TW201824135A - 一種異常轉帳偵測方法和裝置 - Google Patents

Abstract

本發明的實施例提供一種異常轉帳偵測方法和裝置，用於對轉帳交易進行偵測與發出異常預警，包括：獲取轉帳交易資訊，轉帳交易資訊中包括轉出方資訊；根據轉出方資訊，確定轉出方的異常轉帳偵測模型，異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到；將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到該轉帳交易資訊的異常概率值，以使當使用者發起轉帳交易時，對使用者的轉帳交易進行偵測與發出異常預警。

Description

一種異常轉帳偵測方法和裝置

本發明屬於網際網路金融領域，尤其是關於一種異常轉帳偵測方法和裝置。

隨著網際網路金融和大數據時代的到來，使用者可以通過網際網路等方式實現非現金的轉帳交易，由於網際網路是一個開放的網路，網上銀行系統也使得銀行內部向網際網路開放。於是，如何保證非現金轉帳交易的安全性是網際網路金融和大數據時代的一個至關重要的問題，關係到整個網際網路金融的安全，也是各銀行保證使用者資金安全需要考慮的重要問題。

在現有的異常轉帳交易檢測技術中，常用的一種方法是提高使用者進行轉帳交易時的安全認證機制，這種方法需要使用者進行多樣化的驗證操作方式或者用戶端與伺服器端在交易報文中進行驗證的方式，但這些方式會給使用者帶來額外的驗證操作、增加轉帳交易延遲、降低客戶體驗以及使得交易報文過於複雜、增加伺服器端的處理時間；另外一種方法是通過用戶間的關係建立用戶關係網絡進行異常轉帳交易的檢測，但是 這種方法僅針對使用者間有歷史轉帳記錄時才能建立關係網絡，若使用者間無歷史轉帳記錄時，則關係網絡構建較為困難。

綜上所述，現有異常轉帳交易檢測技術中存在轉帳交易延遲、若使用者間無歷史轉帳記錄時，則使用者關係網絡構建較為困難的問題，因此，需要提出有效的方法來解決上述問題。

本發明實施例提供了一種異常轉帳偵測方法和裝置，用以解決現有技術中存在轉帳交易延遲、若使用者間無歷史轉帳記錄時，則關係網絡構建較為困難的問題。

本發明實施例提供一種異常轉帳偵測方法，包括：獲取轉帳交易資訊，轉帳交易資訊中包括轉出方資訊；根據轉出方資訊，確定轉出方的異常轉帳偵測模型，異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到；將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值。

可選地，轉出方的社交屬性包括轉出方的自身屬性和從社交網路獲得的交互屬性；轉出方的歷史行為屬性包括轉出方的支付行為屬性；異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到，包括：根據自身屬性、交互屬性和支付行為屬性確定轉出方的用戶關係網絡；根據歷史轉帳交易正負樣本和使用者關係網絡，通過機器學習演算法 建立轉出方的異常轉帳偵測模型。

可選地，將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值，包括：將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常概率值；根據自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常概率值，得到轉帳交易資訊的異常概率值。

可選地，根據歷史轉帳交易正負樣本和使用者關係網絡，通過機器學習演算法建立轉出方的異常轉帳偵測模型，包括：對使用者關係網絡中的自身屬性、交互屬性和支付行為屬性進行相關性分析；從使用者關係網絡中刪除無相關性的屬性，得到修正後的用戶關係網絡；根據歷史轉帳交易正負樣本和修正後的使用者關係網絡，通過機器學習演算法建立轉出方的異常轉帳偵測模型。

可選地，自身屬性包括以下指標中的一種或多種：身份資訊指標、教育程度指標、職業狀況指標、家庭情況指標、社會資訊指標；支付行為屬性包括以下指標中的一種或多種：轉帳頻率指標、轉帳時間分佈指標、轉帳地點分佈指標、轉帳金額分佈指標、轉帳方式占比指標；交互屬性包括以下指標中的一種或多種：好友頻率指標、聯絡頻率指標、好感度指標。

本發明實施例還提供一種異常轉帳偵測裝置，包括：獲取單元，用於獲取轉帳交易資訊，轉帳交易資訊中包括轉出方資訊； 確定單元，用於根據轉出方資訊，確定轉出方的異常轉帳偵測模型，異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到；計算單元，用於將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值。

可選地，轉出方的社交屬性包括轉出方的自身屬性和從社交網路獲得的交互屬性；轉出方的歷史行為屬性包括轉出方的支付行為屬性；確定單元具體用於：根據自身屬性、交互屬性和支付行為屬性確定轉出方的用戶關係網絡；根據歷史轉帳交易正負樣本和使用者關係網絡，通過機器學習演算法建立轉出方的異常轉帳偵測模型。

