12月2日，工行一项名为“基于多维度的用户欺诈风险预测方法、系统及电子设备”的专利公布，其申请于2022年6月16日，可用于金融科技领域或其它领域。

专利介绍

摘要显示，使用第一机器学习模型预测用户的登录欺诈风险；使用第二机器学习模型预测用户的开户欺诈风险；使用第三机器学习模型预测用户的交易欺诈风险；基于登录、开户和交易欺诈风险，通过集成学习算法进行预测，得到用户的综合欺诈风险。

更具体的，第一、二、三机器学习模型是预先训练得到的。

获取用户对获取其登录行为信息的授权，其中包括登录设备、登录次数、登录天数中的至少一种；对登录行为信息进行处理得到登录特征数据；基于该数据，训练得到第一机器学习模型。

获取用户对获取其开户行为信息的授权，其中包括用户基本信息、开卡网点信息、开销户次数中的至少一种；对开户行为信息进行处理得到开户特征数据；基于该数据，训练得到第二机器学习模型。

使用第二机器学习模型预测用户的开户欺诈风险包括：使用第二模型预测用户每个账户的开户欺诈风险评分；使用第一时间衰减函数计算每个账户的第一衰减系数；使用归一化方法得到每个账户的第一评分权重；以此得到用户的开户欺诈风险。

获取用户对获取其交易行为信息的授权，其中包括交易时间信息、交易地区信息中的至少一种；对交易行为信息进行处理得到交易特征数据；基于该数据，训练得到第三机器学习模型。

使用第三机器学习模型预测用户的交易欺诈风险包括：使用第三模型预测用户每个账户的交易欺诈风险评分；使用第二时间衰减函数计算每个账户的第二衰减系数；使用归一化方法得到每个账户的第二评分权重；以此得到用户的交易欺诈风险。

通过集成学习算法进行预测，得到用户的综合欺诈风险包括：基于历史经验分别为登录、开户、交易欺诈风险设置第一、第二、第三权重，综合三类欺诈风险和三个权重，计算用户的综合欺诈风险。

专利背景

该发明的背景为，随着互联网金融和支付方式的快速发展，利用商业银行线上途径进行的网络违法犯罪频发，地下黑灰产业泛滥，办卡、验货、卖卡、运输、使用、废弃全流程的黑色产业链已相当成熟。例如，欺诈卡使用周期变短，存在频繁开销户情况；多人协作，同一账号存在多地登录、多地交易现象。

为应对欺诈卡的快速更替，银行需提前识别预警可疑卡、账户及其所属用户，加强可疑人员信息监控，包括在源头上控制可疑人员开户、在线上功能使用上对可疑人员加以控制，以提升欺诈作案的成本，降低欺诈交易发生率。

目前，为及时、有效地识别高风险用户，银行一方面总结了许多经验特征用于部署专家规则模型，比如交易时段处于非正常时段、商户交易金额与注册业务场景不符、交易IP地址分散等；另一方面，积极尝试使用人工智能技术开发智能风控模型，比如利用交易双方基本信息、交易地址、金额等信息构建模型，用于事中欺诈交易的识别。

但是，专家规则存在一大缺点，即需要人去“读”数据、“理解”数据，从而“抽象”出数据中的规则，进行建模。整个模型从材料到设计到施工，均靠人力堆砌，迭代周期过长，无法跟上欺诈手段的更新速度。

而当前的人工智能风控模型则一般是将基于客户个人基本信息（性别、年龄、职业等）、客户资产信息、交易信息等加工的特征直接送入一个集成算法，缺乏对客户更细化的挖掘。

针对上述问题，该发明可用于至少部分解决“传统方法依赖于历史经验”“迭代周期长”“缺乏对客户细化的挖掘”等技术问题。其基于集成学习算法，从用户的开户、登录、交易三个维度分别使用机器学习模型计算欺诈风险，并对三个模型的评分进行加权，得到用户更全面、准确的欺诈风险综合评分。

其中，在计算用户的开户、交易欺诈风险时，该发明采用了牛顿冷却定律中的时间衰减系数，对不同的账户赋予相应的权重，保证风险预测的时效性。