检测交易信息中的潜在风险信息时,由于数据稀疏和不平衡、复杂的交易关系等原因,导致检测结果的准确度较低的问题。

2、为了实现上述目的,根据本技术的一个方面,提供了一种风险信息的检测方法,该方法包括:获取目标客户的目标交易信息,其中,所述目标客户是待检测风险信息的客户;将所述目标交易信息输入目标模型中,提取所述目标客户的交易特征信息,其中,所述目标模型是采用客户的历史交易信息对图神经网络模型进行训练后得到的模型;将所述交易特征信息输入自编码器模型中,重构所述交易特征信息,得到重构特征信息;依据所述重构特征信息预测所述目标客户的风险信息,得到预测结果,其中,所述预测结果用于指示所述目标客户存在交易风险,或者所述目标客户不存在交易风险。

3、进一步地,所述图神经网络模型至少包括以下模型:第一模型、第二模型、第三模型,将所述目标交易信息输入目标模型中,提取所述目标客户的交易特征信息,包括:通过所述第一模型中的提取目标图中低层次的节点特征,并将所述节点特征映射到低维空间,得到第一特征向量,其中,所述目标图是依据客户的历史交易信息表征所述客户之间的关联关系的图结构数据;通过所述第二模型从所述第一特征向量中提取深层次的节点特征,并对所述深层次的节点特征进行融合,得到第二特征向量,其中,所述深层次的节点特征至少包括:节点特征、邻居节点的平均特征、所述目标图的全局特征;通过第三模型增加所述第二特征向量中所述节点特征的非线性特征,得到第三特征向量;依据所述第一特征向量,所述第二特征向量和所述第三特征向量计算所述目标客户的交易特征信息。

4、进一步地,所述自编码器模型至少包括:编码器、解码器,依据所述重构特征信息预测所述目标客户的风险信息,得到预测结果,包括:通过所述编码器计算所述交易特征信息的异常分数,其中,所述异常分数用于表征所述交易特征信息的异常程度;将所述异常分数输入所述解码器中,通过所述解码器计算所述交易特征信息的重构特征信息;计算所述交易特征信息与所述重构特征信息之间的误差值;在所述误差值大于预设阈值的情况下,确定所述目标客户存在预设类型的风险信息,得到所述预测结果。

5、进一步地,所述历史交易信息至少包括:交易明细信息、所述客户之间的关联关系,在通过所述第一模型中的提取目标图中低层次的节点特征之后,所述方法还包括:通过所述自编码器模型对所述交易明细信息进行编码,得到所述客户的特征向量表示;依据所述客户构建节点,依据所述客户的特征向量表示构建所述节点的节点特征;依据所述客户之间的关联关系构建所述节点之间的边,以及构建所述边的边特征;依据所述节点、所述边、所述节点特征、所述边特征构建所述目标图。

6、进一步地,依据所述第一特征向量,所述第二特征向量和所述第三特征向量计算所述目标客户的交易特征信息,包括:依据所述第一特征向量的向量维度、所述第二特征向量的向量维度和所述第三特征向量的向量维度计算模型权重,其中,所述模型权重至少包括以下信息:所述第一模型对应的第一权重、所述第二模型对应的第二权重、所述第三模型对应的第三权重;依据所述模型权重对所述第一特征向量、所述第二特征向量和所述第三特征向量进行加权求和计算,得到所述目标客户的交易特征信息。

7、进一步地,在依据所述重构特征信息预测所述目标客户的风险信息,得到预测结果之后,所述方法还包括:计算所述目标客户的交易特征信息与目标对象的交易特征信息之间的关联程度,其中,所述目标对象是存在交易风险的对象;依据所述关联程度、所述误差值和所述目标客户的交易频率计算所述目标客户存在交易风险的概率。

8、进一步地,在依据所述重构特征信息预测所述目标客户的风险信息,得到预测结果之后,所述方法还包括:采用接收者操作特征曲线算法对所述预测结果进行计算,得到所述目标模型的评价结果;依据所述评价结果对所述目标模型的模型参数进行优化,得到优化后的目标模型;在接收到风险预测请求时,采用所述优化后的目标模型预测所述目标客户的风险信息。

9、进一步地,获取目标客户的目标交易信息,包括:获取所述目标客户的交易数据,并对所述交易数据进行数据预处理,得到数据集;接收所述目标客户的信用评估信息,其中,所述信用评估信息是针对所述目标客户的信用状况进行评估后得到的信息;将所述评估信息添加至所述数据集中,得到所述目标交易信息。

10、为了实现上述目的,根据本技术的另一方面,提供了一种风险信息的检测装置,该装置包括:获取单元,用于获取目标客户的目标交易信息,其中,所述目标客户是待检测风险信息的客户;提取单元,用于将所述目标交易信息输入目标模型中,提取所述目标客户的交易特征信息,其中,所述目标模型是采用客户的历史交易信息对图神经网络模型进行训练后得到的模型;重构单元,用于将所述交易特征信息输入自编码器模型中,重构所述交易特征信息,得到重构特征信息;第一预测单元,用于依据所述重构特征信息预测所述目标客户的风险信息,得到预测结果,其中,所述预测结果用于指示所述目标客户存在交易风险,或者所述目标客户不存在交易风险。

