CN106803168A - 一种异常转账侦测方法和装置 - Google Patents

Abstract

本发明实施例涉及互联网金融领域，尤其涉及一种异常转账侦测方法和装置，用于对转账交易进行侦测与发出异常预警。本发明实施例中，获取转账交易信息，转账交易信息中包括转出方信息；根据转出方信息，确定转出方的异常转账侦测模型，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到；将转账交易信息输入转出方的异常转账侦测模型，得到所述转账交易信息的异常概率值，以使当用户发起转账交易时，对用户的转账交易进行侦测与发出异常预警。

Description

一种异常转账侦测方法和装置

技术领域

本发明实施例涉及互联网金融领域，尤其涉及一种异常转账侦测方法和装置。

背景技术

随着互联网金融和大数据时代的到来，用户可以通过互联网等方式实现非现金的转账交易，由于互联网是一个开放的网络，网上银行系统也使得银行内部向互联网开放。于是，如何保证非现金转账交易的安全性是互联网金融和大数据时代的一个至关重要的问题，关系到整个互联网金融的安全，也是各银行保证用户资金安全需要考虑的重要问题。

在现有的异常转账交易检测技术中，常用的一种方法是提高用户进行转账交易时的安全认证机制，这种方法需要用户进行多样化的验证操作方式或者客户端与服务器端在交易报文中进行验证的方式，但这些方式会给用户带来额外的验证操作、增加转账交易延迟、降低客户体验以及使得交易报文过于复杂、增加服务器端的处理时间；另外一种方法是通过用户间的关系建立用户关系网络进行异常转账交易的检测，但是这种方法仅针对用户间有历史转账记录时才能建立关系网络，若用户间无历史转账记录时，则关系网络构建较为困难。

综上所述，现有异常转账交易检测技术中存在转账交易延迟、若用户间无历史转账记录时，则用户关系网络构建较为困难的问题，因此，需要提出有效的方法来解决上述问题。

发明内容

本发明实施例提供了一种异常转账侦测方法和装置，用以解决现有技术中存在转账交易延迟、若用户间无历史转账记录时，则关系网络构建较为困难的问题。

本发明实施例提供一种异常转账侦测方法，包括：

获取转账交易信息，转账交易信息中包括转出方信息；

根据转出方信息，确定转出方的异常转账侦测模型，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到；

将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值。

可选地，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到，包括：

转出方的社交属性包括转出方的自身属性和从社交网络获得的交互属性；

转出方的历史行为属性包括转出方的支付行为属性；

根据自身属性、交互属性和支付行为属性确定转出方的用户关系网；

根据历史转账交易正负样本和用户关系网络，通过机器学习算法建立转出方的异常转账侦测模型。

可选地，将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值，包括：

将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值；

根据自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值，得到转账交易信息的异常概率值。

可选地，根据历史转账交易正负样本和用户关系网络，通过机器学习算法建立转出方的异常转账侦测模型，包括：

对用户关系网络中的自身属性、交互属性和支付行为属性进行相关性分析；

从用户关系网络中删除无相关性的属性，得到修正后的用户关系网络；根据历史转账交易正负样本和修正后的用户关系网络，通过机器学习算法建立转出方的异常转账侦测模型。

可选地，自身属性包括以下至少之一：身份信息指标、教育程度指标、职业状况指标、家庭情况指标、社会信息指标；

支付行为属性包括以下至少之一：转账频率指标、转账时间分布指标、转账地点分布指标、转账金额分布指标、转账方式占比指标；

交互属性包括以下至少之一：好友频率指标、联络频率指标、好感度指标。

本发明实施例还提供一种异常转账侦测装置，包括：

获取单元：用于获取转账交易信息，转账交易信息中包括转出方信息；

确定单元：用于根据转出方信息，确定转出方的异常转账侦测模型，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到；