可選地，計算單元具體用於：將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常概率值；根據自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常概率值，得到轉帳交易資訊的異常概率值。

可選地，確定單元具體還用於：對使用者關係網絡中的自身屬性、交互屬性和支付行為屬性進行相關性分析；從使用者關係網絡中刪除無相關性的屬性，得到修正後的用戶關係網絡；根據歷史轉帳交易正負樣本和修正後的使用者關係網絡，通過機器學習演算法建立轉出方的異常轉帳偵測模型。

可選地，自身屬性包括以下指標中的一種或多種：身份資訊指標、教育程度指標、職業狀況指標、家庭情況指標、社會資訊指標；支付行為屬性包括以下指標中的一種或多種：轉帳頻率指標、轉帳時間分佈指標、轉帳地點分佈指標、轉帳金額分佈指標、轉帳方式占比指標；交互屬性包括以下指標中的一種或多種：好友頻率指標、聯絡頻率指標、好感度指標。

本發明實施例提供一種電腦可讀存儲介質，該電腦可讀存儲介質存儲有電腦可執行指令，該電腦可執行指令用於使該電腦執行上述任一項所述的方法。

本發明實施例提供一種計算設備，包括：記憶體，用於存儲程式指令；處理器，用於調用該記憶體中存儲的程式指令，按照獲得的程式執行上述任一項所述的方法。

本發明實施例提供一種電腦程式產品，當其在電腦上運行時，使得電腦執行上述任一項所述的方法。

綜上所述，本發明實施例提供一種異常轉帳偵測方法和裝置，其中方法包括：獲取轉帳交易資訊，轉帳交易資訊中包括轉出方資訊；根據轉出方資訊，確定轉出方的異常轉帳偵測模型，異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到；將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值。本發明實施例中通過首先獲取轉帳交易資訊；然後根據轉帳交易資訊，確定轉出方的異常轉帳偵測模型，其中，異常轉帳偵測模型根據轉出方的社交屬性和 轉出方的歷史行為屬性得到，便於異常轉帳偵測系統對轉帳交易進行檢測識別，由於社交屬性和歷史行為屬性是多樣化的，因此無須用戶進行額外的安全驗證操作，從而降低轉帳交易的延遲，同時當使用者間無轉帳記錄時通過社交屬性也可以檢測出是否存在異常轉帳情況，從而提高了對異常轉帳偵測的覆蓋面與準確性；最後將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值，可以對使用者的轉帳交易進行偵測與發出異常預警。

S101-S103‧‧‧步驟

201‧‧‧獲取單元

202‧‧‧確定單元

203‧‧‧計算單元

601‧‧‧中央處理器

602‧‧‧記憶體

603‧‧‧輸入裝置

604‧‧‧輸出設備

為了更清楚地說明本發明實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡要介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域的普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明實施例提供了一種異常轉帳偵測系統整體架構示意圖；圖2為本發明實施例提供了一種異常轉帳偵測方法流程示意圖；圖3為本發明實施例提供的綜合異常概率示意圖；圖4為本發明實施例提供了用戶關係網絡的示意圖；圖5為本發明實施例提供了一種異常轉帳偵測裝置結構示意圖；圖6為本發明實施例提供的一種計算設備結構示意圖。

為了使本發明的目的、技術方案和優點更加清楚，下面將結合附圖對本發明作進一步地詳細描述，顯然，所描述的實施例僅僅是本發明一部份實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其它實施例，都屬於本發明保護的範圍。

為了更好地理解本方案，設計了本發明技術方案中的異常轉帳偵測系統，下面對設計的異常轉帳偵測系統作一下說明，異常轉帳偵測系統的整體架構圖如圖1所示：

圖1示例性示出了本發明實施例提供的一種異常轉帳偵測系統整體架構示意圖，如圖1所示，包括資料獲取模組、資料庫模組、使用者關係網絡建立模組、異常轉帳偵測模型訓練模組、異常轉帳檢測模組，其中，資料庫模組包括自身屬性資料庫、支付行為屬性資料庫、交互屬性資料庫，異常轉帳偵測模型訓練模組對接後臺交易系統。那麼，異常轉帳偵測系統整體架構的設計思路是這樣的：資料獲取模組採集使用者的自身屬性資料、支付行為屬性資料和交互屬性資料，並分別存於自身屬性資料庫、支付行為屬性資料庫和交互屬性資料庫中；使用者關係網絡建立模組根據自身屬性資料庫、支付行為屬性資料庫和交互屬性資料庫的資料，建立一個三個維度的用戶關係網絡，其中，三個維度是指的自身屬性維度、支付行為屬性維度和交互屬性維度；異常轉帳偵測模型訓練模組從後臺交易系統獲取使用者的歷史轉帳交易正負樣本，根據使用者關係網絡和使用者的歷史轉帳交易正負樣本，運用機器學習演算法建立異常轉帳偵測模型，將異常轉帳偵測模型用於異常轉帳檢測模組中，為當使用者發起轉帳交易時，對轉 帳交易進行偵測與發出異常預警。此外，異常轉帳偵測系統中使用者的關係網絡不是一成不變的，異常轉帳偵測系統採集的自身屬性資料、支付行為屬性資料和交互屬性資料隨著使用者外部關係資料改變而改變，異常轉帳偵測模型也不斷進行週期性地的更新。

