[发明专利]互联网信贷场景下的实时欺诈检测方法及装置

权利要求书

1.一种互联网信贷场景下的实时欺诈检测方法，其特征在于，所述方法包括：

获取目标用户通过互联网信贷APP授权后发送的授权数据，其中，所述授权数据包括：所述目标用户的设备数据，所述目标用户的行为数据，所述目标用户的社交数据，所述目标用户的申请业务数据；

基于所述授权数据构建所述目标用户的特征向量，其中，所述特征向量包括：统计特征向量，关系特征向量，行为特征向量；

通过K-MEANS算法对所述特征向量进行训练，得到无监督反欺诈机器学习模型；

通过所述无监督反欺诈机器学习模型对所述特征向量进行欺诈概率计算，得到所述目标用户的欺诈概率；

其中，基于所述授权数据构建所述目标用户的特征向量包括：

对所述目标用户的行为数据和所述目标用户的设备数据进行计算，得到所述统计特征向量；

对所述目标用户的社交数据，所述目标用户的申请数据和所述目标用户的设备数据进行计算，得到所述关系特征向量；

对所述目标用户的行为数据进行计算，得到所述行为特征向量，其中，所述行为特征向量包括：输入行为特征向量，操作行为特征向量；

其中，对所述目标用户的行为数据和所述目标用户的设备数据进行计算，得到所述统计特征向量包括：

获取非欺诈人群的目标特征范围和欺诈人群的目标特征范围；

基于所述目标用户的行为数据和所述目标用户的设备数据提取所述目标用户的目标特征，其中，所述目标用户的目标特征包括：地理信息申请频次，IP的申请频次，设备电量占比，陀螺仪的平均加速度；

结合所述非欺诈人群的目标特征范围，所述欺诈人群的目标特征范围以及所述目标用户的目标特征，确定所述目标用户所属的人群分布；

基于所述目标用户所属的人群分布计算所述统计特征向量；

其中，对所述目标用户的社交数据，所述目标用户的申请数据和所述目标用户的设备数据进行计算，得到所述关系特征向量包括：

将所述目标用户的设备数据，所述目标用户的社交数据以及所述目标用户的申请数据与历史关系图谱建立关联，其中，所述历史关系图谱为根据历史授权数据得到的关系图谱；

通过社区发现算法对所述历史关系图谱进行计算，得到所述目标用户所属的社交群体；

通过所述社交群体的欺诈风险更新所述历史关系图谱中边的权重值，得到更新后的关系图谱，其中，所述社交群体的欺诈风险为根据所述历史授权数据获得的；

通过随机游走算法和node2vector对所述更新后的关系图谱进行计算，得到所述关系特征向量；

其中，对所述目标用户的行为数据进行计算，得到所述行为特征向量包括：

在所述目标用户的行为数据中提取输入行为数据；

根据所述输入行为数据计算输入行为的输入总耗时，输入平均耗时，输入字符的平均间隔耗时，方差，其中，所述输入行为包括：输入身份证号的行为，输入手机号的行为，输入银行卡号的行为，所述方差用于表示输入字符间隔的波动情况；

将所述输入总耗时，所述输入平均耗时，所述输入字符的平均间隔耗时，所述方差作为所述目标用户的所述输入行为特征向量；

在所述目标用户的行为数据中提取操作行为数据；

对所述操作行为数据进行分析，得到操作行为的操作时延序列，其中，所述操作行为为操作所述互联网信贷APP的行为；

将所述操作时延序列作为所述操作行为特征向量。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过所述无监督反欺诈机器学习模型对所述目标用户所属的群体进行欺诈概率计算，得到所述群体的欺诈概率。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过统计分析方法对所述目标用户所属的群体的操作行为进行计算，得到所述群体的行为模式向量；

对所述行为模式向量进行实时监控；

当所述行为模式向量出现显著变化时，确定所述群体为具有潜伏期的欺诈群体。

4.一种互联网信贷场景下的实时欺诈检测装置，其特征在于，所述装置包括：

获取模块，用于获取目标用户通过互联网信贷APP授权后发送的授权数据，其中，所述授权数据包括：所述目标用户的设备数据，所述目标用户的行为数据，所述目标用户的社交数据，所述目标用户的申请业务数据；

构建模块，用于基于所述授权数据构建所述目标用户的特征向量，其中，所述特征向量包括：统计特征向量，关系特征向量，行为特征向量；

训练模块，用于通过K-MEANS算法对所述特征向量进行训练，得到无监督反欺诈机器学习模型；

第一欺诈概率计算模块，用于通过所述无监督反欺诈机器学习模型对所述特征向量进行欺诈概率计算，得到所述目标用户的欺诈概率；

其中，所述构建模块包括：

第一计算单元，用于对所述目标用户的行为数据和所述目标用户的设备数据进行计算，得到所述统计特征向量；

第二计算单元，用于对所述目标用户的社交数据，所述目标用户的申请数据和所述目标用户的设备数据进行计算，得到所述关系特征向量；

第三计算单元，用于对所述目标用户的行为数据进行计算，得到所述行为特征向量，其中，所述行为特征向量包括：输入行为特征向量，操作行为特征向量；

其中，所述第一计算单元包括：

获取子单元，用于获取非欺诈人群的目标特征范围和欺诈人群的目标特征范围；

第一提取子单元，用于基于所述目标用户的行为数据和所述目标用户的设备数据提取所述目标用户的目标特征，其中，所述目标用户的目标特征包括：地理信息申请频次，IP的申请频次，设备电量占比，陀螺仪的平均加速度；

确定子单元，用于结合所述非欺诈人群的目标特征范围，所述欺诈人群的目标特征范围以及所述目标用户的目标特征，确定所述目标用户所属的人群分布；

第一计算子单元，用于基于所述目标用户所属的人群分布计算所述统计特征向量；

其中，所述第二计算单元包括：

建立关联子单元，用于将目标用户的设备数据，目标用户的社交数据以及目标用户的申请数据与历史关系图谱建立关联，其中，历史关系图谱为根据历史授权数据得到的关系图谱；

第二计算子单元，用于通过社区发现算法对历史关系图谱进行计算，得到目标用户所属的社交群体；

更新子单元，用于通过社交群体的欺诈风险更新历史关系图谱中边的权重值，得到更新后的关系图谱，其中，社交群体的欺诈风险为根据历史授权数据获得的；

第三计算子单元，用于通过随机游走算法和node2vector对更新后的关系图谱进行计算，得到关系特征向量；

其中，所述第三计算单元包括：

第二提取子单元，用于在目标用户的行为数据中提取输入行为数据；

第四计算子单元，用于根据输入行为数据计算输入行为的输入总耗时，输入平均耗时，输入字符的平均间隔耗时，方差，其中，输入行为包括：输入身份证号的行为，输入手机号的行为，输入银行卡号的行为，方差用于表示输入字符间隔的波动情况；

第一设定子单元，用于将输入总耗时，输入平均耗时，输入字符的平均间隔耗时，方差作为目标用户的输入行为特征向量；

第三提取子单元，用于在目标用户的行为数据中提取操作行为数据；

分析子单元，用于对操作行为数据进行分析，得到操作行为的操作时延序列，其中，操作行为为操作互联网信贷APP的行为；

第二设定子单元，用于将操作时延序列作为操作行为特征向量。