计算单元：用于将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值。

可选地，转出方的社交属性包括转出方的自身属性和从社交网络获得的交互属性；

转出方的历史行为属性包括转出方的支付行为属性；

确定单元具体用于：

根据自身属性、交互属性和支付行为属性确定转出方的用户关系网；

根据历史转账交易正负样本和用户关系网络，通过机器学习算法建立转出方的异常转账侦测模型。

可选地，计算单元具体用于：

将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值；

根据自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值，得到转账交易信息的异常概率值。

可选地，确定单元具体还用于：

对用户关系网络中的自身属性、交互属性和支付行为属性进行相关性分析；

从用户关系网络中删除无相关性的属性，得到修正后的用户关系网络；根据历史转账交易正负样本和修正后的用户关系网络，通过机器学习算法建立转出方的异常转账侦测模型。

可选地，自身属性包括以下至少之一：身份信息指标、教育程度指标、职业状况指标、家庭情况指标、社会信息指标；

支付行为属性包括以下至少之一：转账频率指标、转账时间分布指标、转账地点分布指标、转账金额分布指标、转账方式占比指标；

交互属性包括以下至少之一：好友频率指标、联络频率指标、好感度指标。

本发明实施例中提供了一种异常转账侦测方法和装置，获取转账交易信息，转账交易信息中包括转出方信息；根据转出方信息，确定转出方的异常转账侦测模型，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到；将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值。本发明实施例中通过首先获取转账交易信息；然后根据转账交易信息，确定转出方的异常转账侦测模型，其中，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到，便于异常转账侦测系统对转账交易进行检测识别，由于社交属性和历史行为属性是多样化的，因此无须用户进行额外的安全验证操作，从而降低转账交易的延迟，同时当用户间无转账记录时通过社交属性也可以检测出是否存在异常转账情况，从而提高了对异常转账侦测的覆盖面与准确性；最后将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值，可以对用户的转账交易进行侦测与发出异常预警。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。

图1为本发明实施例提供了一种异常转账侦测系统整体架构示意图；

图2为本发明实施例提供了一种异常转账侦测方法流程示意图；

图3为本发明实施例提供的综合异常概率示意图；

图4为本发明实施例提供了用户关系网络的示意图；

图5为本发明实施例提供了一种异常转账侦测装置结构示意图。

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了更好地理解本方案，设计了本发明技术方案中的异常转账侦测系统，下面对设计的异常转账侦测系统作一下说明，异常转账侦测系统的整体架构图如下图1所示：

图1示例性示出了本发明实施例提供的一种异常转账侦测系统整体架构示意图，如图1所示，包括数据采集模块、数据库模块、用户关系网络建立模块、异常转账侦测模型训练模块、异常转账检测模块，其中，数据库模块包括自身属性数据库、支付行为属性数据库、交互属性数据库，异常转账侦测模型训练模块对接后台交易系统。那么，异常转账侦测系统整体架构的设计思路是这样的：数据采集模块采集用户的自身属性数据、支付行为属性数据和交互属性数据，并分别存于自身属性数据库、支付行为属性数据库和交互属性数据库中；用户关系网络建立模块根据自身属性数据库、支付行为属性数据库和交互属性数据库的数据，建立一个三个维度的用户关系网络，其中，三个维度是指的自身属性维度、支付行为属性维度和交互属性维度；异常转账侦测模型训练模块从后台交易系统获取用户的历史转账交易正负样本，根据用户关系网络和用户的历史转账交易正负样本，运用机器学习算法建立异常转账侦测模型，将异常转账侦测模型用于异常转账检测模块中，为当用户发起转账交易时，对转账交易进行侦测与发出异常预警。此外，异常转账侦测系统中用户的关系网络不是一成不变的，异常转账侦测系统采集的自身属性数据、支付行为属性数据和交互属性数据随着用户外部关系数据改变而改变，异常转账侦测模型也不断进行周期性地的更新。

对于设计的异常转账侦测系统整体架构具有如下优点：第一，当用户发起一笔转账交易时，多样而又庞大的用户关系网络包含了用户的大量信息，因此无需用户进行额外的安全验证操作，从而降低了转账交易的延迟，第二，当用户间并没有转账记录时，也可以通过用户的自身属性数据和交互属性数据建立用户关系网络，解决了若用户间无历史转账记录时，则用户关系网络构建较为困难的问题，第三，通过多样而又庞大的用户关系网络和用户的历史转账交易正负样本建立异常转账侦测模型，并将该模型用于异常转账检测模块中，提高了对异常转账侦测的覆盖面与准确性。

