[发明专利]一种反洗钱监控方法、装置、设备及存储介质

说明书

本发明公开了一种反洗钱监控方法、装置、设备及存储介质。该方法包括：获取目标域样本集；将所述目标域样本集输入所述目标反洗钱监控模型，得到所述目标域样本集对应的目标标签信息，所述目标反洗钱监控模型包括：第一反洗钱监控模型和第二反洗钱监控模型，所述第一反洗钱监控模型根据风险提示信息建立，所述第二反洗钱监控模型通过所述目标域样本集和源域样本集迭代训练神经网络模型得到，通过本发明的技术方案，解决训练成本高，训练数据少且规模小的问题，能够提升反洗钱监控的准确性。

技术领域

本发明实施例涉及金融风险评估技术领域，尤其涉及一种反洗钱监控方法、装置、设备及存储介质。

背景技术

金融领域的反洗钱工作是一类业务复杂的机器学习应用场景，常面临数据规模小、样本少的问题。在跨机构、跨地域合作的场景下，又存在特征差异大、数据分布偏移等特点。这些问题导致模型直接复用将不满足传统机器学习对于建模数据独立同分布的首要条件。

目前风险监测方案为：自定义规则，业务专家通过研究我国金融监管要求，分析基于实际业务场景的历史数据特征，挖掘出具有价值的线索和风险疑点，并以风险识别为核心，自定义一系列可量化的可疑监测规则。从而满足对风险场景的甄别，并根据监管风险提示和金融行业，及时扩展和调整监测规则。这种被称为自定义规则，在风险监测中运用广泛。

现有的传统自定义规则，主要通过专业人员凭借经验对模型进行评估，人工手工配置模型规则，这种方式存在较大缺点，1、需要投入大量的人力与时间。2、人工配置是在预判了可能的风险方向的前提下设计规则模型，可能存在规则疏漏，不够准确全面，从而无法精确定义用户特征。考虑到上述问题，有部分研究人员将机器学习的方法引入到客户风险识别中，通过模型训练获得规则模型。然而，对于现存的模型训练方法，通常需要对大量数据进行训练，训练数据欠缺预筛选，导致训练成本较高。且因其特殊的业务场景，常面临样本数据少且规模小的问题，使得机器学习算法因缺少训练数据而无法获得精准反映特征的模型，且不同监测模型学习中，存在数据分布偏移的特点，无法满足传统机器学习要求独立同分布的建模条件。

发明内容

本发明实施例提供一种反洗钱监控方法、装置、设备及存储介质，以解决训练成本高，训练数据少且规模小的问题，能够提升反洗钱监控的准确性。

第一方面，本发明实施例提供了一种反洗钱监控方法，包括：获取目标域样本集；

将所述目标域样本集输入所述目标反洗钱监控模型，得到所述目标域样本集对应的目标标签信息，所述目标反洗钱监控模型包括：第一反洗钱监控模型和第二反洗钱监控模型，所述第一反洗钱监控模型根据风险提示信息建立，所述第二反洗钱监控模型通过所述目标域样本集和源域样本集迭代训练神经网络模型得到。

进一步的，所述第一反洗钱监控模型根据风险提示信息建立，包括：

获取风险提示信息；

根据所述风险提示信息确定目标规则；

根据所述目标规则建立第一反洗钱监控模型。

进一步的，所述目标域样本包括：第一交易信息、第一客户信息和第一账户信息；

相应的，通过所述目标域样本集和源域样本集迭代训练神经网络模型得到第二反洗钱监控模型，包括：

获取源域样本集，其中，所述源域样本包括：第二交易信息、第二客户信息和第二账户信息；

对所述第一交易信息、第一客户信息和第一账户信息各自进行归一化处理后进行拼接，得到目标域特征向量；

对所述第二交易信息、第二客户信息和第二账户信息各自进行归一化处理后进行拼接，得到源域特征向量；

将所述目标域特征向量输入零包贩毒监测模型，得到第一标签信息；