工行“多维度欺诈风险预测”专利公布,使用三个机器学习模型
木子剑移动支付网2022/12/7 12:02:06

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。

本文为作者授权发布,不代表移动支付网立场,转载请注明作者及来源,未按照规范转载者,移动支付网保留追究相应责任的权利。

展开全文
相关阅读
资讯查询取消