一种跨域数据融合的反洗钱风险客户智能识别方法及系统技术方案

技术编号：40420663 阅读：6 留言：0更新日期：2024-02-20 22:39

本发明专利技术公开了一种跨域数据融合的反洗钱风险客户智能识别方法及系统，涉及智慧金融技术领域。本发明专利技术提出了一项融合了RPA技术、DIKW层次结构模型和隐私计算数据处理技术的新反洗钱风险客户智能识别技术。本发明专利技术构建的洗钱风险评估模型钱风险评估模型以DIKW图谱结构为基础，DIKW图谱模型分为“数据‑信息‑知识‑智慧”层次，将反洗钱过程中所涉及的关键元素数据进行结构化与非结构化处理，并通过建立多层行为意图验证链的方式引入多维度数据作为客户行为意图合理性的判定依据，构建了不同层次图谱，加强反洗钱判别工作的系统性和确定性。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及智慧金融，特别涉及一种跨域数据融合的反洗钱风险客户智能识别方法及系统。

技术介绍

1、随着全球金融业务的增长，洗钱活动日益猖獗，传统的反洗钱手段依赖于员工手工操作和经验规则配置，效率低下且容易出错，已经无法满足日益扩大化的洗钱监测和预防需求。金融交易数据量的不断增多和洗钱手段的快速更新为现有反洗钱识别工作提出了新的挑战，反洗钱工作目前仍有以下几个技术难点：

2、一是反洗钱客户信息不丰富。随着犯罪分子洗钱技术、隐蔽手段和反侦察能力的提高，仅由单一数据来源提供的信息已不足以支持反洗钱行为的精准识别和定位。传统流程中，需由人工对分散于各系统模块数据(如存款、贷款、信用卡等)和外部公开信息(如企业工商信息、失信执行人信息等)进行查询和处理，对于非公开重要数据(如税务、房产、车辆信息等)无法获取。对于暂时被判别为“非可疑”的客户，由于缺乏新的信息熵增长点，重检时大概率会得出相同结论，从而无法真正识别风险客户。

3、二是反洗钱评估模型不智能。犯罪洗钱手法更新快、变化大，有极强的地域特性，原有的反洗钱模型如“区域制毒洗钱模型”、“数币洗钱模型”、“异常存取现金模型”等，通常较于依赖经验知识和专家规则。但由于特色专家模型具有规模小、独立性强、针对性强、滞后性高等特点，可能导致同一客户在不同模型中得出的风险等级结论不同，甚至可能因未涉嫌存量洗钱模式(即涉嫌的是新型洗钱模式)而未被识别出风险。当特色模型、风险特征值逐渐增多时，缺乏完整、全面、智能的洗钱风险评估模型，将使反洗钱案风险识别效率和结果受到极大制约。</p>

4、三是反洗钱管理过程不流畅。传统反洗钱管理过程中缺乏流畅和集成的系统化管理工具。原始步骤如下：洗钱风险识别后，各级营业网点需不定期通过邮箱进行手工逐笔、逐级上报，省行和二级行督办员则需定时手工汇总上报情况，同时督促网点对未处理名单进行识别与管控；而被判定为“非可疑”的客户需定期开展人工重检。原流程步骤多、耗时长、人力需求巨大，严重降低了反洗钱管理流程和风险识别管控效率。

5、在这样的背景下，如何有效收集丰富客户信息、完善反洗钱风险评估模型架构、提升风险客户管控流程效率，就成了反洗钱工作亟需解决的问题。

技术实现思路

1、本专利技术要解决的技术问题，在于提供一种跨域数据融合的反洗钱风险客户智能识别方法及系统，基于dikw图谱层次结构构建洗钱风险评估模型，并通过rpa和隐私计算数据处理技术融合跨域数据，优化了反洗钱系统的数据丰富度、模型智慧度和执行流畅度，加强反洗钱判别工作的系统性和确定性。

