[发明专利]一种基于密集子图的银行信用卡反套现方法

说明书

本发明提供一种基于密集子图的银行信用卡反套现方法，该方法包括：构建基于银行资金流水的多分图模型；根据量化套现嫌疑度的密度函数，计算所述多分图模型中每一子图对应的密度值，并搜索所述多分图模型，将密度值最大的子图作为密集子图；根据所述密集子图，输出疑似套现的银行账户。本发明实施例能够从银行资金流水分析商户的信用卡资金流向，发现具有套现嫌疑的对象。当前的信用卡套现呈现集团化发展，而该方法能够侦测团伙套现，并且不需要依靠以往的经验，能够适应各种新的套现模式，具有较高的鲁棒性和适应性。此外，该方法能够增强结果的可解释性。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于密集子图的银行信用卡反套现方法。

背景技术

信用卡套现是指持卡人通过非常规手段将银行授予信用额度内的资金以现金方式套取，期间没有支付银行相关提现费用。银行信用卡以免息周期长、利息成本低等特点成为最佳的套现对象。信用卡套现行为普遍存在且快速发展，呈现集团化、专业化、平台化发展趋势，其套现手法具有多样、隐蔽等特点，这些使得侦测和打击套现的难度非常大。

目前识别信用卡套现有以下几种技术手段。

第一，构建反套现规则库。该方法的特征是通过套现案例分析，基于银行交易流水挖掘用户异常行为模式，从而建立一套识别信用卡套现的规则体系。当交易行为与规则匹配或者触发预设的阈值条件，系统会发出告警。

基于规则库的方法主要缺陷在于反套现规则的建立和维护。套现黑灰产提供的完美账单服务，从交易明细数据看难以发现异常行为。这会导致案例学习难以及规则定义难。此外，反套现规则根据业务类型、信贷类型等场景分别建立特定规则组合，需要专家更新和维护规则库，对领域经验依赖度较大，从而导致该方法的准确度较低。

第二，无监督学习方法。首先，构建交易的特征组合，包括客户属性、商户属性、业务属性、金额属性、交易的时空属性等。然后，准备数据集，包括历史交易流水及其特征。使用无监督学习在数据集上训练得到合法交易行为的模型。模型用于侦测异常交易活动。

无监督学习方法侦测异常交易行为具有两个主要缺陷。首先，模型误报警率较高。该方法的前提假设是历史交易数据大部分是合法交易行为，因此对有别于大多数的交易行为被认为是异常的，但这不一定是套现行为。其次，结果的可解释性差。无法从直观地从结果看异常，需要进一步后验分析。

第三，有监督学习方法。首先，特征工程同无监督学习方法。其次，标注正负样本。对每条历史交易流水按正常交易和欺诈交易进行打标。然后，将数据集用于训练二分类模型，其中部分数据用于泛化性评估。这里使用有监督学习算法，不限于决策树、SVM、ANN等。

有监督学习方法，其效果好坏主要取决于标注样本数据集的完备性。该方法需要对历史交易流水进行打标，即提前知道哪些是套现交易。这样的数据准备是难以实现的。此外，该方法生成的分类模型主要用于已知的套现模式，对于新模式是无法报警的。然而，套现产业化发展，套现模式是不断更新和变化的。

因此，针对现有的银行信用卡反套现方法准确度低、无法适应新模式的问题，亟需一种新的银行信用卡反套现方法。

发明内容

本发明实施例提供一种基于密集子图的银行信用卡反套现方法，用以解决现有技术中准确度低的缺陷。

本发明实施例提供一种基于密集子图的银行信用卡反套现方法，包括：

构建基于银行资金流水的多分图模型；

根据量化套现嫌疑度的密度函数，计算所述多分图模型中每一子图对应的密度值，并搜索所述多分图模型，将密度值最大的子图作为密集子图；

根据所述密集子图，输出疑似套现的银行账户。

根据本发明一个实施例的基于密集子图的银行信用卡反套现方法，所述构建基于银行资金流水的多分图模型，具体包括：