11、进一步地,所述图神经网络模型至少包括以下模型:第一模型、第二模型、第三模型,所述提取单元包括:提取子单元,用于通过所述第一模型中的提取目标图中低层次的节点特征,并将所述节点特征映射到低维空间,得到第一特征向量,其中,所述目标图是依据客户的历史交易信息表征所述客户之间的关联关系的图结构数据;融合子单元,用于通过所述第二模型从所述第一特征向量中提取深层次的节点特征,并对所述深层次的节点特征进行融合,得到第二特征向量,其中,所述深层次的节点特征至少包括:节点特征、邻居节点的平均特征、所述目标图的全局特征;处理子单元,用于通过第三模型增加所述第二特征向量中所述节点特征的非线性特征,得到第三特征向量;第一计算子单元,用于依据所述第一特征向量,所述第二特征向量和所述第三特征向量计算所述目标客户的交易特征信息。

12、进一步地,所述自编码器模型至少包括:编码器、解码器,所述第一预测单元包括:第二计算子单元,用于通过所述编码器计算所述交易特征信息的异常分数,其中,所述异常分数用于表征所述交易特征信息的异常程度;第三计算子单元,用于将所述异常分数输入所述解码器中,通过所述解码器计算所述交易特征信息的重构特征信息;第四计算子单元,用于计算所述交易特征信息与所述重构特征信息之间的误差值;确定子单元,用于在所述误差值大于预设阈值的情况下,确定所述目标客户存在预设类型的风险信息,得到所述预测结果。

13、进一步地,所述历史交易信息至少包括:交易明细信息、所述客户之间的关联关系,所述提取单元还包括:编码子单元,用于在通过所述第一模型中的提取目标图中低层次的节点特征之后,通过所述自编码器模型对所述交易明细信息进行编码,得到所述客户的特征向量表示;第一构建子单元,用于依据所述客户构建节点,依据所述客户的特征向量表示构建所述节点的节点特征;第二构建子单元,用于依据所述客户之间的关联关系构建所述节点之间的边,以及构建所述边的边特征;第三构建子单元,用于依据所述节点、所述边、所述节点特征、所述边特征构建所述目标图。

14、进一步地,所述第一计算子单元包括:第一计算模块,用于依据所述第一特征向量的向量维度、所述第二特征向量的向量维度和所述第三特征向量的向量维度计算模型权重,其中,所述模型权重至少包括以下信息:所述第一模型对应的第一权重、所述第二模型对应的第二权重、所述第三模型对应的第三权重;第二计算模块,用于依据所述模型权重对所述第一特征向量、所述第二特征向量和所述第三特征向量进行加权求和计算,得到所述目标客户的交易特征信息。

15、进一步地,所述装置还包括:第一计算单元,用于在依据所述重构特征信息预测所述目标客户的风险信息,得到预测结果之后,计算所述目标客户的交易特征信息与目标对象的交易特征信息之间的关联程度,其中,所述目标对象是存在交易风险的对象;第二计算单元,用于依据所述关联程度、所述误差值和所述目标客户的交易频率计算所述目标客户存在交易风险的概率。

16、进一步地,所述装置还包括:计算单元,用于在依据所述重构特征信息预测所述目标客户的风险信息,得到预测结果之后,采用接收者操作特征曲线算法对所述预测结果进行计算,得到所述目标模型的评价结果;优化单元,用于依据所述评价结果对所述目标模型的模型参数进行优化,得到优化后的目标模型;第二预测单元,用于在接收到风险预测请求时,采用所述优化后的目标模型预测所述目标客户的风险信息。

17、进一步地,所述获取单元包括:获取子单元,用于获取所述目标客户的交易数据,并对所述交易数据进行数据预处理,得到数据集;接收子单元,用于接收所述目标客户的信用评估信息,其中,所述信用评估信息是针对所述目标客户的信用状况进行评估后得到的信息;添加子单元,用于将所述评估信息添加至所述数据集中,得到所述目标交易信息。

18、为了实现上述目的,根据本技术的一个方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述风险信息的检测方法,所述计算机程序被处理器执行时实现本技术各个实施例中所述风险信息的检测方法的步骤。

19、为了实现上述目的,根据本技术的一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机指令,其中,在所述计算机指令被处理器执行时实现上述任意一项所述风险信息的检测方法。

20、为了实现上述目的,根据本技术的一个方面,提供了一种电子设备,包括一个或多个处理器和存储器,存储器用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现上述任意一项所述风险信息的检测方法。

21、通过本技术,采用以下步骤:获取目标客户的目标交易信息,其中,所述目标客户是待检测风险信息的客户;将所述目标交易信息输入目标模型中,提取所述目标客户的交易特征信息,其中,所述目标模型是采用客户的历史交易信息对图神经网络模型进行训练后得到的模型;将所述交易特征信息输入自编码器模型中,重构所述交易特征信息,得到重构特征信息;依据所述重构特征信息预测所述目标客户的风险信息,得到预测结果,其中,所述预测结果用于指示所述目标客户存在交易风险,或者所述目标客户不存在交易风险,解决了相关技术中检测交易信息中的潜在风险信息时,由于数据稀疏和不平衡、复杂的交易关系等原因,导致检测结果的准确度较低的问题。通过训练后的图神经网络提取目标客户的交易特征信息,以及通过自编码器重构特征,能够从客户交易数据中学习和提取有用特征,增强数据的表示能力,从而表示和分析客户交易数据中的复杂图结构,挖掘客户之间的潜在关联和交易模式,有效捕捉和适应交易数据的动态变化和时序依赖,达到了提高目标模型的检测性能,以及提高目标模型的检测结果的准确率的效果。

本文地址:https://www.jishuxx.com/zhuanli/20241106/322026.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。