图2示例性示出了本发明实施例提供的一种异常转账侦测方法流程示意图，如图2所示，包括以下步骤：

步骤S101：获取转账交易信息，转账交易信息中包括转出方信息；

步骤S102：根据转出方信息，确定转出方的异常转账侦测模型，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到；

步骤S103：将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值。

上述实施例具体来说，当用户发起一笔转账交易时，系统中的异常转账检测模块对转账交易的发起用户A与接收用户B进行分析，获取发起用户A与接收用户B的转账交易信息；将发起用户A与接收用户B的转账交易信息输入异常转账侦测模型中，得到转账交易信息的异常概率值。其中，在具体实施中，将发起用户A与接收用户B的转账交易信息输入异常转账侦测模型中后，可以利用机器学习算法得到转账交易信息的异常概率值。在得到转账交易信息的异常概率值之后，可以实现对用户的转账交易进行侦测与发出异常预警。异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到，便于异常转账侦测系统对转账交易进行检测识别，由于社交属性和历史行为属性是多样化的，因此无须用户进行额外的安全验证操作，从而降低转账交易的延迟，同时当用户间无转账记录时通过社交属性也可以检测出是否存在异常转账情况，从而提高了对异常转账侦测的覆盖面与准确性。

其中，异常转账侦测模型可以通过以下三种方式得到：

方式一：异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到；具体来说，将转出方的社交属性和转出方的历史行为属性作为异常转账侦测模型的输入，运用机器学习算法来实现对异常转账侦测模型的训练，经过多次训练之后，最终训练出异常转账侦测模型。

方式二：可选地，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到，包括：转出方的社交属性包括转出方的自身属性和从社交网络获得的交互属性；转出方的历史行为属性包括转出方的支付行为属性；根据自身属性、交互属性和支付行为属性确定转出方的用户关系网；根据历史转账交易正负样本和用户关系网络，通过机器学习算法建立转出方的异常转账侦测模型；具体来说，首先根据自身属性、交互属性和支付行为属性确定转出方的用户关系网；然后将历史转账交易正负样本和用户关系网络作为异常转账侦测模型的输入，运用机器学习算法来实现对异常转账侦测模型的训练，经过多次训练之后，最终训练出异常转账侦测模型。

方式三：可选地，根据历史转账交易正负样本和用户关系网络，通过机器学习算法建立转出方的异常转账侦测模型，包括：对用户关系网络中的自身属性、交互属性和支付行为属性进行相关性分析；从用户关系网络中删除无相关性的属性，得到修正后的用户关系网络；根据历史转账交易正负样本和修正后的用户关系网络，通过机器学习算法建立转出方的异常转账侦测模型。具体实施中，用户关系网络中的自身属性、交互属性和支付行为属性分别包含着很多信息或者指标，假设自身属性、交互属性和支付行为属性总共包含了10000个指标，首先对这10000个指标进行相关性分析或数据清洗与筛选，例如，指标1与指标2呈现线性关系，那么，可以保留指标1与指标2中的一个，删除另外一个指标，假设对这10000个指标经过相关性分析或数据清洗与筛选后，最终保留下来1000个指标；然后根据1000个指标得到修正后的用户关系网络，将历史转账交易正负样本和修正后的用户关系网络作为异常转账侦测模型的输入并运用机器学习算法对异常转账侦测模型进行训练，在训练过程中，可以结合历史转账交易正负样本进行指标相关性分析再次修正用户关系网络，比如，1000个指标中还有一些对历史转账交易的正负样本并没有任何影响的指标，可以将其删除，假设1000个指标中有500个指标对历史转账交易的正负样本并没有任何影响，那么得到包含500个指标的再次修正的用户关系网络，将再次修正的用户关系网络和历史转账交易正负样本作为异常转账侦测模型的输入并运用机器学习算法对异常转账侦测模型进行训练，最终训练出异常转账侦测模型，其中，历史转账交易正负样本是通过异常转账侦测系统中异常转账侦测模型训练模块对接后台交易系统获得的，历史转账交易正负样本包括用户历史的正常转账交易记录和异常转账交易记录。其中，需要说明的第一点是：对用户关系网络进行了两次修正，再次修正的用户关系网络可以是在对异常转账侦测模型的训练过程中进行，也可以是在对异常转账侦测模型的训练之前进行，比如，对再次修正的用户关系网络中的1000个指标结合历史转账交易正负样本进行相关性分析或数据清洗与筛选，最终筛选出500个指标，将包含500个指标的再次修正的用户关系网络和历史转账交易正负样本作为异常转账侦测模型的输入，运用机器学习算法对异常转账侦测模型进行训练；需要说明的第二点是：具体实施中，是以一条条记录的形式进行输入到异常转账侦测模型中，例如，记录1为：转账时间为早上8点、转账金额为8000、转账地点为上海、转账方式为刷卡、与转账接收用户的关系为同事、转账交易为正样本；需要说明的第三点是：具体实施中，如果用户的历史转账交易正负样本中全是正样本，那么可以减少抽取该用户的历史转账交易记录的数量，如果用户的历史转账交易正负样本中负样本远远大于正样本的数量，那么可以增加抽取该用户的历史转账交易记录的数量。

