本發(fā)明涉及數(shù)據(jù)挖掘技術(shù)，具體涉及一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法。

背景技術(shù)：

隨著社會的發(fā)展，人與人之間的社交關(guān)系越來越復(fù)雜，很多人之間看似沒有聯(lián)系，實(shí)際上卻有一些社交關(guān)系，如親戚關(guān)系、朋友關(guān)系、同事、同學(xué)、業(yè)務(wù)合作關(guān)系、資金往來關(guān)系、社交工具聯(lián)系關(guān)系等，如何對復(fù)雜社會網(wǎng)絡(luò)關(guān)系進(jìn)行整合并建立數(shù)學(xué)模型，如何實(shí)現(xiàn)復(fù)雜社交網(wǎng)絡(luò)的可視化方法成為困難。

現(xiàn)有的社交網(wǎng)絡(luò)運(yùn)用，往往是基于簡單關(guān)系的社交網(wǎng)絡(luò)而進(jìn)行，這類社交網(wǎng)絡(luò)的運(yùn)用過程中，往往是針對社交網(wǎng)絡(luò)中個體的某些特征，先找到一些群體的相似性，然后根據(jù)相似性劃分群體。在簡單的社交網(wǎng)絡(luò)中，將每個個體單一地劃分為某一個群體，對人與人之間的關(guān)系挖掘不夠廣泛、完整，因此，根據(jù)簡單社交網(wǎng)絡(luò)做出的預(yù)測也不夠準(zhǔn)確。

此外，單一網(wǎng)絡(luò)關(guān)系的可視化往往比較容易，但在復(fù)雜關(guān)系網(wǎng)絡(luò)中，頂點(diǎn)與頂點(diǎn)直接存在復(fù)雜的多重關(guān)系，如親戚關(guān)系、朋友關(guān)系、同事關(guān)系、校友關(guān)系、相同的ip申請渠道等等,頂點(diǎn)的屬性有多種，如若頂點(diǎn)為貸款客戶時，他的信用評價信息、貸款信息等屬性信息，如何清晰地通過可視化方法進(jìn)行關(guān)系網(wǎng)絡(luò)展現(xiàn)是一個困難點(diǎn)，現(xiàn)有的風(fēng)險預(yù)測模型不夠直觀顯示出風(fēng)險類型。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于：針對上述在簡單的社交網(wǎng)絡(luò)中，將每個個體劃分為單一的群體，對人與人之間的關(guān)系挖掘不夠廣泛、完整，根據(jù)簡單社交網(wǎng)絡(luò)做出的預(yù)測不夠準(zhǔn)確的問題，本發(fā)明提出一種基于復(fù)雜社交網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法。

本發(fā)明采用的技術(shù)方案為：

一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，包括：

步驟1，獲取個人用戶信息，每個個人用戶為一個個體，社交網(wǎng)絡(luò)關(guān)系中總共包括n個個體；

步驟2，整合關(guān)系數(shù)據(jù)：用圖論方法，將步驟1中n個個體中的每個個體抽象為一個頂點(diǎn)，將n個個體中，每兩個個體之間的每種關(guān)系抽象為一條邊；

步驟3，建立關(guān)系模型：根據(jù)整合的關(guān)系數(shù)據(jù)建立出關(guān)系模型鄰接矩陣dij,鄰接矩陣的頂點(diǎn)為n個，鄰接矩陣的維度為n*n；

步驟4，判斷是否有已知欺詐者，如果沒有發(fā)現(xiàn)欺詐者，執(zhí)行步驟5，否則，執(zhí)行步驟6；

步驟5，識別欺詐群體：在已建立的關(guān)系模型基礎(chǔ)上，通過關(guān)系聚集來識別欺詐群體，即根據(jù)個體關(guān)系計算頂點(diǎn)的度，根據(jù)所計算的度定義欺詐群體；