對於設計的異常轉帳偵測系統整體架構具有如下優點：第一，當使用者發起一筆轉帳交易時，多樣而又龐大的用戶關係網絡包含了使用者的大量資訊，因此無需使用者進行額外的安全驗證操作，從而降低了轉帳交易的延遲，第二，當使用者間並沒有轉帳記錄時，也可以通過使用者的自身屬性資料和交互屬性資料建立使用者關係網絡，解決了若使用者間無歷史轉帳記錄時，則使用者關係網絡構建較為困難的問題，第三，通過多樣而又龐大的用戶關係網絡和使用者的歷史轉帳交易正負樣本建立異常轉帳偵測模型，並將該模型用於異常轉帳檢測模組中，提高了對異常轉帳偵測的覆蓋面與準確性。

圖2示例性示出了本發明實施例提供的一種異常轉帳偵測方法的流程示意圖，如圖2所示，該方法包括以下步驟：步驟S101：獲取轉帳交易資訊，轉帳交易資訊中包括轉出方資訊；步驟S102：根據轉出方資訊，確定轉出方的異常轉帳偵測模型，異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到；步驟S103：將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值。

上述實施例具體來說，當使用者發起一筆轉帳交易時，系統 中的異常轉帳檢測模組對轉帳交易的發起使用者A與接收用戶B進行分析，獲取發起用戶A與接收使用者B的轉帳交易資訊；將發起使用者A與接收使用者B的轉帳交易資訊輸入異常轉帳偵測模型中，得到轉帳交易資訊的異常概率值。其中，在具體實施中，將發起用戶A與接收使用者B的轉帳交易資訊輸入異常轉帳偵測模型中後，可以利用機器學習演算法得到轉帳交易資訊的異常概率值。在得到轉帳交易資訊的異常概率值之後，可以實現對使用者的轉帳交易進行偵測與發出異常預警。異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到，便於異常轉帳偵測系統對轉帳交易進行檢測識別，由於社交屬性和歷史行為屬性是多樣化的，因此無須用戶進行額外的安全驗證操作，從而降低轉帳交易的延遲，同時當使用者間無轉帳記錄時通過社交屬性也可以檢測出是否存在異常轉帳情況，從而提高了對異常轉帳偵測的覆蓋面與準確性。

其中，異常轉帳偵測模型可以通過以下三種方式得到：

方式一：異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到；具體來說，將轉出方的社交屬性和轉出方的歷史行為屬性作為異常轉帳偵測模型的輸入，運用機器學習演算法來實現對異常轉帳偵測模型的訓練，經過多次訓練之後，最終訓練出異常轉帳偵測模型。

方式二：可選地，轉出方的社交屬性包括轉出方的自身屬性和從社交網路獲得的交互屬性；轉出方的歷史行為屬性包括轉出方的支付行為屬性；異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到，包括：根據自身屬性、交互屬性和支付行為屬性確定轉出方的用戶關 係網；根據歷史轉帳交易正負樣本和使用者關係網絡，通過機器學習演算法建立轉出方的異常轉帳偵測模型；具體來說，首先根據自身屬性、交互屬性和支付行為屬性確定轉出方的用戶關係網；然後將歷史轉帳交易正負樣本和使用者關係網絡作為異常轉帳偵測模型的輸入，運用機器學習演算法來實現對異常轉帳偵測模型的訓練，經過多次訓練之後，最終訓練出異常轉帳偵測模型。