通过以上三种异常转账侦测模型的确定方式，可以看出，对于异常转账侦测模型的确定方式具有多样化与灵活性的特点；对用户关系网络进行两次修正，实际上是对用户关系网络进行了两次数据降维，这样能够减少系统的计算量与压力，还可以明确出哪些指标对转账交易能够起到效果。

可选地，将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值，包括：将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值；根据自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值，得到转账交易信息的异常概率值。具体来说，假设用户A给用户B转账，异常转账侦测系统中异常转账检测模块对用户A和用户B进行分析获取他们的指标，将指标输入到异常转账侦测模型中，会得出三个异常概率值，分别为自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值，假设分别为0.3、0.5、0.2，分别对这三个异常概率值施以适当的权重，将施加权重后的各个异常概率值相加，最终生成该转账交易为异常转账交易的综合异常概率，假设综合异常概率为0.25，该综合异常概率表明当前转账交易为异常的风险值。如果该综合概率非常大，系统直接发出异常预警。图3示例性地示出了综合异常概率示意图，如图3所示。

可选地，自身属性包括以下至少之一：身份信息指标、教育程度指标、职业状况指标、家庭情况指标、社会信息指标；具体实施中，身份信息指标还可以包括身份证、护照、性别、年龄、手机号码等表征用户身份的信息；教育程度指标表明用户的文化水平；职业状况指标反映用户是否有固定正当职业以及工作更换频率；家庭情况指标包含婚姻与子女情况等；社会信息指标包括社保、医保汇缴情况以及社会信用情况，社会信用情况可以是银行卡逾期或公共事业缴费逾期欠费等。异常转账侦测系统根据自身属性信息，刻画出用户的基本情况画像。例如，若用户无固定职业、身份信息不完整或造假、社会信息不良好等等，而转账交易金额却比较大，则无论作为转账交易的发起用户还是接收用户，该笔转账交易的异常概率相对较高，如该笔转账可能为洗钱或电信诈骗活动。

