本公开提供了一种欺诈风险检测方法，涉及人工智能技术领域。该方法包括：对待检测交易构建交易关联图，其中，所述交易关联图通过该笔交易的客户节点、事件节点和关联实体节点中至少两类节点构建；将所述交易关联图和负样本池中的N个负样本输入至风险检测模型，其中，所述负样本包括基于历史交易数据构建的风险交易关联图，所述风险检测模型包括基于图神经网络预先训练的端到端模型；利用所述风险检测模型计算所述交易关联图与所述N个负样本中每个负样本之间的相似度；根据所述风险检测模型计算的相似度结果进行风险检测。本公开还提供了一种欺诈风险检测装置、设备、存储介质和程序产品。产品。产品。
【技术实现步骤摘要】
欺诈风险检测方法、装置、设备和介质
[0001]本公开涉及人工智能
，更具体地，涉及一种欺诈风险检测方法、装置、设备、介质和程序产品。
技术介绍
[0002]金融欺诈包括以非法占有为目的，采用虚构事实或者隐瞒事实真相的方法，骗取公私财物或者金融机构信用，破坏金融管理秩序的行为。随着大数据技术与互联网金融的快速发展，金融欺诈的手段更多更隐蔽，这些欺诈风险不但给金融机构带来了直接的经济损失，同时的造成了极其严重的声誉损失。
[0003]相关技术中，存在以黑白名单、规则策略或人工智能技术为基础展开的金融欺诈分线检测方案，但是现有的检测方案关注单条交易的风险，忽略了交易与交易之间的相关性，无法及时检测出未知类型的欺诈交易。
技术实现思路
[0004]鉴于上述问题，本公开提供了一种欺诈风险检测方法、装置、设备、介质和程序产品。
[0005]本公开实施例的一个方面，提供了一种欺诈风险检测方法，包括：对待检测交易构建交易关联图，其中，所述交易关联图通过该笔交易的客户节点、事件节点和关联实体节点中至少两类节点构建；将所述交易关联图和负样本池中的N个负样本输入至风险检测模型，其中，所述负样本包括基于历史交易数据构建的风险交易关联图，所述风险检测模型包括基于图神经网络预先训练的端到端模型；利用所述风险检测模型计算所述交易关联图与所述N个负样本中每个负样本之间的相似度，N大于或等于1；根据所述风险检测模型计算的相似度结果进行风险检测。
[0006]根据本公开的实施例，所述对待检测交易构建交易关联图包括：根据所述至少两类节点中各节点之间的关系链构建交易关系构图；将所述交易关系构图转换为二部图形式，得到所述交易关联图。
[0007]根据本公开的实施例，所述方法还包括预先获得所述负样本，具体包括：基于历史交易数据构建历史交易关联图，其中，所述历史交易关联图通过历史上各笔交易的客户节点、事件节点和关联实体节点中至少两类节点构建；确定所述历史交易关联图中的M个风险节点，其中，所述风险节点包括所述至少两类节点中涉及风险交易的节点，M大于或等于1；根据所述M个风险节点从所述历史交易关联图中获得至少一个所述负样本。
[0008]根据本公开的实施例，所述获得至少一个所述负样本包括：将所述M个风险节点作为M个种子，计算其中每个种子的局部社区；根据所述每个种子的局部社区获得至少一个所述负样本。
[0009]根据本公开的实施例，所述风险交易关联图包括风险社区图，所述获得至少一个所述负样本还包括：根据S条合并规则将所述每个种子的局部社区剪枝处理，得到的至少一
个所述风险社区图，其中，所述剪枝处理包括将符合任一条合并规则的至少两个局部社区合并，S大于或等于1；根据所述风险社区图获得所述负样本。
[0010]根据本公开的实施例，所述方法还包括预先训练所述风险检测模型，具体包括：从所述历史交易关联图中获得K个正样本，其中每个正样本包括所述历史交易关联图中不涉及所述风险节点的局部图，K大于或等于1；利用所述K个正样本和所述N个负样本训练所述风险检测模型。
[0011]根据本公开的实施例，所述风险检测模型包括图向量化层、张量网络层和相似度计算层，训练所述风险检测模型包括：同时训练所述图向量化层、张量网络层和相似度计算层，得到端到端的所述风险检测模型。
[0012]根据本公开的实施例，其中：所述图向量化层用于利用所述图神经网络获得各个训练样本的向量化特征，所述训练样本包括所述正样本或所述负样本；所述张量网络层用于处理来自所述图向量化层的向量化特征，所述张量网络层被配置为在训练过程中学习图与图之间的关系；所述相似度计算层用于根据所述张量网络层的输出结果计算每对所述训练样本之间的相似度。
[0013]根据本公开的实施例，所述方法还包括：若所述待检测交易为风险交易，将所述交易关联图更新至所述负样本池中作为新的负样本。
[0014]根据本公开的实施例，所述根据所述风险检测模型计算的相似度结果进行风险检测包括：在所述相似度结果位于第一阈值区间时，确定所述待检测交易无风险；和/或在所述相似度结果位于第二阈值区间时，确定所述待检测交易有风险；和/或在所述相似度结果位于第三阈值区间时，对所述待检测交易进行人工判断，或基于预设检测策略进行风险检测，所述预设检测策略包括根据所述待检测交易的业务预先定义的至少一条检测规则。
