[发明专利]一种基于复杂社交网络的反欺诈和信用风险预测方法

权利要求书

1.一种基于复杂社交关系网络的反欺诈和信用风险预测方法，其特征在于，包括：

步骤1，获取个人用户信息，每个个人用户为一个个体，社交关系网络中总共包括N个个体；

步骤2，整合关系数据：用图论方法，将步骤1中N个个体中的每个个体抽象为一个顶点，将N个个体中，每两个个体之间的每种关系抽象为一条边；

步骤3，建立关系模型：根据整合的关系数据建立出关系模型邻接矩阵D_ij，邻接矩阵D_ij的顶点为N个，邻接矩阵D_ij的维度为N*N；

步骤4，判断是否有已知欺诈者，如果没有发现欺诈者，执行步骤5，否则，执行步骤6；

步骤5，识别欺诈群体：在已建立的关系模型基础上，通过关系聚集来识别欺诈群体，即根据个体关系计算顶点的度，根据所计算的度定义欺诈群体；

步骤6，欺诈传染识别，若发现欺诈者V_i，则更新社交关系网络中其他用户V_j的欺诈风险；

步骤7，信用风险预测，若发现用户V_i违约，计算用户V_i的违约概率，并根据用户V_i的违约概率重新计算社交关系网络中其他用户V_j的违约概率；

步骤2中顶点的数据集包括顶点编号、顶点属性，顶点属性包括个人姓名、性别、工作单位、毕业院校；

步骤2中由每种关系抽象出的边中包括关系起点编号，关系终点编号，关系类型k，关系类型k的关系权重W_k，关系越强关系权重W_k越小；

步骤3中，邻接矩阵的元素计算公式为：

D_ij＝sum(W_k)

其中，k为顶点i到顶点j的关系类型；

通过IP关系聚集来识别欺诈群体，通过IP关系的欺诈识别步骤具体如下：

(50)以IP_i及社交关系网络中每个个体为顶点，每个个体之间、每个个体与IP之间的关系作为边，建立关系模型邻接矩阵D_ij；

(51)计算顶点IP_i的度D(IP_i)；

(52)定义用户V_i的IP聚集欺诈风险为P(V_i)＝D(IP_j)；

(53)判断D(IP_i)，如果D(IP_i)＞＝X，则与IP_i相关联的群体为高风险疑似欺诈群体，然后进行深入调查和认定，否则，与IP_i相关联的群体不是高风险疑似欺诈群体；

其中，IP_i为第i个顶点的IP地址，IP_j为与V_i关联的IP地址，P(V_i)越大欺诈风险越高，X为用户定义高风险疑似欺诈群体

划分阈值；

步骤6中用户V_j的欺诈风险更新公式为：

R_j＝R_j+1/d(V_j，V_i)

其中，L为V_j到V_i的一条联通路径，L的长度为V_j到V_i的连通路径中各条边的权重和sum(W_k)，W_k属于L上各条边的关系权重，k为连通路径L中的每条边的关系类型，d(V_j，V_i)定义为V_j到V_i之间的最短连通路径的距离，R_j为用户V_j原有的欺诈风险值，未识别出任何欺诈用户初始网络中，用户V_j的欺诈风险R_j＝0；

L、d(V_j，V_i)的计算公式为：

L＝sum(W_k)

d(V_j，V_i)＝min(L)

步骤7中，信用风险值的更新公式为：

P_j＝P_j+1/d(V_j，V_i)

其中，L为V_j到V_i的一条联通路径，L的长度为V_j到V_i的联通路径中各条边的权重和sum(W_k)，W_k属于L上各条边的关系权重，k为联通路径L中的每条边的关系类型，d(V_j，V_i)定义为V_j到V_i之间的最短联通路径的距离，P_j为用户V_j原有的信用风险值，未识别或未计算出任何用户违约风险的初始网络中，用户V_j的信用风险值P_j＝0；L、d(V_j，V_i)的计算公式为：

L＝sum(W_k)

d(V_j，V_i)＝min(L)

复杂关系网络可视化步骤为：

步骤(S1)对步骤2中提取的顶点进行分类及属性定义，按照顶点的不同类型，将顶点进行分类，每一种类型的顶点V_i，定义其展示的属性；

步骤(S2)对步骤2中提取的关系进行分类及属性定义，按照关系的不同类型，将关系进行分类，为每一种类型的关系E_i，定义其展示的属性名称；

步骤(S3)建立关系深度、关系类型、搜索方向调节器，按照关系深度、关系类型、搜索方向的参数选择来展现可视化界面；

步骤(S4)交互式可视化，当设备悬停在顶点时，展现顶点属性信息，实现交互式可视化；步骤(S2)中的属性包括颜色属性、形状属性和大小属性。