[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

说明书

本发明公开了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，本方案中对人与人之间存在的复杂社交关系，如亲戚关系、朋友关系、同事关系等进行整合并建立数学模型，从而根据复杂社交网络识别和预测客户的欺诈风险、信用风险。此方案在提升欺诈识别率和信用风险预测准确率的同时，还能实现复杂的社交网络以可视化展现出来，有助于我们深入理解和分析复杂网络。

技术领域

本发明涉及数据挖掘技术，具体涉及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。

背景技术

随着社会的发展，人与人之间的社交关系越来越复杂，很多人之间看似没有联系，实际上却有一些社交关系，如亲戚关系、朋友关系、同事、同学、业务合作关系、资金往来关系、社交工具联系关系等，如何对复杂社会网络关系进行整合并建立数学模型，如何实现复杂社交网络的可视化方法成为困难。

现有的社交网络运用，往往是基于简单关系的社交网络而进行，这类社交网络的运用过程中，往往是针对社交网络中个体的某些特征，先找到一些群体的相似性，然后根据相似性划分群体。在简单的社交网络中，将每个个体单一地划分为某一个群体，对人与人之间的关系挖掘不够广泛、完整，因此，根据简单社交网络做出的预测也不够准确。

此外，单一网络关系的可视化往往比较容易，但在复杂关系网络中，顶点与顶点直接存在复杂的多重关系，如亲戚关系、朋友关系、同事关系、校友关系、相同的IP申请渠道等等,顶点的属性有多种，如若顶点为贷款客户时，他的信用评价信息、贷款信息等属性信息，如何清晰地通过可视化方法进行关系网络展现是一个困难点，现有的风险预测模型不够直观显示出风险类型。

发明内容

本发明的目的在于：针对上述在简单的社交网络中，将每个个体划分为单一的群体，对人与人之间的关系挖掘不够广泛、完整，根据简单社交网络做出的预测不够准确的问题，本发明提出一种基于复杂社交网络的反欺诈和信用风险预测方法。

本发明采用的技术方案为：

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，包括：

步骤1，获取个人用户信息，每个个人用户为一个个体，社交网络关系中总共包括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,邻接矩阵的顶点为N个，邻接矩阵的维度为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。

所述的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，步骤2中顶点的数据集包括顶点编号、顶点属性。

所述的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，步骤2中，顶点属性包括个人姓名、性别、工作单位、毕业院校。