[0015]本公开实施例的另一方面提供了一种欺诈风险检测装置，包括：图构建模块，用于对待检测交易构建交易关联图，其中，所述交易关联图通过该笔交易的客户节点、事件节点和关联实体节点中至少两类节点构建；模型输入模块，用于将所述交易关联图和负样本池中的N个负样本输入至风险检测模型，其中，所述负样本包括基于历史交易数据构建的风险交易关联图，所述风险检测模型包括基于图神经网络预先训练的端到端模型；相似度计算模块，用于利用所述风险检测模型计算所述交易关联图与所述N个负样本中每个负样本之间的相似度，N大于或等于1；风险检测模块，用于根据所述风险检测模型计算的相似度结果进行风险检测。
[0016]所述装置包括分别用于执行如上所述任意一项所述的方法的各个步骤的模块。
[0017]本公开实施例的另一方面提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行如上所述的方法。
[0018]本公开实施例的另一方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如上所述的方法。
[0019]本公开实施例的另一方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上所述的方法。
[0020]上述一个或多个实施例具有如下有益效果：从提高识别准确率与效率的角度提出了基于图神经网络的端到端的风险检测模型。利用客户节点、事件节点和关联实体节点可
以构建包括交易对象和交易行为两个角度的交易关联图，并利用风险检测模型计算待检测交易的图数据与各个负样本之间的相似度结果，能够提高金融欺诈风险检测的准确率和实时性。即使出现了新型的欺诈手段，但是涉及的某些节点可能是不变的，通过计算图相似度的方式能够及时发现。
附图说明
[0021]通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
[0022]图1示意性示出了根据本公开实施例的欺诈风险检测方法的应用场景图；
[0023]图2示意性示出了根据本公开实施例的欺诈风险检测方法的流程图；
[0024]图3示意性示出了根据本公开实施例的构建交易关联图的流程图；
[0025]图4示意性示出了根据本公开实施例的基于关系链确定邻居节点的示意图；
[0026]图5示意性示出了根据本公开实施例的二部图形式的交易关联图；
[0027]图6示意性示出了根据本公开实施例的预先获得负样本本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种欺诈风险检测方法，包括：对待检测交易构建交易关联图，其中，所述交易关联图通过该笔交易的客户节点、事件节点和关联实体节点中至少两类节点构建；将所述交易关联图和负样本池中的N个负样本输入至风险检测模型，其中，所述负样本包括基于历史交易数据构建的风险交易关联图，所述风险检测模型包括基于图神经网络预先训练的端到端模型；利用所述风险检测模型计算所述交易关联图与所述N个负样本中每个负样本之间的相似度，N大于或等于1；根据所述风险检测模型计算的相似度结果进行风险检测。2.根据权利要求1所述的方法，其中，所述对待检测交易构建交易关联图包括：根据所述至少两类节点中各节点之间的关系链构建交易关系构图；将所述交易关系构图转换为二部图形式，得到所述交易关联图。3.根据权利要求1所述的方法，其中，所述方法还包括预先获得所述负样本，具体包括：基于历史交易数据构建历史交易关联图，其中，所述历史交易关联图通过历史上各笔交易的客户节点、事件节点和关联实体节点中至少两类节点构建；确定所述历史交易关联图中的M个风险节点，其中，所述风险节点包括所述至少两类节点中涉及风险交易的节点，M大于或等于1；根据所述M个风险节点从所述历史交易关联图中获得至少一个所述负样本。4.根据权利要求3所述的方法，其中，所述获得至少一个所述负样本包括：将所述M个风险节点作为M个种子，计算其中每个种子的局部社区；根据所述每个种子的局部社区获得至少一个所述负样本。5.根据权利要求4所述的方法，其中，所述风险交易关联图包括风险社区图，所述获得至少一个所述负样本还包括：根据S条合并规则将所述每个种子的局部社区剪枝处理，得到的至少一个所述风险社区图，其中，所述剪枝处理包括将符合任一条合并规则的至少两个局部社区合并，S大于或等于1；根据所述风险社区图获得所述负样本。6.根据权利要求5所述的方法，其中，所述方法还包括预先训练所述风险检测模型，具体包括：从所述历史交易关联图中获得K个正样本，其中每个正样本包括所述历史交易关联图中不涉及所述风险节点的局部图，K大于或等于1；利用所述K个正样本和所述N个负样本训练所述风险检测模型。7.根据权利要求6所述的方法，其中，所述风险检测模型包括图向量化层、张量网络层和相似度计算层，训练所述风险检测模型包括：同时训练所述图向量化层、...
【专利技术属性】
技术研发人员：陈强，杨晓烨，李弘宇，陶俊宇，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。