一种提高涉诈银行卡检出率的方法技术

本发明专利技术提供了一种提高涉诈银行卡检出率的方法，其特征在于融合了银行内部数据特征和腾讯互联网侧的风险行为特征，通过对信息流和资金流数据特征的融合学习，实现联合建模，提升模型性能，实现有效提高模型对欺诈银行卡的检测准确性和覆盖率；对高风险客户进行实时管控，将中低风险客户进行实时监控

【技术实现步骤摘要】
一种提高涉诈银行卡检出率的方法、系统及存储介质


[0001]本专利技术涉及金融交易安全防御系统领域，更具体的说涉及一种提高涉诈银行卡检出率的方法
、
系统及存储介质
。

技术介绍

[0002]传统专家规则模型用于判断涉诈账号应用存在一些缺点或不足，因为人工设定的规则主观性较强，导致生成的灰名单误杀率非常高，最终导致来自客户的高投诉率；经过肉眼可以找到的规则非常有限，导致生成的灰名单高达百万户，数量巨大，增加高风险客户的管控难度，除此之外还存在如下问题：
[0003]1.
依赖人工定义规则：传统专家规则模型需要依靠人工定义规则来判断涉诈账号应用的存在
。
这意味着需要专家团队花费大量时间和精力来收集
、
整理和更新规则
。
然而，随着技术和社会环境的不断变化，新的欺诈手段和模式不断出现，传统规则模型可能无法及时适应和捕捉到这些新形式的欺诈
。
[0004]2.
缺乏灵活性和自适应性：传统专家规则模型通常是静态的，无法根据新的数据和情况进行自适应调整
。
当面临未知的欺诈模式或者新的特征时，传统规则模型可能无法准确地识别涉诈账号应用，导致漏报或误报的情况发生
。
[0005]3.
高度依赖领域专家：传统专家规则模型需要领域专家具备深入的领域知识和经验，才能制定有效的规则
。
这限制了模型的可扩展性和适用范围，因为寻找合适的专家并与其合作可能是一项耗时且昂贵的任务
。
[0006]4.
难以处理复杂关系和模式：涉诈账号应用的欺诈行为往往涉及复杂的关系和模式，传统专家规则模型可能无法捕捉到这些复杂性
。
例如，欺诈者可能使用多个账号进行协同作业，通过分散风险和模糊行为模式来规避规则检测
。
[0007]5.
容易受到对抗性攻击：传统专家规则模型容易受到对抗性攻击的影响
。
欺诈者可以有意地设计欺诈行为，以绕过已知的规则和模型，从而使其欺诈行为不被检测到
。