步驟6，欺詐傳染識別，若發(fā)現(xiàn)欺詐者vi，則更新關(guān)系網(wǎng)絡(luò)中其他用戶vj的欺詐風(fēng)險；

步驟7，信用風(fēng)險預(yù)測，若發(fā)現(xiàn)用戶vi的違約，計算用戶vi的違約概率，并根據(jù)用戶vi的違約概率重新計算關(guān)系網(wǎng)絡(luò)中其他用戶vj的違約概率。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，步驟2中頂點(diǎn)的數(shù)據(jù)集包括頂點(diǎn)編號、頂點(diǎn)屬性。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，步驟2中，頂點(diǎn)屬性包括個人姓名、性別、工作單位、畢業(yè)院校。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，步驟2中由每種關(guān)系抽象出的邊中包括關(guān)系起點(diǎn)編號，關(guān)系重點(diǎn)編號，關(guān)系類型k，關(guān)系類型k的關(guān)系權(quán)重wk，關(guān)系權(quán)重越強(qiáng)關(guān)系權(quán)重wk越??；

步驟3中，鄰接矩陣的元素計算公式為：

dij＝sum(wk)

其中，k為頂點(diǎn)i到頂點(diǎn)j的關(guān)系類型。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，通過ip關(guān)系聚集來識別欺詐群體，通過ip關(guān)系的欺詐識別步驟具體如下：

(50)以ipi及社交網(wǎng)絡(luò)關(guān)系中每個個體為頂點(diǎn)，每個個體之間、每個個體與ip之間的關(guān)系作為邊，建立關(guān)系模型鄰接矩陣dij；

(51)計算頂點(diǎn)ipi的度d(ipi)；

(52)定義用戶vi的ip聚集欺詐風(fēng)險為p(vi)＝d(ipj)；

(53)判斷d(ipi)，如果d(ipi)>＝x，則與ipi相關(guān)聯(lián)的群體為高風(fēng)險疑似欺詐群體，進(jìn)行深入調(diào)查和認(rèn)定。否則，與ipi相關(guān)聯(lián)的群體不是高風(fēng)險疑似欺詐群體

其中，ipi為第i個頂點(diǎn)的ip地址，ipj為與vi關(guān)聯(lián)的ip地址，p(vi)越大欺詐風(fēng)險越高，x為用戶定義風(fēng)險群體劃分閾值。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，步驟5中用戶vj欺詐風(fēng)險的更新公式為：

rj＝rj+1/d(vj,vi)

其中，l為vj到vi的一條聯(lián)通路徑，l的長度為vj到vi的連通路徑中，各條邊的權(quán)重和sum(wk)，wk屬于l上各條邊的權(quán)重，k為連通路徑l中的每條邊的關(guān)系類型，d(vj,vi)定義為vj到vi之間的最短連通路徑的距離，rj為用戶vj原有的欺詐風(fēng)險值，未識別出任何欺詐客戶初始網(wǎng)絡(luò)中，用戶vj的欺詐風(fēng)險rj＝0；

l、d(vj,vi)的計算公式為：

l＝sum(wk)

d(vj,vi)＝min(l)

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，

步驟6中，信用風(fēng)險值的更新公式為：

pj＝pj+1/d(vj,vi)

其中，l為vj到vi的一條聯(lián)通路徑，l的長度為vj到vi的連通路徑中，各條邊的權(quán)重和sum(wk)，wk屬于l上各條邊的權(quán)重，k為連通路徑l中的每條邊的關(guān)系類型，d(vj,vi)定義為vj到vi之間的最短連通路徑的距離，pj為客戶vj原有的信用風(fēng)險值，未識別或未計算出任何客戶違約風(fēng)險的初始網(wǎng)絡(luò)中，用戶vj的信用風(fēng)險值pj＝0；

l、d(vj,vi)的計算公式為：l＝sum(wk)

d(vj,vi)＝min(l)

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，復(fù)雜關(guān)系網(wǎng)絡(luò)可視化步驟為：

(1)對步驟2中提取的頂點(diǎn)進(jìn)行分類及屬性定義，按照頂點(diǎn)的不同類型，將頂點(diǎn)進(jìn)行分類，每一種類型的頂點(diǎn)vi，定義其展示的屬性；

(2)對步驟2中提取的關(guān)系進(jìn)行分類及屬性定義，按照關(guān)系的不同類型，將關(guān)系進(jìn)行分類，為每一種類型的關(guān)系ei,定義其展示的屬性名稱；