2、第一方面，本专利技术提供了一种跨域数据融合的反洗钱风险客户智能识别方法，包括：

3、模型构建过程：基于dikw图谱层次结构构建洗钱风险评估模型；所述洗钱风险评估模型的数据层次，包括银行内部不同系统模块之间的数据以及采集的公开数据与非公开数据；所述洗钱风险评估模型的信息层次，包括由意图连接起来的数据组合；所述洗钱风险评估模型的知识层次，包括机器学习模型习得的特征组合、模型指标以及通过总结得到的经验性知识、专家提供的规则性知识；

4、指令接收过程：接受计算洗钱风险值指令，即接收客户的身份数据及与客户相关的数据，以及计算客户的洗钱风险指数的指令；

5、数据采集过程：运用rpa技术采集银行不同业务模块中与客户相关的数据；根据知识规则确定的行为意图验证链，运用rpa技术在银行外部获取公开数据或基于隐私计算技术获取非公开数据；将采集到的数据按指定格式整理，生成离散数据图谱；

6、数据加工过程：根据经验知识和专家模型选择提取离散数据图谱中重要的洗钱特征组合，形成特征信息图谱和行为意图验证链；运用有监督学习模型，投入已标记为非法交易/合法交易的数据集训练，然后将全量数据输入训练后的模型，得到客户洗钱风险度清单；根据客户洗钱风险度清单通过无监督学习模型形成异常交易信息图谱以及更多的洗钱模式和结构；判定异常交易信息图谱中的连接是否合理；当判定连接不合理时，返回数据采集过程，继续采集数据；当判定连接合理时，根据已有经验知识和专家模型判定意图的合规性，判别为无风险纳入白名单、判别为高风险的客户纳入黑名单，对于无法在现有数据集中找到意图佐证信息的客户，则归入灰名单；

7、流程管控过程：对全量客户开展监测识别和定时重检后生成的黑、灰名单，通过流转系统下发至客户管户权网点，实时展示待处理风险客户与账户的明细和总数。

8、进一步地，还包括数据应用过程：基于对特征信息图谱和异常交易信息图谱的分析验证，被证实为识别准确率达标的特征组合、模型指标、经验知识和专家模型将被认定为知识图谱，纳入反洗钱经验知识库，以供后续增量数据实现高质量风险判别；增量客户根据知识图谱集进行反洗钱判别，存量客户根据知识图谱集进行定期风险重检，形成“智慧图谱”。

9、进一步地，所述模型构建过程中，意图的来源包括：对数据的提取与分析、基于历史数据的分析和总结以及线下反洗钱调查中客户提供的行为意图。

10、进一步地，所述数据采集过程中，运用rpa技术在银行外部获取公开数据具体包括：

11、确定目标数据路径：确定要访问的系统、页面、目标数据路径；

12、创建rpa流程：使用rpa工具创建一个自动化流程，该流程包括以下步骤：

13、a.登录系统：使用rpa技术模拟用户登录系统的过程；

14、b.数据整理和处理：使用rpa工具的数据处理功能，对提取的数据进行整理和格式统一；

15、c.输出至洗钱风险评估模型的数据层次，存入数据表中以备后续使用；

16、循环访问不同系统：当需要访问多个系统并提取数据时，在rpa流程中添加循环操作，从而重复执行上述步骤。

17、进一步地，所述数据加工过程中，根据已有经验知识和专家模型判定意图的合规性，意图验证由具有明确意图的数据中风险值最高的数据开始，意图验证所需的验证数据的使用优先级依次为：洗钱风险值指令中的与客户相关的数据、银行系统内部与客户相关的数据、行外公开数据、行外非公开数据；当验证不满足要求时，才获取下一优先级数据。

18、第二方面，本专利技术提供了一种跨域数据融合的反洗钱风险客户智能识别系统，包括：

19、模型构建模块，用于基于dikw图谱层次结构构建洗钱风险评估模型；所述洗钱风险评估模型的数据层次，包括银行内部不同系统模块之间的数据以及采集的公开数据与非公开数据；所述洗钱风险评估模型的信息层次，包括由意图连接起来的数据组合；所述洗钱风险评估模型的知识层次，包括机器学习模型习得的特征组合、模型指标以及通过总结得到的经验性知识、专家提供的规则性知识；

20、指令接收模块，用于接受计算洗钱风险值指令，即接收客户的身份数据及与客户相关的数据，以及计算客户的洗钱风险指数的指令；

21、数据采集模块，用于运用rpa技术采集银行不同业务模块中与客户相关的数据；根据知识规则确定的行为意图验证链，本文档来自技高网...