技术实现思路

[0008]本专利技术所要解决的技术问题是如何综合利用已有模型能力，提高对涉诈银行卡的检出率和降低误报概率
。
[0009]为了解决以上问题本专利技术提供了一种提高涉诈银行卡检出率的方法，其特征在于融合了银行内部数据特征和腾讯互联网侧的风险行为特征，通过对信息流和资金流数据特征的融合学习，实现联合建模，提升模型性能，实现有效提高模型对欺诈银行卡的检测准确性和覆盖率；对高风险客户进行实时管控，将中低风险客户进行实时监控
。
[0010]所述的提高涉诈银行卡检出率的方法，其特征在于在联合建模中，首先需要对银行内部数据和腾讯互联网侧的风险行为特征进行预处理和整合，包括数据清洗
、
特征选择和特征工程步骤；接下来，使用机器学习方法或深度学习方法进行联合建模，包括将银行内部数据特征和腾讯互联网侧的风险行为特征进行特征融合，采用集成学习或堆叠模型以构
建一个综合考虑两方面信息的模型
。
[0011]所述的提高涉诈银行卡检出率的方法，其特征在于在模型训练过程中，采用监督学习的方式，使用已知的欺诈银行卡样本和正常银行卡样本进行训练；通过优化模型参数，使其能够准确地区分欺诈银行卡和正常银行卡；使用交叉验证等技术来评估模型的性能，并进行模型调优
。
[0012]所述的提高涉诈银行卡检出率的方法，其特征在于所述腾讯互联网侧的风险行为特征通过对银行卡持有人在各个数据源进行特征刻画，形成银行卡参与跑分租售卡风险行为画像；通过对参与参与跑分租售卡银行卡的黑样本分析，挖掘在他们在职业
、
年龄
、
地理位置
、
交易习惯
、
交易频次
、
投资喜好
、
兼职倾向等维度的特征，从当前银行卡状态
、
接触通路
、
沟通渠道
、
人物画像等多维度角度全方面捕捉银行卡参与跑分租售卡的风险行为和概率，从而提供对银行卡涉诈租卡评分的风险评估
。
[0013]所述的提高涉诈银行卡检出率的方法，其特征在于所述银行内部数据特征通过银行卡的交易流水的转账方向
、
交易摘要和长摘要中的关键信息
、
交易金额分段情况，向上抽象成为分散有限的交易模式
。
[0014]所述的提高涉诈银行卡检出率的方法，其特征在于在于行内交易流水特征挖掘中，利用转入传出频次
、
金额
、
对手数等统计型特征，还基于银行卡的交易模式构建时序行为，并使用
NLP
的
Word2Vec
算法将交易模式中涉及的文本信息转化为机器可以识别的词向量特征，通过结合传统统计型特征和文本词向量特征构建分类模型，使模型对流水数据的特征捕捉更加丰富细腻，从而极大地提高模型的性能
。
[0015]所述的提高涉诈银行卡检出率的方法，其特征在于在于采用基于时间序列的思想构建时序行为；增加交易发生的时间顺序
、
间隔，以及相邻交易之间的关系特征；将交易模式中的文本信息转化为机器可以理解的词向量特征，可实现捕捉到不同渠道之间的语义关系和相似性；通过将文本信息转化为词向量特征，可以将自然语言处理的技术引入到流水数据的分析中，进一步丰富了特征表示的维度
。
[0016]所述的提高涉诈银行卡检出率的方法，其特征在于对银行卡提取最近
50
次交易流水，形成长度为
50
的交易模板序列；通过
Word2Vec
深度学习方法，学习交易模式中的共线性和顺序性，得到每个交易模式的向量表达
。
将银行卡最近
50
次交易模板的向量进行求平均值
、
求和，得到银行卡资金流序列特征
。
[0017]一种系统，其特征在于，采用了所述的提高涉诈银行卡检出率的方法实现
。
[0018]一种计算机可读存储介质，其特征在于，可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行所述的提高涉诈银行卡检出率的方法
。
[0019]实施本专利技术具有如下有益效果：结合风险分
+
行内数据，进一步对数据进行特征提取和联合建模，提高覆盖率
、
缩小误报数据范围
。
对高风险客户进行实时管控，并将“黑卡画像联合建模”中低风险客群引入实时监控策略，进一步减少管控数据量，增加管控精准
。
附图说明
[0020]图1是提高涉诈银行卡检出率的系统实现框图
。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种提高涉诈银行卡检出率的方法，其特征在于融合了银行内部数据特征和腾讯互联网侧的风险行为特征，通过对信息流和资金流数据特征的融合学习，实现联合建模，提升模型性能，实现有效提高模型对欺诈银行卡的检测准确性和覆盖率；对高风险客户进行实时管控，将中低风险客户进行实时监控
。2.
根据权利要求1所述的提高涉诈银行卡检出率的方法，其特征在于在联合建模中，首先需要对银行内部数据和腾讯互联网侧的风险行为特征进行预处理和整合，包括数据清洗
、
特征选择和特征工程步骤；接下来，使用机器学习方法或深度学习方法进行联合建模，包括将银行内部数据特征和腾讯互联网侧的风险行为特征进行特征融合，采用集成学习或堆叠模型以构建一个综合考虑两方面信息的模型
。3.
根据权利要求2所述的提高涉诈银行卡检出率的方法，其特征在于在模型训练过程中，采用监督学习的方式，使用已知的欺诈银行卡样本和正常银行卡样本进行训练；通过优化模型参数，使其能够准确地区分欺诈银行卡和正常银行卡；使用交叉验证等技术来评估模型的性能，并进行模型调优
。4.
根据权利要求3所述的提高涉诈银行卡检出率的方法，其特征在于所述腾讯互联网侧的风险行为特征通过对银行卡持有人在各个数据源进行特征刻画，形成银行卡参与跑分租售卡风险行为画像；通过对参与参与跑分租售卡银行卡的黑样本分析，挖掘在他们在职业
、
年龄
、
地理位置
、
交易习惯
、
交易频次
、
投资喜好
、
兼职倾向等维度的特征，从当前银行卡状态
、
接触通路
、
沟通渠道
、
人物画像等多维度角度全方面捕捉银行卡参与跑分租售卡的风险行为和概率，从而提供对银行卡涉诈租卡评分的风险评估
。5.
根据权利要求4所述的提高涉诈银行卡检出率的方法，其特征在于所述银行内部数据特征通过银行卡的交易流水的转账方向
、

【专利技术属性】
技术研发人员：秦思佳，
申请(专利权)人：中国农业银行股份有限公司深圳市分行，
类型：发明
国别省市：