方式三：可選地，根據歷史轉帳交易正負樣本和使用者關係網絡，通過機器學習演算法建立轉出方的異常轉帳偵測模型，包括：對使用者關係網絡中的自身屬性、交互屬性和支付行為屬性進行相關性分析；從使用者關係網絡中刪除無相關性的屬性，得到修正後的用戶關係網絡；根據歷史轉帳交易正負樣本和修正後的使用者關係網絡，通過機器學習演算法建立轉出方的異常轉帳偵測模型。具體實施中，使用者關係網絡中的自身屬性、交互屬性和支付行為屬性分別包含著很多資訊或者指標，假設自身屬性、交互屬性和支付行為屬性總共包含了10000個指標，首先對這10000個指標進行相關性分析或資料清洗與篩選，例如，指標1與指標2呈現線性關係，那麼，可以保留指標1與指標2中的一個，刪除另外一個指標，假設對這10000個指標經過相關性分析或資料清洗與篩選後，最終保留下來1000個指標；然後根據1000個指標得到修正後的用戶關係網絡，將歷史轉帳交易正負樣本和修正後的使用者關係網絡作為異常轉帳偵測模型的輸入並運用機器學習演算法對異常轉帳偵測模型進行訓練，在訓練過程中，可以結合歷史轉帳交易正負樣本進行指標相關性分析再次修正用戶關係網絡，比如，1000個指標中還有一些對歷史轉帳交易的正負樣本並沒有任何影響的指標，可以將其 刪除，假設1000個指標中有500個指標對歷史轉帳交易的正負樣本並沒有任何影響，那麼得到包含500個指標的再次修正的用戶關係網絡，將再次修正的用戶關係網絡和歷史轉帳交易正負樣本作為異常轉帳偵測模型的輸入並運用機器學習演算法對異常轉帳偵測模型進行訓練，最終訓練出異常轉帳偵測模型，其中，歷史轉帳交易正負樣本是通過異常轉帳偵測系統中異常轉帳偵測模型訓練模組對接後臺交易系統獲得的，歷史轉帳交易正負樣本包括使用者歷史的正常轉帳交易記錄和異常轉帳交易記錄。其中，需要說明的第一點是：對用戶關係網絡進行了兩次修正，再次修正的用戶關係網絡可以是在對異常轉帳偵測模型的訓練過程中進行，也可以是在對異常轉帳偵測模型的訓練之前進行，比如，對再次修正的用戶關係網絡中的1000個指標結合歷史轉帳交易正負樣本進行相關性分析或資料清洗與篩選，最終篩選出500個指標，將包含500個指標的再次修正的用戶關係網絡和歷史轉帳交易正負樣本作為異常轉帳偵測模型的輸入，運用機器學習演算法對異常轉帳偵測模型進行訓練；需要說明的第二點是：具體實施中，是以一條條記錄的形式進行輸入到異常轉帳偵測模型中，例如，記錄1為：轉帳時間為早上8點、轉帳金額為8000、轉帳地點為上海、轉帳方式為刷卡、與轉帳接收用戶的關係為同事、轉帳交易為正樣本；需要說明的第三點是：具體實施中，如果使用者的歷史轉帳交易正負樣本中全是正樣本，那麼可以減少抽取該使用者的歷史轉帳交易記錄的數量，如果使用者的歷史轉帳交易正負樣本中負樣本遠遠大於正樣本的數量，那麼可以增加抽取該使用者的歷史轉帳交易記錄的數量。

通過以上三種異常轉帳偵測模型的確定方式，可以看出，對於異常轉 帳偵測模型的確定方式具有多樣化與靈活性的特點；對用戶關係網絡進行兩次修正，實際上是對用戶關係網絡進行了兩次數據降維，這樣能夠減少系統的計算量與壓力，還可以明確出哪些指標對轉帳交易能夠起到效果。

可選地，將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值，包括：將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常概率值；根據自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常概率值，得到轉帳交易資訊的異常概率值。具體來說，假設用戶A給用戶B轉帳，異常轉帳偵測系統中異常轉帳檢測模組對使用者A和使用者B進行分析獲取他們的指標，將指標輸入到異常轉帳偵測模型中，會得出三個異常概率值，分別為自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常概率值，假設分別為0.3、0.5、0.2，分別對這三個異常概率值施以適當的權重，將施加權重後的各個異常概率值相加，最終生成該轉帳交易為異常轉帳交易的綜合異常概率，假設綜合異常概率為0.25，該綜合異常概率表明當前轉帳交易為異常的風險值。如果該綜合異常概率非常大，系統直接發出異常預警。圖3示例性地示出了一種可能的綜合異常概率。

可選地，自身屬性包括以下指標中的一種或多種：身份資訊指標、教育程度指標、職業狀況指標、家庭情況指標、社會資訊指標；具體實施中，身份資訊指標還可以包括身份證、護照、性別、年齡、手機號碼等表徵使用者身份的資訊；教育程度指標表明用戶的文化水準；職業狀況指標反映用戶是否有固定正當職業以及工作更換頻率；家庭情況指標包 含婚姻與子女情況等；社會資訊指標包括社保、醫保匯繳情況以及社會信用情況，社會信用情況可以是銀行卡逾期或公共事業繳費逾期欠費等。異常轉帳偵測系統根據自身屬性資訊，刻畫出使用者的基本情況畫像。例如，若使用者無固定職業、身份資訊不完整或造假、社會資訊不良好等等，而轉帳交易金額卻比較大，則無論作為轉帳交易的發起使用者還是接收使用者，該筆轉帳交易的異常概率相對較高，如該筆轉帳可能為洗錢或電信詐騙活動。