【技术保护点】

1.一种跨域数据融合的反洗钱风险客户智能识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于：还包括数据应用过程：基于对特征信息图谱和异常交易信息图谱的分析验证，被证实为识别准确率达标的特征组合、模型指标、经验知识和专家模型将被认定为知识图谱，纳入反洗钱经验知识库，以供后续增量数据实现高质量风险判别；增量客户根据知识图谱集进行反洗钱判别，存量客户根据知识图谱集进行定期风险重检，形成“智慧图谱”。

3.根据权利要求1所述的方法，其特征在于：所述模型构建过程中，意图的来源包括：对数据的提取与分析、基于历史数据的分析和总结以及线下反洗钱调查中客户提供的行为意图。

4.根据权利要求1所述的方法，其特征在于：所述数据采集过程中，运用RPA技术在银行外部获取公开数据具体包括：

5.根据权利要求1所述的方法，其特征在于：所述数据加工过程中，根据已有经验知识和专家模型判定意图的合规性，意图验证由具有明确意图的数据中风险值最高的数据开始，意图验证所需的验证数据的使用优先级依次为：洗钱风险值指令中的与客户相关的数据、银行系统内部与客户

6.一种跨域数据融合的反洗钱风险客户智能识别系统，其特征在于，包括：

7.根据权利要求6所述的系统，其特征在于：还包括数据应用模块，用于基于对特征信息图谱和异常交易信息图谱的分析验证，被证实为识别准确率达标的特征组合、模型指标、经验知识和专家模型将被认定为知识图谱，纳入反洗钱经验知识库，以供后续增量数据实现高质量风险判别；增量客户根据知识图谱集进行反洗钱判别，存量客户根据知识图谱集进行定期风险重检，形成“智慧图谱”。

8.根据权利要求6所述的系统，其特征在于：所述模型构建模块中，意图的来源包括：对数据的提取与分析、基于历史数据的分析和总结以及线下反洗钱调查中客户提供的行为意图。

9.根据权利要求6所述的系统，其特征在于：所述数据采集模块中，运用RPA技术在银行外部获取公开数据具体包括：

10.根据权利要求6所述的系统，其特征在于：所述数据加工模块中，根据已有经验知识和专家模型判定意图的合规性，意图验证由具有明确意图的数据中风险值最高的数据开始，意图验证所需的验证数据的使用优先级依次为：洗钱风险值指令中的与客户相关的数据、银行系统内部与客户相关的数据、行外公开数据、行外非公开数据；当验证不满足要求时，才获取下一优先级数据。

...

【技术特征摘要】

1.一种跨域数据融合的反洗钱风险客户智能识别方法，其特征在于，包括：

4.根据权利要求1所述的方法，其特征在于：所述数据采集过程中，运用rpa技术在银行外部获取公开数据具体包括：

5.根据权利要求1所述的方法，其特征在于：所述数据加工过程中，根据已有经验知识和专家模型判定意图的合规性，意图验证由具有明确意图的数据中风险值最高的数据开始，意图验证所需的验证数据的使用优先级依次为：洗钱风险值指令中的与客户相关的数据、银行系统内部与客户相关的数据、行外公开数据、行外非公开数据；当验证不满足要求时，才获取下一优先级数据。

<...

【专利技术属性】
技术研发人员：林敏，翁羽莹，徐泉旺，雷羽潇，
申请(专利权)人：中国建设银行股份有限公司福建省分行，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人