[发明专利]基于关系网络的欺诈风险识别方法及装置

说明书

本发明公开了基于关系网络的欺诈风险识别方法及装置。识别方法包括：获取申请用户数据；基于所述申请用户数据，构建用户关系网络；计算所述用户关系网络的网络结构指标；基于所述网络结构指标，识别申请用户的欺诈风险。本发明将孤立的用户节点进行关联互通，构造关系网络系统，发现关系网络中的中心节点，将这些被发现的中心节点在业务场景中用于判断中介欺诈风险，并通过节点之间的高危风险标签传播来挖掘潜在的欺诈风险节点，打破的用户孤立评价的壁垒，更全面深入的评价用户申请，从而达到提升欺诈识别率和预测风险的目的。

技术领域

本发明涉及计算机领域，尤其涉及基于关系网络的欺诈风险识别方法及装置。

背景技术

近年随着互联网消费金融的蓬勃发展，人们越来越多的使用线上平台进行业务申请，快捷的操作和简单的流程，使得移动手机作为主要的申请工具成为用户与平台、用户与用户之间的重要媒介。欺诈风险是互联网金融行业面临的主要风险之一，是信贷风险管理的重要环节。在各种识别欺诈风险的过程中，多数传统识别风险的方式都是基于单个用户的申请信息，较为孤立的评价该用户的风险情况，忽略了很多与该用户相关的其他风险情况，许多潜在的风险需要得到更好的评价和识别。申请环节的便利也让许多欺诈群体潜伏在海量客户中，贷款黑中介就属于这种高危群体，他们虽然人数不多，但他们的恶意申请对平台的损失是无法挽回的，极大的干扰了平台的正常运营。

在此背景下，如何识别海量申请客户中的中介群体成为一项重要课题，需要设计一种基于关系网络的欺诈风险识别方法及装置。

现有的做法是积累一些欺诈黑名单或还款表现较差的客户名单，根据这些历史客户在平台的行为数据和第三方征信数据来提取相关的特征，用于建立分类模型来识别新进的客户的风险情况。这种方法的缺点是：(1)当前很多分类模型，像逻辑回归、随机森林等都属于有监督机器学习，这就要求有足够多的学习样本，积累这些样本需要耗费许多时间和成本；(2)由于需要提取新用户特征，如果特征与第三方数据相关，模型运行则需要很大的成本，如果新用户没有相关数据，模型输入项缺失，则准确度会大大下降。

在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

鉴于上述问题，提出了本说明书以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于关系网络的欺诈风险识别方法及装置。

本发明说明书公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

第一方面，本发明说明书提供一种基于关系网络的欺诈风险识别方法，包括：

获取申请用户数据；

基于所述申请用户数据，构建用户关系网络；

计算所述用户关系网络的网络结构指标；

基于所述网络结构指标，识别申请用户的欺诈风险。

在本公开的一种示例性实施例中，所述的基于所述申请用户数据，构建用户关系网络包括：

将各用户设置为所述用户关系网络中的各网络节点；

以各用户之间的联系为所述用户关系网络的各网络节点的边，其中所述各用户之间的联系为任意两用户之间发生互通的关联关系。

在本公开的一种示例性实施例中，所述计算所述用户关系网络的网络结构指标包括：

计算各所述网络节点的中心度。

在本公开的一种示例性实施例中，所述计算所述用户关系网络的网络结构指标还包括：

定义所述用户关系网络的最大中心度；

计算各所述网络节点的相对中心度；