支付行為屬性包括以下指標中的一種或多種：轉帳頻率指標、轉帳時間分佈指標、轉帳地點分佈指標、轉帳金額分佈指標、轉帳方式占比指標；具體實施中，支付行為屬性的資料主要從銀行本身通道、卡組織、協力廠商支付機構等獲得，支付行為屬性的資料包括歷史轉帳記錄、歷史消費明細等等。在歷史轉帳記錄中，基於但不限於轉帳物件、轉帳金額、轉帳時間、轉帳地點、轉帳方式等關鍵資訊，其中，轉帳物件包括帳戶和卡號等，轉帳對象、轉帳金額、轉帳時間、轉帳地點、轉帳方式用以統計分析轉帳物件的分佈以及相應的轉帳頻率、使用者轉帳金額分佈、轉帳時間與地點分佈、轉帳方式占比等指標。在轉帳物件分析中，根據轉帳頻率由高到低將物件進行排序；在轉帳金額、轉帳時間、轉帳地點分佈中，可以分析獲得用戶的轉帳金額區間以及隨時間的波動趨勢，如用戶轉帳呈現規律分佈且波動平緩，但當前轉帳金額突增，且轉帳時間也游離於分佈之外，則轉帳異常概率較高；對使用者歷史轉帳方式的占比分析，可知曉用戶更傾向於傳統管道，如ATM、銀行櫃面還是創新管道如電腦端、移動端進行轉帳交易，如使用者經常通過傳統管道進行轉帳交易，而當前轉帳 通過移動端進行，則該指標對轉帳異常概率的判斷權重增加。此外，在使用者的歷史轉帳交易資料中，通過使用者歷史轉帳交易與消費記錄從消費頻率、消費金額、消費方式等資訊，分析使用者的消費力指數與交易管道。消費力指數表明該用戶的消費水準，反映用戶的消費力與購買力，即經常出現大額消費或是小額消費。消費方式表明該使用者更傾向於傳統支付方式如POS機刷卡等還是創新支付方式如雲閃付、二維碼掃碼支付等，進而反映出該用戶對移動創新支付的狂熱度。

交互屬性包括以下指標中的一種或多種：好友頻率指標、聯絡頻率指標、好感度指標。在本發明具體實施中，除了建立使用者間的支付行為屬性關係網絡，還建立了使用者的交互屬性關係網絡，這樣一來轉帳的雙方即使沒有歷史轉帳記錄，也能通過交互屬性判斷彼此的關係強弱。在交互屬性中，資料包括微信、QQ、微博、郵件、電信運營商如短信或通話、網遊、甚至博彩資料等等，每個使用者都會建立起一張複雜的交互屬性關係網絡。在交互屬性關係網絡中，主要指標有好友頻度、聯絡頻率、好感度等一系列能反映用戶與其他用戶關聯緊密程度的指標。好友頻度指標，反映的是用戶間好友關係的緊密程度，如用戶雙方在微信、qq等多類社交軟體中均為好友關係，則該用戶間好友頻度較高。聯絡頻率指標，反映的是使用者間聯繫頻率的高低，主要從通訊類社交資料中獲得使用者間的聯絡頻率。好感度指標，反映的是用戶間關係的正負好壞，可以利用自然語言分析技術對使用者聊天通訊內容進行分詞、詞頻統計、好壞詞分析等，獲取用戶間的好感度。除社交網路應用外，諸如網路遊戲、博彩等資料也能反映使用者複雜的關係網絡，如在網遊中，同一個團隊中隊員間 的關係可以進一步補充交互屬性關係網絡。

由於使用者關係網絡根據自身屬性、交互屬性和支付行為屬性確定的，那麼，基於以上對自身屬性、交互屬性和支付行為屬性的具體介紹的內容，下面介紹基於自身屬性、交互屬性和支付行為屬性的使用者關係網絡的具體建立過程，包括三個過程：