支付行为属性包括以下至少之一：转账频率指标、转账时间分布指标、转账地点分布指标、转账金额分布指标、转账方式占比指标；具体实施中，支付行为属性的数据主要从银行本身通道、卡组织、第三方支付机构等获得，支付行为属性的数据包括历史转账记录、历史消费明细等等。在历史转账记录中，基于但不限于转账对象、转账金额、转账时间、转账地点、转账方式等关键信息，其中，转账对象包括账户和卡号等，转账对象、转账金额、转账时间、转账地点、转账方式用以统计分析转账对象的分布以及相应的转账频率、用户转账金额分布、转账时间与地点分布、转账方式占比等指标。在转账对象分析中，根据转账频率由高到低将对象进行排序；在转账金额、转账时间、转账地点分布中，可以分析获得用户的转账金额区间以及随时间的波动趋势，如用户转账呈现规律分布且波动平缓，但当前转账金额突增，且转账时间也游离于分布之外，则转账异常概率较高；对用户历史转账方式的占比分析，可知晓用户更倾向于传统渠道，如ATM、银行柜面还是创新渠道如电脑端、移动端进行转账交易，如用户经常通过传统渠道进行转账交易，而当前转账通过移动端进行，则该指标对转账异常概率的判断权重增加。此外，在用户的历史转账交易数据中，通过用户历史转账交易与消费记录从消费频率、消费金额、消费方式等信息，分析用户的消费力指数与交易渠道。消费力指数表明该用户的消费水平，反映用户的消费力与购买力，即经常出现大额消费或是小额消费。消费方式表明该用户更倾向于传统支付方式如POS机刷卡等还是创新支付方式如云闪付、二维码扫码支付等，进而反映出该用户对移动创新支付的狂热度。

交互属性包括以下至少之一：好友频率指标、联络频率指标、好感度指标。在本发明具体实施中，除了建立用户间的支付行为属性关系网络，还建立了用户的交互属性关系网络，这样一来转账的双方即使没有历史转账记录，也能通过交互属性判断彼此的关系强弱。在交互属性中，数据包括微信、QQ、微博、邮件、电信运营商如短信或通话、网游、甚至博彩数据等等，每个用户都会建立起一张复杂的交互属性关系网络。在交互属性关系网络中，主要指标有好友频度、联络频率、好感度等一系列能反映用户与其他用户关联紧密程度的指标。好友频度指标，反映的是用户间好友关系的紧密程度，如用户双方在微信、qq等多类社交软件中均为好友关系，则该用户间好友频度较高。联络频率指标，反映的是用户间联系频率的高低，主要从通讯类社交数据中获得用户间的联络频率。好感度指标，反映的是用户间关系的正负好坏，可以利用自然语言分析技术对用户聊天通讯内容进行分词、词频统计、好坏词分析等，获取用户间的好感度。除社交网络应用外，诸如网络游戏、博彩等数据也能反映用户复杂的关系网络，如在网游中，同一个团队中队员间的关系可以进一步补充交互属性关系网络。

由于用户关系网络根据自身属性、交互属性和支付行为属性确定的，那么，基于以上对自身属性、交互属性和支付行为属性的具体介绍的内容，下面介绍基于自身属性、交互属性和支付行为属性的用户关系网络的具体建立过程，包括三个过程：

自身属性、交互属性和支付行为属性可以认为是用户关系网络的三个维度，1、对自身属性、交互属性和支付行为属性中的信息进行打分：在自身属性维度中，对用户的身份信息指标、教育程度指标、职业状况指标、家庭情况指标、社会信息指标进行评判并分别打分，如果转账交易的双方用户的身份信息完整真实、职业稳定、社会信息良好，显然会降低转账交易为异常的概率，对用户的身份信息指标、职业状况指标、社会信息指标打的分数可以打低点；在交互属性维度中，通过对好友频率指标、联络频率指标、好感度指标等进行评判并打分，好友频率指标、联络频率指标、好感度指标可以直观地反映用户间是否存在社交关系、联系紧密程度以及用户间正面或负面的感情色彩，例如，用户A的好友用户B向用户A申请转账需求，但在交互属性维度中发现用户A与B之间好友频度较低、联络很少、也无好感度，说明用户A与B的社交交互属性比较薄弱，用户B很大可能被盗号了，则这时对交互属性的好友频率指标、联络频率指标、好感度指标打的分数较高；在支付行为属性维度中，将对用户所有的转账交易与消费记录进行深入挖掘分析，获取用户转账对象的疏密关系、分析用户转账交易或消费习惯，刻画其支付画像。当前转账交易的发起用户与接收用户之间历史转账交易、消费等行为频繁，且转账金额稳定、符合用户的消费力水平，则当前转账交易为异常的概率相对较低，则对支付行为属性维度中的信息可以打较低的分数；相反，转账发起用户与接收用户并无转账交易往来，而转账接收用户的支付关系复杂而无规律，且当前转账金额相对转账发起用户的消费力来说严重不符，则转账异常概率较大，如转账发起用户可能遭受电信诈骗活动，这时对支付行为属性维度中的信息可以打较高的分数；2、对自身属性、交互属性和支付行为属性中的信息打的分数生成各个权重值；3、以转账用户为中心节点，以各个权重值为边，形成用户关系网络图。图4示例性地示出了用户关系网络的示意图，如图4所示。

