[发明专利]一种反欺诈策略分析方法、服务器、电子设备及存储介质

说明书

本发明实施例提供的一种反欺诈策略分析方法、服务器、电子设备及存储介质，通过反欺诈模型对获取的用户信息进行评分，划分用户欺诈风险等级，而用户信息则通过预先设定的反欺诈矩阵对用户进行分析，其中，反欺诈矩阵包欺诈风险等级和反欺诈规则集。通过反欺诈规则集与反欺诈模型构成的反欺诈矩阵，解决了现有模型存在的没有考虑到一些有显著影响的因素的问题，对于银行、信贷机构，可充分挖掘数据价值，节约数据查询成本，提升欺诈防范响应效率。

技术领域

本发明涉及数据处理领域，具体而言，涉及一种反欺诈策略分析方法、服务器、电子设备及存储介质。

背景技术

评分模型在现在的申请反欺诈中有广泛的应用，在一般的反欺诈策略分析方法中，模型会得到一个评分，根据评分的验证效果，设置一个阈值，评分大于阈值的客户会通过进入下一个审批环节，评分小于阈值的客户会被当做疑似欺诈拒绝。

但在申请反欺诈中单纯地依赖模型评分制定策略，即使模型有着良好的分析指标表现，仍无法避免存在问题：模型是多个变量对全量建模样本综合作用的结果，所有模型算法都是考虑全局最优，现有模型没有考虑到一些有显著影响的因素。

发明内容

有鉴于此，本发明实施例的目的在于提供一种反欺诈策略分析方法、服务器、电子设备及存储介质，以解决上述技术问题。

本发明的实施例是这样实现的：

第一方面，本发明实施例提供了一种反欺诈策略分析方法，包括，获取用户的用户信息；根据用户信息利用预先建立的反欺诈模型进行计算，获得用户对应的欺诈风险等级；根据用户信息利用预先建立的反欺诈策略矩阵对用户进行分析，获得对应的分析结果；其中，反欺诈策略矩阵包括欺诈风险等级和反欺诈规则集。

进一步地，用户信息包括姓名、手机号、身份证号、职业信息、居住地址和联系人信息中的任意一项或其组合。

进一步地，反欺诈策略分析方法还包括，获取多个训练样本，训练样本包括训练用户信息和训练欺诈风险等级；将训练用户信息作为输入，训练欺诈风险等级作为输出，对神经网络进行训练，获得反欺诈模型。

进一步地，根据用户信息及欺诈风险等级利用预先建立的反欺诈策略矩阵对用户进行分析，包括，根据欺诈风险等级对应的分析顺序，将用户信息与反欺诈策略矩阵中的反欺诈规则集进行分析。

进一步地，欺诈风险等级包括，强信任级、弱信任级、中立级、弱质疑级和强质疑级；反欺诈规则集包括，直批规则子集、强信任规则子集、弱信任规则子集、弱质疑规则子集、强质疑规则子集和直拒规则子集；

相应的，根据用户信息及欺诈风险等级利用预先建立的反欺诈策略矩阵对用户进行分析，包括，

若用户为强信任级，则将用户信息与直拒规则子集对比；若用户信息不符合直拒规则子集，则用户信息与强质疑规则子集对比；

若用户为弱信任级，则将用户信息与直拒规则子集对比；若用户信息不符合直拒规则子集，则用户信息与强质疑规则子集对比；若用户信息不符合强质疑规则子集，则用户信息与弱质疑规则子集对比；

若用户为中立级，则将用户信息与直批规则子集对比；若用户信息不符合直批规则子集，则用户信息与直拒规则子集对比；若用户信息不符合直拒规则子集，则用户信息与强质疑规则子集对比；若用户信息不符合强质疑规则子集，则用户信息与强信任规则子集对比；若用户信息不符合强信任规则子集，则用户信息与弱信任规则子集对比；若用户信息不符合弱信任规则子集，则用户信息与弱质疑规则子集对比，获得对应的分析；

若用户为弱质疑级，则将用户信息与直批规则子集对比；若用户信息不符合直批规则子集，则用户信息与强信任规则子集对比；若用户信息不符合强信任规则子集，则用户信息与弱信任规则子集对比；

若用户为强质疑级，则将用户信息与直批规则子集对比；若用户信息不符合直拒规则子集，则用户信息与强信任规则子集对比。