自身屬性、交互屬性和支付行為屬性可以認為是使用者關係網絡的三個維度，1、對自身屬性、交互屬性和支付行為屬性中的資訊進行打分：在自身屬性維度中，對使用者的身份資訊指標、教育程度指標、職業狀況指標、家庭情況指標、社會資訊指標進行評判並分別打分，如果轉帳交易的雙方使用者的身份資訊完整真實、職業穩定、社會資訊良好，顯然會降低轉帳交易為異常的概率，對使用者的身份資訊指標、職業狀況指標、社會資訊指標打的分數可以打低點；在交互屬性維度中，通過對好友頻率指標、聯絡頻率指標、好感度指標等進行評判並打分，好友頻率指標、聯絡頻率指標、好感度指標可以直觀地反映用戶間是否存在社交關係、聯繫緊密程度以及用戶間正面或負面的感情色彩，例如，用戶A的好友用戶B向用戶A申請轉帳需求，但在交互屬性維度中發現使用者A與B之間好友頻度較低、聯絡很少、也無好感度，說明用戶A與B的社交交互屬性比較薄弱，使用者B很大可能被盜號了，則這時對交互屬性的好友頻率指標、聯絡頻率指標、好感度指標打的分數較高；在支付行為屬性維度中，將對使用者所有的轉帳交易與消費記錄進行深入挖掘分析，獲取使用者轉帳物件的疏密關係、分析使用者轉帳交易或消費習慣，刻畫其支付畫像。當前轉帳交易的發起使用者與接收使用者之間歷史轉帳交易、消費等行為頻繁，且轉帳金額穩 定、符合用戶的消費力水準，則當前轉帳交易為異常的概率相對較低，則對支付行為屬性維度中的資訊可以打較低的分數；相反，轉帳發起用戶與接收使用者並無轉帳交易往來，而轉帳接收用戶的支付關係複雜而無規律，且當前轉帳金額相對轉帳發起用戶的消費力來說嚴重不符，則轉帳異常概率較大，如轉帳發起用戶可能遭受電信詐騙活動，這時對支付行為屬性維度中的資訊可以打較高的分數；2、對自身屬性、交互屬性和支付行為屬性中的資訊打的分數生成各個權重值；3、以轉帳用戶為中心節點，以各個權重值為邊，形成用戶關係網絡圖。圖4示例性地示出了一種可能的用戶關係網絡。

從上述內容可看出：本發明實施例中提供了一種異常轉帳偵測方法，獲取轉帳交易資訊，轉帳交易資訊中包括轉出方資訊；根據轉出方資訊，確定轉出方的異常轉帳偵測模型，異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到；將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值。本發明實施例中通過首先獲取轉帳交易資訊；然後根據轉帳交易資訊，確定轉出方的異常轉帳偵測模型，其中，異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到，便於系統對轉帳交易進行檢測識別，由於社交屬性和歷史行為屬性是多樣化的，因此無須用戶進行額外的安全驗證操作，從而降低轉帳交易的延遲，同時當使用者間無轉帳記錄時也可以檢測出是否存在異常轉帳情況，從而提高了對異常轉帳偵測的覆蓋面與準確性；最後將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值，可以對使用者的轉帳交易進行偵測與發出異常預警。

基於相同構思，本發明實施例提供的一種異常轉帳偵測裝置，圖5示例性示出了本發明實施例提供的一種異常轉帳偵測裝置，如圖5所示，該裝置包括獲取單元201、確定單元202、計算單元203。其中：獲取單元201，用於獲取轉帳交易資訊，轉帳交易資訊中包括轉出方資訊；確定單元202，用於根據轉出方資訊，確定轉出方的異常轉帳偵測模型，異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到；計算單元203，用於將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值。

可選地，轉出方的社交屬性包括轉出方的自身屬性和從社交網路獲得的交互屬性；轉出方的歷史行為屬性包括轉出方的支付行為屬性；確定單元202具體用於：根據自身屬性、交互屬性和支付行為屬性確定轉出方的用戶關係網；根據歷史轉帳交易正負樣本和使用者關係網絡，通過機器學習演算法建立轉出方的異常轉帳偵測模型。

可選地，計算單元203具體用於：將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常概率值；根據自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常 概率值，得到轉帳交易資訊的異常概率值。

可選地，確定單元202具體還用於：對使用者關係網絡中的自身屬性、交互屬性和支付行為屬性進行相關性分析；從使用者關係網絡中刪除無相關性的屬性，得到修正後的用戶關係網絡；根據歷史轉帳交易正負樣本和修正後的使用者關係網絡，通過機器學習演算法建立轉出方的異常轉帳偵測模型。

可選地，自身屬性包括以下指標中的一種或多種：身份資訊指標、教育程度指標、職業狀況指標、家庭情況指標、社會資訊指標；支付行為屬性包括以下指標中的一種或多種：轉帳頻率指標、轉帳時間分佈指標、轉帳地點分佈指標、轉帳金額分佈指標、轉帳方式占比指標；交互屬性包括以下指標中的一種或多種：好友頻率指標、聯絡頻率指標、好感度指標。

