[发明专利]基于贝叶斯网络模型的单终端多用户风控建模方法

说明书

本发明提供了一种基于贝叶斯网络模型的单终端多用户风控建模方法，其特征在于，包括以下步骤：收集未发生任何风险事件的历史时间段内登录当前终端设备的所有帐号的历史行为数据，基于历史行为数据、帐号与帐号之间的组织架构关系以及各个帐号登录当前终端设备的先后顺序利用决策树模型计算账号与账号之间的亲密关系；建立复杂网络模型；当复杂网络模型中的某一个节点发生了高风险情景时，将复杂网络模型视为一个贝叶斯网络，从而实时判定出各个其他帐号的风险。

技术领域

本发明涉及一种用于对多个账户登录同一个终端设备的风险进行控制的方法。

背景技术

在企业应用中，由于很多设备是企业采购的企业固定资产，因此大多数的情况下设备耦合并不能代表风险的关联。比如在银行中，好几个柜员共同使用一台设备。对于上述情况，通常利用诸如基于逻辑回归、决策树和人工神经网络的风控模型进行风险监测，但上述风控模型都是批量执行、批量判断的模型，不能做到实时监测。

事实上，即使技术上能实现利用上述风控模型进行实时监测，在实际应用中，也无法使用基于逻辑回归、决策树和人工神经网络的风控模型对单终端多用户场景进行有效的风控。如果模型的参数较为稳定，即需要改变一个或几个参数的估计值，可能需要大量的新数据去影响模型的结果，则无法对出现的风险进行实时的判别，从而无法防止风险。如果模型的参数较为不稳定，即很少的数据就可以改变模型的一个或几个参数的估计值，则很容易造成模型的欠拟合。

总结来说，基于传统的逻辑回归、决策树和人工神经网络的风控模型在实时监测场景中缺乏“弹性”，即无法根据高效及时的响应数据的实时变化。

发明内容

本发明的目的是：实现对多个账户登录同一个终端设备的风险的实时监测。

为了达到上述目的，本发明的技术方案是提供了一种基于贝叶斯网络模型的单终端多用户风控建模方法，其特征在于，包括以下步骤：

步骤1、收集未发生任何风险事件的历史时间段内登录当前终端设备的所有帐号的历史行为数据，基于历史行为数据、帐号与帐号之间的组织架构关系以及各个帐号登录当前终端设备的先后顺序利用决策树模型计算账号与账号之间的亲密关系；

步骤2、根据上一步得到的账号与账号之间的亲密关系建立复杂网络模型，在复杂网络模型中，每个帐号为一个节点，存在联系的节点之间通过连线相连，连线的长短则表示节点之间的亲密程度，连线越短则节点之间越亲密；

步骤4、当复杂网络模型中的某一个节点发生了高风险情景时，将复杂网络模型视为一个贝叶斯网络，从而实时判定出各个其他帐号的风险，设复杂网络模型中第i个节点所对应的帐号发生了高风险情景，则依据贝叶斯网络其他节点发生风险情景的概率相应增大，概率增大的幅度与当前节点和第i个节点之间的连线的长短成正比，即连线长度越长，则概率增大的幅度越大。

优选地，步骤4中，当复杂网络模型中n个节点，n≥2，发生了高风险情景时，则依据贝叶斯网络其他节点发生风险情景的概率由发生高风险情景的节点所引起的发生风险情景的概率叠加而成。

本发明的优点是：解决了传统模型无法解决的实时动态的风险监测。传统模型由于不是实时监控的，所以要么欠拟合，要么过拟合，而且对情况的应变能力不足。

附图说明

图1为复杂网络模型示意图；

图2为贝叶斯网络模型示意图；

图3为亲密关系示意图；

图4为基于图3的复杂网络示意图；

图5为基于图4的风控示意图。

具体实施方式