[发明专利]互联网金融平台网络借贷欺诈检测系统

说明书

一种网络借贷欺诈检测系统，嵌入于互联网网络借贷审核系统，连接网络借贷记录数据供应模块，包括网络构建与更新模块、网络学习表征模块、特征构建模块、欺诈检测模型。网络构建与更新模块，包括关系借贷网络构建与更新模块、同质借贷网络的构建与更新模块，关系借贷网络构建与更新模块与同质借贷网络的构建与更新模块连接；网络表征学习模块，包括静态网络表征学习模块和增量式网络表征学习模块；特征构建模块，包括数据向量化模块和时序特征构造模块，数据向量化模块输出与时序特征构造模块输入连接，静态网络表征学习模块和增量式网络表征学习模块的输出分别与数据向量化模块的输入连接；所述欺诈检测模块，对测试数据实现欺诈检测。

技术领域

本发明涉及互联网金融网络借贷的反欺诈检测。

背景技术

随着互联网的迅速发展，各种传统的业务逐渐转至线上，互联网金融中的网络借贷迅速发展，网络借贷的产生将带来大量的电子交易数据，同时伴随着网络借贷欺诈数量的大量增加[1]。近年来，B2C网络借贷在全球尤其是中国发展迅速，其中，B2C网络借贷机构遭受大量坏账和借贷，产生巨大的经济损失[2]。欺诈者通过伪造虚假的借款人信息，甚至生成团伙化的虚假借款人来完成大批量网络借贷欺诈。为保障网络借贷中投资机构和正常用户的业务安全，需要建立切实有效的网络借贷欺诈检测系统。

在B2C借贷场景中，个人可能通过伪冒申请、提供虚假资料和虚假联系人、多头借贷等方式获取信贷资源；更有甚者，通过黑灰色产业的代办包装、组团骗贷等方式获取额度和资金。这些虚假的借贷数据中往往存在潜在的关联。网络表征学习已经在挖掘数据之间的潜在联系上表现出强有力的作用[3]。然而，目前大多数的欺诈检测系统基于静态的借贷数据网络进行周期性地更新网络，这无法适应网络时代欺诈手段的快速变化，如：黑灰色产业在短时间内生成大量相关联借贷数据，由于静态的借贷网络并未及时学习到这些关联，而无法有效阻止欺诈行为的发生。此外，B2C网络借贷极短的时间内就可以产生大量的借贷数据，借贷数据的不断增长和欺诈手段的不断变化，迫切需要动态的增加新数据和删除旧数据，这将导致基于静态网络表征学习的欺诈检测方法不能适应借贷网络结构的变化。

目前为止，关于网络借贷方面的研究主要集中在静态的数据上如何建立高效的欺诈检测模型[4]，只有较少的研究涉及到动态地更新模型。Talaver等人[5]训练了一个径向基函数网络来区分客户是否有借贷欺诈行为，并建立一个模糊c-means聚类来对数据点进行分组，以通过对簇内数据进行分组创建客户档案。Babaev等人[6]在细粒度的跨国数据上使用神经网络来处理贷款数据，仅基于业务数据提出一个新的方法—E.T.RNN，实现自动化地对贷款申请作出决策。

通过以上研究发现，B2C网络借贷欺诈检测的一个主要问题是缺乏对短期内新颖欺诈手段的应对方法。传统检测方法存在一个较长的周期，随着时间推移，很多欺诈方法发生改变，进而缺乏较好的泛化能力。

发明内容

欺诈的借贷申请往往通过伪冒申请、提供虚假资料和多头借贷等方式通过审核系统，这些虚假的信息之间往往存在潜在的关联性，尤其是在黑灰色产业的代办包装、组团骗贷中更为明显。得益于当前网络借贷产生的丰富借贷数据，分析并以此作为基础，设计网络借贷欺诈检测系统，保护用户和企业的安全。

本发明原理：用表征能力强大的异质信息网络的形式来分析现实世界借贷数据，将借贷数据以异质信息网络(包含多种类型的节点和边，如：借贷单号、车牌号、电话、住址等)的形式建立一个关系借贷网络。从多类型异质的关系借贷网络中抽取特定关系，形成仅保留一种节点类型的同质借贷网络(借贷数据的同质网络生成过程如图1所示)。针对每一批到达的借贷数据，依次更新关系借贷网络和同质借贷网络，并运用增量式的网络表征学习算法及时更新同质借贷网络中节点的向量表征，以期能够捕获数据之间的最新关联性。基于学习到的向量表征构造和与时序有关的新特征(如：单号与前n个发生的单号的关系)，结合分类器实现对借贷数据欺诈检测的二分类模型，进而实现对欺诈的检测与识别。

本发明给出系统技术方案为：