從上述內容可看出：本發明實施例中提供了一種異常轉帳偵測裝置，該裝置包括用於獲取轉帳交易資訊的獲取單元，其中，轉帳交易資訊中包括轉出方資訊；用於根據轉出方資訊，確定轉出方的異常轉帳偵測模型的確定單元，其中，異常轉帳偵測模型根據轉出方的社交屬性和轉出方的歷史行為屬性得到；用於將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值的計算單元。本發明實施例中通過首先獲取轉帳交易資訊；然後根據轉帳交易資訊，確定轉出方的異常轉帳偵測模型，其中，異常轉帳偵測模型根據轉出方的社交屬性和轉出方的 歷史行為屬性得到，便於異常轉帳偵測系統對轉帳交易進行檢測識別，由於社交屬性和歷史行為屬性是多樣化的，因此無須用戶進行額外的安全驗證操作，從而降低轉帳交易的延遲，同時當使用者間無轉帳記錄時通過社交屬性也可以檢測出是否存在異常轉帳情況，從而提高了對異常轉帳偵測的覆蓋面與準確性；最後將轉帳交易資訊輸入轉出方的異常轉帳偵測模型，得到轉帳交易資訊的異常概率值，可以對使用者的轉帳交易進行偵測與發出異常預警。

基於相同的技術構思，本發明實施例還提供一種計算設備，該計算設備具體可以為桌上型電腦、可擕式電腦、智慧手機、平板電腦、個人數位助理(Personal Digital Assistant，PDA)等。如圖6所示，為本發明實施例提供的一種計算設備結構示意圖，該計算設備可以包括中央處理器601(Center Processing Unit，CPU)、記憶體602、輸入裝置603、輸出設備604等，輸入裝置603可以包括鍵盤、滑鼠、觸控式螢幕等，輸出設備604可以包括顯示裝置，如液晶顯示器(Liquid Crystal Display，LCD)、陰極射線管(Cathode Ray Tube，CRT)等。

記憶體602可以包括唯讀記憶體(ROM)和隨機存取記憶體(RAM)，並向處理器提供記憶體中存儲的程式指令和資料。在本發明實施例中，記憶體可以用於存儲本發明任一實施例所提供的方法的程式，處理器通過調用記憶體存儲的程式指令，按照獲得的程式指令執行上述任一實施例所公開的方法。

基於相同的技術構思，本發明實施例還提供一種電腦可讀存 儲介質，用於存儲為上述計算設備所用的電腦程式指令，其包含用於執行上述任一實施例所公開的方法的程式。

該電腦存儲介質可以是電腦能夠存取的任何可用介質或資料存放裝置，包括但不限於磁性記憶體(例如軟碟、硬碟、磁帶、磁光碟(MO)等)、光學記憶體(例如CD、DVD、BD、HVD等)、以及半導體記憶體(例如ROM、EPROM、EEPROM、非易失性記憶體(NAND FLASH)、固態硬碟(SSD))等。

基於相同的技術構思，本發明實施例還提供一種電腦程式產品，當其在電腦上運行時，使得電腦執行上述任一實施例所公開的方法。

儘管已描述了本發明的優選實施例，但本領域內的技術人員一旦得知了基本創造性概念，則可對這些實施例作出另外的變更和修改。所以，所附申請專利範圍意欲解釋為包括優選實施例以及落入本發明範圍的所有變更和修改。

顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和範圍。這樣，倘若本發明的這些修改和變型屬於本發明申請專利範圍及其等同技術的範圍之內，則本發明也意圖包括這些改動和變型在內。

Claims (13)