(3)建立關(guān)系深度、關(guān)系類型、搜索方向調(diào)節(jié)器，按照關(guān)系深度、關(guān)系類型、搜索方向等參數(shù)選擇來展現(xiàn)可視化界面；

(4)交互式可視化，當(dāng)設(shè)備懸停在頂點(diǎn)時，展現(xiàn)頂點(diǎn)屬性信息，實(shí)現(xiàn)交互式可視化。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，步驟a中的屬性包括顏色屬性、形狀屬性和大小屬性。綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

通過采用上述技術(shù)方案，本項目對人與人之間的復(fù)雜社交關(guān)系進(jìn)行整合并建立數(shù)學(xué)模型，并設(shè)計了這些方法在客戶欺詐風(fēng)險識別和信用風(fēng)險預(yù)測上的應(yīng)用方案，最終提升了欺詐識別率和信用風(fēng)險預(yù)測準(zhǔn)確率。

此外，采用上述技術(shù)方案的反欺詐和信用風(fēng)險預(yù)測方法，能夠?qū)⑸缃痪W(wǎng)絡(luò)中的用戶屬性、用戶之間的關(guān)系、用戶欺詐概率和用戶信用風(fēng)險等以可視化的形式展現(xiàn)出來，金融機(jī)構(gòu)等可以輕松方便地獲取用戶的相關(guān)信息。

此方案通過將復(fù)雜社交網(wǎng)絡(luò)中的個體抽象為頂點(diǎn)，將社交網(wǎng)絡(luò)中的各個個體之間的每一種關(guān)系抽象為邊，并根據(jù)關(guān)系強(qiáng)弱對每條邊賦予權(quán)重，并建立鄰接矩陣，然后通過對用戶對應(yīng)頂點(diǎn)的關(guān)系聚集來定義欺詐群體。在識別出欺詐群體中的欺詐者或違約者后，重新計算社交網(wǎng)絡(luò)中的其他用戶的欺詐風(fēng)險或者信用風(fēng)險。最后，通過可視化的方法將用戶的相關(guān)信息展現(xiàn)出來。

附圖說明

圖1是本發(fā)明一種基于復(fù)雜社交網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法的流程圖；

圖2是本發(fā)明不同頂點(diǎn)和關(guān)系類型可視化示意圖；

圖3關(guān)系深度、關(guān)系類型、搜索方向調(diào)節(jié)器結(jié)構(gòu)圖；

圖4衛(wèi)xx一度關(guān)系展示圖；

圖5衛(wèi)xx五度關(guān)系展示圖；

圖6衛(wèi)xxip擴(kuò)展關(guān)系可視化展示圖；

圖7鼠標(biāo)懸停展現(xiàn)該頂點(diǎn)客戶屬性展示圖。

具體實(shí)施方式

本說明書中公開的所有特征，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。如圖1所示，

一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，包括：

步驟1，獲取個人用戶信息以每個個人用戶為一個個體，社交網(wǎng)絡(luò)關(guān)系中總共包括n個個體；

步驟2，整合關(guān)系數(shù)據(jù)：用圖論的方法，將步驟1中n個個體中的每個個體抽象為一個頂點(diǎn)，將n個個體中，每兩個個體之間的每種關(guān)系抽象為一條邊；

步驟3，建立關(guān)系模型：根據(jù)整合的關(guān)系數(shù)據(jù)建立出關(guān)系模型鄰接矩陣dij,鄰接矩陣的頂點(diǎn)為n個，鄰接矩陣的維度為n*n；

步驟4，判斷是否有已知欺詐者，如果沒有發(fā)現(xiàn)欺詐者，執(zhí)行步驟5，否則，執(zhí)行步驟6；

步驟5，識別欺詐群體：在已建立的關(guān)系模型基礎(chǔ)上，通過關(guān)系聚集來識別欺詐群體，即根據(jù)個體關(guān)系計算頂點(diǎn)的度，根據(jù)所計算的度定義欺詐群體；

