[发明专利]一种金融信贷反欺诈方法、装置和介质

说明书

本发明涉及金融信贷反欺诈领域，公开了一种金融信贷反欺诈方法，该方法利用信贷中的数据构建多关系时序网络，并对网络中节点特征进行转化，使得表征向量保留原有数据特征的同时，还保留了原数据的角色信息；使用邻居聚合的方法将不同关系不同时间下的网络节点特征进行更新，并添加对应的异步时间戳信息；最后使用门控循环后期融合模型对不同关系各个时间步的特征进行融合，获得融合后的信贷申请者的图节点联合特征，对申请者是否是消费套现或信用卡套现进行准确地判断，达到高效信贷反欺诈的效果。

技术领域

本发明涉及金融信贷反欺诈领域，尤其涉及一种金融信贷反欺诈方法、装置和介质。

背景技术

最开始判断申请人是否会违法或用虚假的手段交换取得现金利益，使用的是人为定义规则对申请人进行筛查的方法，该方法对规则的要求高，需要大量的先验知识，而且目前存在的欺诈手段多种多样，很难用简单的规则进行筛查。而后随着机器学习与深度学习的发展，业内逐渐利用买方的属性和历史行为信息等特征，使用不同的机器学习分类器，如基于树的模型和神经网络，进行对申请人进行有监督分类，虽然这些方法在部分场景下取得了成功，但当多个不同角色的人(如卖方、申请人)合谋申请欺诈性贷款时，效果不佳。

最近，图神经网络(GNN)在节点分类方面取得了显著的成功，GNN利用邻近节点的特征信息来提高目标节点的表示学习，然而其将所有特性一起映射传播，不作区分，使得应用在在金融信贷反欺诈场景中时，具有不同角色邻居的申请人在特征映射后，在表示空间上没有区别(例如，被映射到相同的表征位置)，使得模型无法准确识别欺诈人。此外，目前已有的处理多关系时间序列图的模型均在聚合多关系信息后处理时间信息，将关系信息和时间信息分开处理，这在一定程度上会损失部分信息，模型无法捕获关系和时间的联合依赖信息。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种金融信贷反欺诈方法、装置和介质，其具体技术方案如下：

一种金融信贷反欺诈方法，包括以下步骤：

步骤一，构建金融信贷中的多关系时序网络：收集信贷中的数据，将申请人、卖方/商家、贷款机构和其他用户作为网络中的节点，其各自的属性当作每个节点的特征，节点之间存在社交关系、资本交易和设备依赖的连接关系作为连接边，对每个连接边记录其开始时间和结束时间；

步骤二，构建多关系时间切片网络：在由不同关系形成的网络下，根据连接形成的时间，将图进行划分，形成各个关系下不同时间切片下的网络；

步骤三：将网络中所有节点的属性进行转换，将所有节点映射到同一个特征空间，使得节点对在原特征空间之间的距离与转换后特征空间内的相距相近；

步骤四：利用转换后的特征，针对每一种关系，在每个时间切片内，对时间切片对应的时间戳进行嵌入表达学习，使用邻居聚合的方法，添加获得的每个时间切片的编码向量，对节点信息特征进行更新；

步骤五：使用门控循环后期融合模型对不同关系各个时间的特征进行融合，获得融合各个关系与时间的总特征；

步骤六：利用节点属性转换前后的特征向量和门控循环后期融合模型获得的节点特征向量，对申请人用户节点进行无监督嵌入表征和有监督分类的联合学习，判断其是否有欺诈风险。

进一步的，所述步骤二，具体为：根据多关系时序网络中各个关系网络中连接形成的时间，按照每X天或Y个月进行切分，其中两节点在该时间段内曾存在连接边，则认为所述的两节点在该时间切片存在连接边，从而获得各个网络关系的不同时间切片下的网络。

进一步的，所述步骤三，具体为：

将不同节点包括申请人、商家、贷款机构和其他用户的属性特征转化为同一维度q的空间下，转化公式如下：

X′＝XW+B

H＝σ(X′W′+B′)