1. 一種異常轉帳偵測方法，其特徵在於，包括：獲取轉帳交易資訊，該轉帳交易資訊中包括轉出方資訊；根據該轉出方資訊，確定轉出方的異常轉帳偵測模型，該異常轉帳偵測模型根據該轉出方的社交屬性和該轉出方的歷史行為屬性得到；將該轉帳交易資訊輸入該轉出方的異常轉帳偵測模型，得到該轉帳交易資訊的異常概率值。
2. 如請求項1所述的異常轉帳偵測方法，其中，該轉出方的社交屬性包括轉出方的自身屬性和從社交網路獲得的交互屬性；該轉出方的歷史行為屬性包括該轉出方的支付行為屬性；該異常轉帳偵測模型根據該轉出方的社交屬性和該轉出方的歷史行為屬性得到，包括：根據該自身屬性、該交互屬性和該支付行為屬性確定該轉出方的用戶關係網絡；根據歷史轉帳交易正負樣本和該使用者關係網絡，通過機器學習演算法建立該轉出方的異常轉帳偵測模型。
3. 如請求項2所述的異常轉帳偵測方法，其中，該將該轉帳交易資訊輸入該轉出方的異常轉帳偵測模型，得到該轉帳交易資訊的異常概率值，包括：將該轉帳交易資訊輸入該轉出方的異常轉帳偵測模型，得到該轉帳交易資訊的自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常概率值；根據該自身屬性異常概率值、該交互屬性異常概率值和該支付行為屬性異常概率值，得到該轉帳交易資訊的異常概率值。
4. 如請求項2所述的異常轉帳偵測方法，其中，該根據歷史轉帳交易正負 樣本和該使用者關係網絡，通過機器學習演算法建立該轉出方的異常轉帳偵測模型，包括：對該使用者關係網絡中的自身屬性、交互屬性和支付行為屬性進行相關性分析；從該用戶關係網絡中刪除無相關性的屬性，得到修正後的用戶關係網絡；根據該歷史轉帳交易正負樣本和該修正後的用戶關係網絡，通過機器學習演算法建立該轉出方的異常轉帳偵測模型。
5. 如請求項4所述的異常轉帳偵測方法，其中，該自身屬性包括以下指標中的一種或多種：身份資訊指標、教育程度指標、職業狀況指標、家庭情況指標、社會資訊指標；該支付行為屬性包括以下指標中的一種或多種：轉帳頻率指標、轉帳時間分佈指標、轉帳地點分佈指標、轉帳金額分佈指標、轉帳方式占比指標；該交互屬性包括以下至少指標中的一種或多種：好友頻率指標、聯絡頻率指標、好感度指標。
6. 一種異常轉帳偵測裝置，其特徵在於，包括：獲取單元，用於獲取轉帳交易資訊，該轉帳交易資訊中包括轉出方資訊；確定單元，用於根據該轉出方資訊，確定轉出方的異常轉帳偵測模型，該異常轉帳偵測模型根據該轉出方的社交屬性和該轉出方的歷史行為屬性得到；計算單元，用於將該轉帳交易資訊輸入該轉出方的異常轉帳偵測模型，得到該轉帳交易資訊的異常概率值。
7. 如請求項6所述的異常轉帳偵測裝置，其中， 該轉出方的社交屬性包括轉出方的自身屬性和從社交網路獲得的交互屬性；該轉出方的歷史行為屬性包括該轉出方的支付行為屬性；該確定單元，具體用於根據該自身屬性、該交互屬性和該支付行為屬性確定該轉出方的用戶關係網絡；根據歷史轉帳交易正負樣本和該使用者關係網絡，通過機器學習演算法建立該轉出方的異常轉帳偵測模型。
8. 如請求項7所述的異常轉帳偵測裝置，其中，該計算單元，具體用於將該轉帳交易資訊輸入該轉出方的異常轉帳偵測模型，得到該轉帳交易資訊的自身屬性異常概率值、交互屬性異常概率值和支付行為屬性異常概率值；根據該自身屬性異常概率值、該交互屬性異常概率值和該支付行為屬性異常概率值，得到該轉帳交易資訊的異常概率值。
9. 如請求項7所述的異常轉帳偵測裝置，其中，該確定單元，具體還用於對該使用者關係網絡中的自身屬性、交互屬性和支付行為屬性進行相關性分析；從該用戶關係網絡中刪除無相關性的屬性，得到修正後的用戶關係網絡；根據該歷史轉帳交易正負樣本和該修正後的用戶關係網絡，通過機器學習演算法建立該轉出方的異常轉帳偵測模型。
10. 如請求項9所述的異常轉帳偵測裝置，其中，該自身屬性包括以下指標中的一種或多種：身份資訊指標、教育程度指標、職業狀況指標、家庭情況指標、社會資訊指標；該支付行為屬性包括以下指標中的一種或多種：轉帳頻率指標、轉帳時間分佈指標、轉帳地點分佈指標、轉帳金額分佈指標、轉帳方式占比 指標；該交互屬性包括以下指標中的一種或多種：好友頻率指標、聯絡頻率指標、好感度指標。
11. 一種電腦可讀存儲介質，其特徵在於，該電腦可讀存儲介質存儲有電腦可執行指令，該電腦可執行指令用於使該電腦執行如請求項1至5中任一項所述的方法。
12. 一種計算設備，其特徵在於，包括：記憶體，用於存儲程式指令；處理器，用於調用該記憶體中存儲的程式指令，按照獲得的程式執行如請求項1至5中任一項所述的方法。
13. 一種電腦程式產品，其特徵在於，當該電腦程式產品在電腦上運行時，使得電腦執行如請求項1至5中任一項所述的方法。