[发明专利]一种反洗钱数据监控方法、系统、存储介质、智能终端

权利要求书

1.一种反洗钱数据监控方法，其特征在于，所述反洗钱数据监控方法包括：

在客户维度和交易维度下构建可疑案例检测模型所需要的特征体系；

根据特征区分总体案例，训练大数据处理框架上的不同可疑案例检测模型；

将不同可疑案例检测模型训练后，对可疑案例进行类别划分；

可疑案例类别划分的结果储存在数据库中，进行批量导入导出搜索，并形成可视化图谱。

2.如权利要求1所述的反洗钱数据监控方法，其特征在于，所述构建可疑案例检测模型所需要的特征体系的过程包括：分为客户和交易两个维度，客户维度下深入挖掘每一个客户的账号信息，形成用户画像；交易维度下追踪长短期的交易信息，构建不同区间的时间窗口，经过统计计算形成交易维度下的特征体系。

3.如权利要求1所述的反洗钱数据监控方法，其特征在于，所述不同可疑案例检测模型的训练过程包括：根据大体上的交易额度和交易类型特征区分总体案例，对不同类别案例自动匹配模型参数进入模型训练过程，逐层通过LP，DBSCAN，K-meansAI算法模型，得到案件可疑度评分。

4.如权利要求1所述的反洗钱数据监控方法，其特征在于，所述对可疑案例进行类别划分的过程包括：对案件可疑度进行排序，得到AI识别触发的可疑案例，再将案例返回规则匹配表，与人工制定的各项违规指标做匹配，得到规则匹配触发的可疑度，根据AI识别和规则触发的两项指标，对案例做划分，得到双触发，单项触发，都不触发的类别进行审核。

5.如权利要求1所述的反洗钱数据监控方法，其特征在于，所述可疑案例类别划分的结果储存在数据库中，进行批量导入导出搜索，并形成可视化图谱具体包括：运行后的结果分别写入hive数据库，以及neo4j图数据库中；将相应的数据储存在Hive数据库中，并基于neo4j构建了可疑案例相关的知识图谱，将案例相关客户信息，交易记录做可视化展示。

6.如权利要求1所述的反洗钱数据监控方法，其特征在于，所述特征体系包括交易特征体系以及客户特征体系，处理方式上运用了时序序列计算和统计运算等方式形成最终所需特征体系；

所述大数据处理框架上的不同可疑案例检测模型不同模型包括基于Spark运行的迭代K-means，DBscan，LP模型。

7.如权利要求1所述的反洗钱数据监控方法，其特征在于，所述反洗钱数据监控方法具体包括：

第一步，结合规则指标，形成两大类特征体系，账户交易特征数据和客户特征体系；

第二步，设计策略选择器，提取上一步中产生的几类重要特征，将案例数据进行分类，根据不同数据类型自动匹配对应的模型训练超参数；

第三步，模型训练，将输入数据依次经过两层模型的训练，第一层是案例数据的粗筛选，第二层是结合了几种不同模型的训练结果，是对案例数据的精过滤，每一个模型训练的过程都是一次可疑案例的查找，多次查找后的结果为AI训练返回的可疑案例；

第四步，在模型训练返回可疑案例后，结合反洗钱专家给出的各类洗钱案例规则评分表，统计可疑监测模型案例各项特征值，经过计算后，将可疑度评分超过阈值的案例打上规则触发的标签，与第三步中的AI触发标签相结合返回最终的结果，将所有可疑案例分为规则触发，AI触发，规则+AI触发。

8.如权利要求7所述的反洗钱数据监控方法，其特征在于，所述第一步当建模无数据或者数据量少时，结合反洗钱业务和规则知识，模型冷启动；

所述第二步具体包括：针对启动时无标签数据状态下，单独使用无监督聚类算法；当有部分标签数据时，在无监督聚类的基础上，增加有监督聚类过滤和半监督标签传播算法共同参与可疑检测，当数据质量和数量满足要求下，使用有监督的树模型算法。

9.如权利要求7所述的反洗钱数据监控方法，其特征在于，所述第三步模型算法对规则、关联关系的个性化拟合，对每一个案例的评估结果进行解释。