[发明专利]一种基于复杂网络的要素异常结构检测模型构建方法

说明书

本发明公开一种基于复杂网络的要素异常结构检测模型构建方法，主要步骤如下：首先根据依存的银行交易流水，利用抽取的交易关系构建交易关系网络，找出交易的爆发时间区间，以及每个客户的异常值计算；然后，在交易爆发区间内找出可疑的客户并检测出可疑的最大连通子图。本发明提出的方法更加形式化的描述出了各个客户的可疑度，用于检测大型边缘属性的真实世界交易网络的欺诈。该发明从客户节点行为信息中挖掘节点的固有特征，在时间序列上研究节点的行为，更加精确的描述节点的特性，挖掘客户的本质。

技术领域

本发明属于数据挖掘领域，是一种基于复杂网络的要素异常结构检测模型构建方法，然后根据抽取的交易关系构建交易关系网络，根据此网络挖掘交易信息中非法集资的触发事件。

背景技术

银行和保险公司每年因欺诈而损失数十亿美元。欺诈检测的传统方法在减少这些损失方面发挥着重要作用。但欺诈者通过各种复杂的方法来逃避发现，并利用各种其他方式构建虚假身份。虽然欺诈行为的具体细节因操作而异，但下面的模式说明了欺诈集团通常运作方式：(1)两个或两个以上的人组成一个欺诈团；(2)集团共享合法联系信息的子集，例如电话号码和地址，将他们组合在一起创造一些合成身份；(3)集团成员使用这些合成身份开立账户，进行欺诈行为。

而我们利用复杂网络可以挖掘交易的内在动力，在揭示欺诈环和其他复杂骗局的新方法具有高度准确性，能够实时阻止高级欺诈场景。虽然没有任何预防欺诈措施可以做到完美，但可以实现从单个数据点到连接成复杂的交易网，并找出异常子图模式，为之后的异常行为模式分析提供先验知识。通常情况下，这些连接会被忽视。理解数据之间的联系以及从这些链接中获取含义，并非意味着收集新数据，我们可以从现有的数据中获得重要的见解。

利用复杂网络，只需重新构建问题并以新的方式查看：作为网络。与大多数其他查看数据的方式不同，网络旨在表达相关性。复杂网络可以发现使用传统表示难以检测的模式。越来越多的公司正在使用复杂网络来解决问题各种连接数据问题，包括欺诈检测。本发明讨论了欺诈检测中的非法集资行为。

该发明的最终目的即在利用银行海量数据构建的融合多元属性的银行业务交易网络的基础上，通过研究其拓扑结构以及节点属性值完成针对商业银行业务的非法集资行为挖掘，为银行科学制定经营策略提供具有实用性和价值性的意见，具有一定的理论意义和应用价值。

发明内容

本发明主要是在交易网络中挖掘非法集资的团伙，挖掘出集资行为客户间的内在关系，找出其运行的规律。此方法在欺诈的检测中有广泛的应用价值，也可以帮助银行以及客户及时扼制不必要的损失。

本发明的技术方案是一种基于复杂网络的要素异常结构检测模型构建方法,主要分为以下两个过程，首先根据依存的银行交易流水，利用抽取的交易关系构建交易关系网络，找出交易的爆发时间区间，以及每个客户的异常值计算。然后，在交易爆发区间内找出可疑的客户并检测出可疑的最大连通子图(即非法集资的子图)

(1)根据交易关系，包含以下步骤(见图1)：

a.首先对行内数据进行清洗选择，交易关系的抽取，以及交易流水与客户账户信息的对接，最后必须对于那些涉及个人隐私的私密数据要进行筛除脱密处理。

b.其次对真实的交易关系网建模分析，给出模型的非法集资行为的形式化定义G＝(V,E,M,T)，V表示图中的节点集合，节点表行内客户，S表示一个交易子图，E表示图中的边集合，代表客户之间的交易关系，M代表交易的钱数，T表示交易发生的时间。

c.下一步我们引入扫描统计量来计算交易客户节点的可疑度，扫描统计量主要是指在网络环境下的一个数学变量，并且可以应用于检测一个子图上观测到的数据突然增加，其中观测到的数据表示在该子图S上每个节点的观测到的值。由于数据的规律难以观测，我们往往无法找到一个合适的概率模型。针对这样的挑战我们一般使用经验P值，来建模数据的分布。

该客户ν在时间T的经验P值p_T(v),如公式：