[发明专利]数据处理方法、装置、存储介质及电子设备

说明书

本发明实施例提供一种数据处理方法、装置、存储介质及电子设备，该方法包括：获取待检测的订单；基于所述订单中具有相同的属性的订单以及每个属性的权重，获取关联边数据，所述关联边数据包括：具有关联边的两个订单以及所述关联边的权值；基于所述关联边数据以及图连通模型获取初始欺诈群组；基于所述关联边数据以及所述初始欺诈群组，获取目标欺诈群组，利用关联的属性的异常度，获取到高概率的初始欺诈群组，提升了欺诈群组识别的精准度。

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种数据处理方法、装置、存储介质及电子设备。

背景技术

随着互联网的飞速发展，在线的金融申请服务更加普及，典型的金融在线申请服务包括在线申请信用卡、在线申请贷款等。

信用卡欺诈申请是指申请者通过编造虚假个人身份信息、冒用他人身份信息、提供虚假证明材料，欺骗银行发放信用卡或贷款。在我国的行用卡业务中，由于身份欺诈造成的损失在逐年以较快的速度上升，欺诈申请的形势比较严峻。当信用卡欺诈风险产生时，发卡行虽然会及时采取冻结账户、异常交易排查和降低账户额度等多种手段进行管控，但是风险损失已经产生。要遏制住信用卡欺诈风险，预防才是关键。随着目前各个银行信息技术的发展，搭建高效准确的在线申请反欺诈系统是目前业内重点完善的问题。信用卡在线申请欺诈的模式随时间不断演化和发展，随着反欺诈技术的进步，欺诈越来越难以由个体完成，而是通过团伙有组织地进行。

信贷业务是商业银行及互金机构的主要利润来源，对银行和机构的经营举足轻重。在信贷行业，据悉70％以上的风险来自欺诈风险，而欺诈形式多种多样，如身份造假、中介黑产、内外勾结等等。从欺诈主体来看，可以分为第一方欺诈、第二方欺诈、第三方欺诈。第一方欺诈，主要是申请贷款本人恶意骗贷、还款意愿极低、拒绝还款等；第二方欺诈是指内部欺诈或内外勾结；而第三方欺诈主要是盗用冒用他人身份、他人账号以及团伙欺诈等。这其中团伙欺诈已形成一个黑色产业链，黑中介通过购买个人信息、和客户联合等手段进行欺诈。所以，信贷反欺诈就是和欺诈人员斗智斗勇的过程：欺诈分子一直在寻找业务的漏洞，而反欺诈人员则需要在不断变化的漏洞中打上一个个补丁。

目前，机器学习一般可包括：有监督学习，这种方式需要大量人工标注数据来训练检测模型，可用于检测已知的欺诈行为，不能检测未知的欺诈行为。无监督学习，无监督学习可以在损失发生前，提早发现恶意欺诈者。无监督学习的典型处理包括聚类、降维等。聚类是把数据集分成一个个的簇cluster，典型的聚类方法有K-means聚类、DBSCAN聚类等。降维是对数据压缩，典型的方法有主成分分析等。以及半监督学习，半监督学习可以在仅有少量标记样本的情况下，充分利用标记样本中的知识，同时可以发挥无监督学习的主动发现优势。

在对欺诈团伙进行识别时，大多数情况下，采用无监督学习的图数据、聚类以及半监督学习的标签传播(Label Propagation Algorithm,LPA)。

在实现本发明的过程中，发明人发现上述欺诈团伙识别方法至少存在以下技术问题：

基于图数据的连通分量计算方案，需要基于订单之间的属性关联建立关联边，然后进行连通分量计算并输出结果子图。但是连通不一定就是异常。

基于聚类进行欺诈团伙识别的方案，从数据里找出在多个特征上具有强关联和相似性的群组。没有充分发挥业务数据的价值，同时针对大数据的并行聚类处理一般较复杂。

基于欺诈样例进行欺诈标签传播计算，在欺诈样例本身很少的情况下，传播计算所发现的欺诈样例也会比较少，因而无法发现较多的欺诈样例和欺诈团伙。

因此，需要一种新的数据处理方法、装置、电子设备及计算机可读介质。

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