[发明专利]互联网信贷场景下的实时欺诈检测方法及装置

说明书

本发明提供了一种互联网信贷场景下的实时欺诈检测方法及装置，该方法包括：获取目标用户通过互联网信贷APP授权后发送的授权数据；基于授权数据构建目标用户的特征向量；通过K‑MEANS算法对特征向量进行训练，得到无监督反欺诈机器学习模型；通过无监督反欺诈机器学习模型对特征向量进行欺诈概率计算，得到目标用户的欺诈概率。该方法充分利用了目标用户的授权数据，对授权数据向量化得到特征向量，进而通过K‑MEANS算法建模得到无监督反欺诈机器学习模型，无监督反欺诈机器学习模型再对特征向量进行欺诈概率计算，得到目标用户的欺诈概率，该方法能够实时发现新式的欺诈模式，缓解了现有的欺诈检测方法无法在较短时间内识别出新式的欺诈模式的技术问题。

技术领域

本发明涉及互联网信贷风控的技术领域，尤其是涉及一种互联网信贷场景下的实时欺诈检测方法及装置。

背景技术

互联网信贷产业，近几年得到了飞速发展，呈现出百家争鸣、百花齐放的局面，伴随着产业的欣荣发展，欺诈黑色产业链也在不断地渗透到该领域，各种新颖的欺诈模式层出不穷，对互联网信贷产业的健康发展蒙上了一层阴影。据不完全统计，每年因欺诈导致的损失在500亿—1000亿，欺诈风险已成为互联网信贷产业风险的重中之重。

信贷产业防范欺诈的主要方法是基于规则引擎的方法和基于监督机器学习模型的方法，基于规则引擎的方法是通过将风控专家的经验知识转化为欺诈防范规则，通过规则引擎的方式进行匹配。基于监督机器学习模型的方法，通过将有欺诈行为的人群和没有欺诈行为的人群组合为样本数据，通过选取相应的特征，利用监督机器学习方法，构建模型，用以识别欺诈风险。

上述两种方法在传统的信贷行业中，效果较为明显，然而在互联网信贷场景下，在互联网的大背景下，创新业务发展迅速，因此，针对各种业务场景下的欺诈手段和技术也在不断更新，基于规则引擎和监督机器学习模型的方法都是根据现有的欺诈模式得到的模型，只能识别现有的欺诈模式，无法在较短时间内识别新式的欺诈模式。

综上，现有的信贷产业防范欺诈的方法无法在较短时间内识别出新式的欺诈模式。

发明内容

有鉴于此，本发明的目的在于提供一种互联网信贷场景下的实时欺诈检测方法及装置，以缓解现有的信贷产业防范欺诈的方法无法在较短时间内识别出新式的欺诈模式的技术问题。

第一方面，本发明实施例提供了一种互联网信贷场景下的实时欺诈检测方法，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。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，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。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，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：