[发明专利]信贷欺诈识别模型构建方法及装置

说明书

本发明提供了一种信贷欺诈识别模型构建方法及装置，该方法包括：根据信贷客户的关系数据构建关系网络，生成网络特征向量并构建第一深度模型；根据所述信贷客户的行为数据构造行为序列，生成行为特征向量并构建第二深度模型；进行特征工程处理以提取出所述信贷客户的属性特征变量、关系特征变量、行为特征变量以及规则变量，并构建宽度模型；将深度模型和宽度模型进行联合训练以构建信贷欺诈识别模型。在本发明中，通过将反欺诈规则、关系网络特征、属性特征、行为特征等融合起来构建欺诈识别模型，对欺诈风险的识别具有更好的适应性和准确。

技术领域

本发明涉及机器学习领域，具体而言，涉及一种信贷欺诈识别模型构建方法及装置。

背景技术

在信贷领域中，欺诈风险是风控管理中的重要内容，随着普惠金融的不断发展，越来越多的机构在不断扩大信贷的业务的同时，欺诈案件也呈现出增长的趋势。传统的欺诈识别方法是风控专家通过制定反欺诈的规则的方法来识别欺诈，但是随着行业的发展，欺诈方式和欺诈手段也在不断的转变。近年来，随着机器学习技术的发展，一些金融机构开始将机器学习引入到欺诈风险识别中，通过监督分类的方法，基于反欺诈规则建立反欺诈模型来识别欺诈风险。

在基于反欺诈规则的欺诈识别方式中，风控专家通过自己的专家经验，制定反欺诈规则，如果信贷申请客户命中规则中的一条或者多条，则将该客户视为欺诈客户。或者构建基于规则特征的欺诈识别模型，通过提取历史客户规则特征和申请信息的特征，构建logistics regression模型，对新的申请客户进行模型评分，得分高的客户即视为欺诈客户。

但是，对于基于反欺诈规则的方式，规则的指定主要依赖于历史数据和专家经验，当欺诈的手段和方式发生改变时，规则就容易实效。并且反欺诈规则在针对已发生过的欺诈案例时比较有效，但是对于新型欺诈方式，往往会显得无能为力。

在基于关系网络的欺诈识别方式中，通过客户间的关联关系(如联系人、亲属、朋友、家庭住址、公司名称、公司地址和公司电话等)构建起客户间的的关系网络，通过可视化的方式，风控人员通过查看关联规则的一致性(如公司电话相同而公司名称不同等规则)等异常点信息，来判别新客户是否欺诈或者是否是团伙欺诈；有机构通过抽取关系网络中客户的一度关系特征、二度关系特征和网络特征(如节点的度数、边介数等)，构建评分模型给客户评分，得分高的客户就判定为欺诈客户；也有机构在关系网络上利用标签传播的算法，依据历史客户的是否欺诈来计算新客户的欺诈风险。

但是，对于基于关系网络的欺诈识别方式，无论是关联规则一致性，还是一度、二段关系特征以及网络特征，都是在关系网络的基础上的基于专家经验的特征提取，存在一定的信息压缩，并且特征的提取也依赖于专家的经验，也无法很好的表达网络的同质性和结构对等性。

发明内容

本发明实施例提供了一种信贷欺诈识别模型构建方法及装置，以至少解决相关技术中基于反欺诈规则或基于关系网络的信贷欺诈识别方式不能有效地进行信贷风险识别的问题。

根据本发明的一个实施例，提供了一种信贷欺诈识别模型构建方法，包括：根据信贷客户的关系数据构建关系网络，并生成网络特征向量，根据所述网络特征向量构建第一深度模型；根据所述信贷客户的行为数据构造行为序列，并生成行为特征向量，根据所述行为特征向量构建第二深度模型；对所述属性数据、关系数据和行为数据进行特征工程处理，以提取出所述信贷客户的属性特征变量、关系特征变量、行为特征变量以及规则变量，并根据所述属性特征变量、关系特征变量、行为特征变量以及规则变量构建宽度模型；将所述第一深度模型、第二深度模型和宽度模型进行联合训练以构建信贷欺诈识别模型。

可选地，根据所述信贷客户的关系数据构建关系网络之前，还包括：获取所述信贷客户的属性数据、关系数据和行为数据。

可选地，其中，采用embedding算法将所述关系网络和行为序列分别转换为所述网络特征向量和行为特征向量。