从上述内容可看出：本发明实施例中提供了一种异常转账侦测方法，获取转账交易信息，转账交易信息中包括转出方信息；根据转出方信息，确定转出方的异常转账侦测模型，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到；将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值。本发明实施例中通过首先获取转账交易信息；然后根据转账交易信息，确定转出方的异常转账侦测模型，其中，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到，便于系统对转账交易进行检测识别，由于社交属性和历史行为属性是多样化的，因此无须用户进行额外的安全验证操作，从而降低转账交易的延迟，同时当用户间无转账记录时也可以检测出是否存在异常转账情况，从而提高了对异常转账侦测的覆盖面与准确性；最后将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值，可以对用户的转账交易进行侦测与发出异常预警。

基于相同构思，本发明实施例提供的一种异常转账侦测装置，图5示例性示出了本发明实施例提供的一种异常转账侦测装置结构示意图，如图5所示，该装置包括获取单元201、确定单元202、计算单元203。其中：

获取单元201：用于获取转账交易信息，转账交易信息中包括转出方信息；

确定单元202：用于根据转出方信息，确定转出方的异常转账侦测模型，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到；

计算单元203：用于将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值。

可选地，转出方的社交属性包括转出方的自身属性和从社交网络获得的交互属性；

转出方的历史行为属性包括转出方的支付行为属性；

确定单元202具体用于：

根据自身属性、交互属性和支付行为属性确定转出方的用户关系网；

根据历史转账交易正负样本和用户关系网络，通过机器学习算法建立转出方的异常转账侦测模型。

可选地，计算单元203具体用于：

将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值；

根据自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值，得到转账交易信息的异常概率值。

可选地，确定单元202具体还用于：

对用户关系网络中的自身属性、交互属性和支付行为属性进行相关性分析；

从用户关系网络中删除无相关性的属性，得到修正后的用户关系网络；根据历史转账交易正负样本和修正后的用户关系网络，通过机器学习算法建立转出方的异常转账侦测模型。

可选地，自身属性包括以下至少之一：身份信息指标、教育程度指标、职业状况指标、家庭情况指标、社会信息指标；

支付行为属性包括以下至少之一：转账频率指标、转账时间分布指标、转账地点分布指标、转账金额分布指标、转账方式占比指标；

交互属性包括以下至少之一：好友频率指标、联络频率指标、好感度指标。

从上述内容可看出：本发明实施例中提供了一种异常转账侦测装置，获取转账交易信息，转账交易信息中包括转出方信息；根据转出方信息，确定转出方的异常转账侦测模型，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到；将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值。本发明实施例中通过首先获取转账交易信息；然后根据转账交易信息，确定转出方的异常转账侦测模型，其中，异常转账侦测模型根据转出方的社交属性和转出方的历史行为属性得到，便于异常转账侦测系统对转账交易进行检测识别，由于社交属性和历史行为属性是多样化的，因此无须用户进行额外的安全验证操作，从而降低转账交易的延迟，同时当用户间无转账记录时通过社交属性也可以检测出是否存在异常转账情况，从而提高了对异常转账侦测的覆盖面与准确性；最后将转账交易信息输入转出方的异常转账侦测模型，得到转账交易信息的异常概率值，可以对用户的转账交易进行侦测与发出异常预警。

