[发明专利]基于互联网数据的金融欺诈行为的识别方法

说明书

本发明涉及基于互联网数据的金融欺诈行为的识别方法，包括：A.对互联网上的数据进行实时采集，至少包括新闻门户网站、金融论坛和金融社区的数据；B.对采集的数据进行清洗，将异构多源的脏数据进行归一化处理，得到结构化数据；C.通过基于深度学习的情感分析方法，识别出所述结构化数据中的负面舆情；D.根据配置信息计算舆情指数；E.根据舆情指数识别互联网上的金融欺诈行为，并进行预警。本发明能够在不优化智能化配置的前提下，对互联网上的公开网站、社区、论坛等进行实时监控，对其中的金融欺诈行为第一时间进行预警，并且通过配置监控的内容，能够对不同领域、不同平台进行监控和金融欺诈行为的识别。

技术领域

本发明涉及金融欺诈行为的识别方法，具体讲是基于互联网数据的金融欺诈行为的识别方法。

背景技术

在合规监管的当前时期，消费金融从业机构面临着新的机遇与挑战，包括如何实现从野蛮扩张阶段到稳健发展阶段的平稳过渡，如何面临正常客户消费降级及信贷客户严重多头等，都是消费金融机构不可回避的难题。基于这种行业背景，需全面把握银行风险，从而构建有效预警系统，以便减小风险，避免危机发生。

现有对金融欺诈识别的方法一般是针对欺诈后进行处理，而这样既不能预防欺诈发生，相对欺诈发生后的反应也较慢，往往造成重大的损失。也有在金融欺诈发生时，通过识别身份方面做欺诈行为识别、通过识别用户的指纹等信息，也能有效的识别出部分欺诈行为。但上述的两种方式都不能对突发的薅羊毛式的黑产进行识别，当系统出现突发问题或者其他漏洞时，不法分子借助系统漏洞对系统进行攻击，往往会造成很大的损失。

发明内容

本发明提供了一种基于互联网数据的金融欺诈行为的识别方法，通过对互联网上存在的欺诈行为进行监控，及时的对网络社区或论坛中存在的中介攻击、黑产攻击等进行预警。

本发明基于互联网数据的金融欺诈行为的识别方法，包括：

A．对互联网上的数据进行实时采集，至少包括新闻门户网站、金融论坛和金融社区的数据；

B．对采集的数据进行清洗，将异构多源的脏数据进行归一化处理，得到结构化数据；所述的结构化数据即为关系模型数据。

C．通过基于深度学习的情感分析方法，识别出所述结构化数据中的负面舆情。传统的情感分析技术是使用SVM、CRF等传统机器学习算法根据手工标注情感特征对文本情感进行分析，但是有监督学习依赖于大量人工标注的数据，使得基于有监督学习的系统需要付出很高的标注代价。而基于深度学习的情感分析方法，是采用递归神经网络来发现与任务相关的特征，避免依赖于具体任务的人工特征设计，并根据句子词语间前后的关联性引入情感极性转移模型加强对文本关联性的捕获。基于深度学习的方法在性能上与当前采用手工标注情感特征的方法相当，但节省了大量人工标注的工作量。在现有技术中，基于深度学习的情感分析方法已有大量的公开文献，例如专利申请号为201711417352.7、201811617266.5、201810290094.9等多件公开专利申请文件，并且基于深度学习也是一种成熟的情感分析方式，该方法不是本发明的创新点所在，在此不做详述。

D．根据配置信息计算舆情指数，实现了不同类型的舆情指数的计算，如欺诈攻击指数、平台暴雷指数、黑产动态指数等；

E．根据舆情指数识别互联网上的金融欺诈行为，并进行预警，将该金融欺诈行为通知给相关管理人员，从而采取适当手段，及时制止欺诈行为的发生。

本发明的识别方法是通过对外部爬取公开的互联网数据来进行实时监控，并生成对应的舆情指数，当舆情指数异常时进行实时预警通知，实现了黑产攻击识别、暴雷舆情监控、欺诈攻击指数计算等功能。通过实时预警不仅能够提前预知风险，更能够提前采取措施，调整策略，将损失降至最低。