本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种异常转账侦测方法，其特征在于，包括：

获取转账交易信息，所述转账交易信息中包括转出方信息；

根据所述转出方信息，确定转出方的异常转账侦测模型，所述异常转账侦测模型根据所述转出方的社交属性和所述转出方的历史行为属性得到；

将所述转账交易信息输入所述转出方的异常转账侦测模型，得到所述转账交易信息的异常概率值。

2.如权利要求1所述的方法，其特征在于，所述异常转账侦测模型根据所述转出方的社交属性和所述转出方的历史行为属性得到，包括：

所述转出方的社交属性包括转出方的自身属性和从社交网络获得的交互属性；

所述转出方的历史行为属性包括所述转出方的支付行为属性；

根据所述自身属性、所述交互属性和所述支付行为属性确定所述转出方的用户关系网；

根据历史转账交易正负样本和所述用户关系网络，通过机器学习算法建立所述转出方的异常转账侦测模型。

3.如权利要求2所述的方法，其特征在于，所述将所述转账交易信息输入所述转出方的异常转账侦测模型，得到所述转账交易信息的异常概率值，包括：

将所述转账交易信息输入所述转出方的异常转账侦测模型，得到所述转账交易信息的自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值；

根据所述自身属性异常概率值、所述交互属性异常概率值和所述支付行为属性异常概率值，得到所述转账交易信息的异常概率值。

4.如权利要求2所述的方法，其特征在于，所述根据历史转账交易正负样本和所述用户关系网络，通过机器学习算法建立所述转出方的异常转账侦测模型，包括：

对所述用户关系网络中的自身属性、交互属性和支付行为属性进行相关性分析；

从所述用户关系网络中删除无相关性的属性，得到修正后的用户关系网络；根据所述历史转账交易正负样本和所述修正后的用户关系网络，通过机器学习算法建立所述转出方的异常转账侦测模型。

5.如权利要求4所述的方法，其特征在于，所述自身属性包括以下至少之一：身份信息指标、教育程度指标、职业状况指标、家庭情况指标、社会信息指标；

所述支付行为属性包括以下至少之一：转账频率指标、转账时间分布指标、转账地点分布指标、转账金额分布指标、转账方式占比指标；

所述交互属性包括以下至少之一：好友频率指标、联络频率指标、好感度指标。

6.一种异常转账侦测装置，其特征在于，包括：

获取单元，用于获取转账交易信息，所述转账交易信息中包括转出方信息；

确定单元，用于根据所述转出方信息，确定转出方的异常转账侦测模型，所述异常转账侦测模型根据所述转出方的社交属性和所述转出方的历史行为属性得到；

计算单元，用于将所述转账交易信息输入所述转出方的异常转账侦测模型，得到所述转账交易信息的异常概率值。

7.如权利要求6所述的装置，其特征在于，

所述转出方的社交属性包括转出方的自身属性和从社交网络获得的交互属性；

所述转出方的历史行为属性包括所述转出方的支付行为属性；

所述确定单元，具体用于根据所述自身属性、所述交互属性和所述支付行为属性确定所述转出方的用户关系网；

根据历史转账交易正负样本和所述用户关系网络，通过机器学习算法建立所述转出方的异常转账侦测模型。

8.如权利要求7所述的装置，其特征在于，

所述计算单元，具体用于将所述转账交易信息输入所述转出方的异常转账侦测模型，得到所述转账交易信息的自身属性异常概率值、交互属性异常概率值和支付行为属性异常概率值；

根据所述自身属性异常概率值、所述交互属性异常概率值和所述支付行为属性异常概率值，得到所述转账交易信息的异常概率值。

9.如权利要求7所述的装置，其特征在于，

所述确定单元，具体还用于对所述用户关系网络中的自身属性、交互属性和支付行为属性进行相关性分析；

从所述用户关系网络中删除无相关性的属性，得到修正后的用户关系网络；根据所述历史转账交易正负样本和所述修正后的用户关系网络，通过机器学习算法建立所述转出方的异常转账侦测模型。

10.如权利要求9所述的装置，其特征在于，所述自身属性包括以下至少之一：身份信息指标、教育程度指标、职业状况指标、家庭情况指标、社会信息指标；

所述支付行为属性包括以下至少之一：转账频率指标、转账时间分布指标、转账地点分布指标、转账金额分布指标、转账方式占比指标；

所述交互属性包括以下至少之一：好友频率指标、联络频率指标、好感度指标。