步驟6，欺詐傳染識別，若發(fā)現(xiàn)欺詐者vi，則更新關(guān)系網(wǎng)絡(luò)中其他用戶vj的欺詐風(fēng)險；

步驟7，信用風(fēng)險預(yù)測，若發(fā)現(xiàn)用戶vi的違約，計算用戶vi的違約概率，并根據(jù)用戶vi的違約概率重新計算關(guān)系網(wǎng)絡(luò)中其他用戶vj的違約概率。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，步驟2中頂點(diǎn)的數(shù)據(jù)集包括頂點(diǎn)編號、頂點(diǎn)屬性。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，步驟2中，頂點(diǎn)屬性包括個人姓名、性別、工作單位、畢業(yè)院校。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，步驟2中由每種關(guān)系抽象出的邊中包括關(guān)系起點(diǎn)編號，關(guān)系重點(diǎn)編號，關(guān)系類型k，關(guān)系類型k的關(guān)系權(quán)重wk，關(guān)系權(quán)重越強(qiáng)關(guān)系權(quán)重wk越小；

步驟3中，鄰接矩陣的元素計算公式為：

dij＝sum(wk)

其中，k為頂點(diǎn)i到頂點(diǎn)j的關(guān)系類型。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，通過ip關(guān)系聚集來識別欺詐群體，通過ip關(guān)系聚集來識別欺詐群體的具體步驟如下：

(50)以ipi及社交網(wǎng)絡(luò)關(guān)系中每個個體為頂點(diǎn)，每個個體之間、每個個體與ip之間的關(guān)系作為邊，建立關(guān)系模型鄰接矩陣dij；

(51)計算頂點(diǎn)ipi的度d(ipi)；

(52)定義用戶vi的ip聚集欺詐風(fēng)險為p(vi)＝d(ipj)；

(53)判斷d(ipi)，如果d(ipi)>＝x，則與ipi相關(guān)聯(lián)的群體為高風(fēng)險疑似欺詐群體，對判斷為高風(fēng)險疑似欺詐群體進(jìn)行深入調(diào)查和認(rèn)定。否則，與ipi相關(guān)聯(lián)的群體不是高風(fēng)險疑似欺詐群體；

其中，ipi為第i個頂點(diǎn)的ip地址，ipj為與vi關(guān)聯(lián)的ip地址，p(vi)越大欺詐風(fēng)險越高，x為用戶定義風(fēng)險群體劃分閾值。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，步驟5中用戶vj欺詐風(fēng)險的更新公式為：

rj＝rj+1/d(vj,vi)

其中，l為vj到vi的一條聯(lián)通路徑，l的長度為vj到vi的連通路徑中，各條邊的權(quán)重和sum(wk)，wk屬于l上各條邊的權(quán)重，k為連通路徑l中的每條邊的關(guān)系類型，d(vj,vi)定義為vj到vi之間的最短連通路徑的距離，rj為用戶vj原有的欺詐風(fēng)險值，未識別出任何欺詐客戶初始網(wǎng)絡(luò)中，用戶vj的欺詐風(fēng)險rj＝0；

l、d(vj,vi)的計算公式為：

l＝sum(wk)

d(vj,vi)＝min(l)

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，

步驟6中，信用風(fēng)險值的更新公式為：

pj＝pj+1/d(vj,vi)

其中，l為vj到vi的一條聯(lián)通路徑，l的長度為vj到vi的連通路徑中，各條邊的權(quán)重和sum(wk)，wk屬于l上各條邊的權(quán)重，k為連通路徑l中的每條邊的關(guān)系類型，d(vj,vi)定義為vj到vi之間的最短連通路徑的距離，pj為客戶vj原有的信用風(fēng)險值，未識別或未計算出任何客戶違約風(fēng)險的初始網(wǎng)絡(luò)中，用戶vj的信用風(fēng)險值pj＝0；

l、d(vj,vi)的計算公式為：

l＝sum(wk)

d(vj,vi)＝min(l)

優(yōu)選地，本方案同時還能夠?qū)崿F(xiàn)社交網(wǎng)絡(luò)的可視化，該社交網(wǎng)絡(luò)的可視化采用現(xiàn)有的編程技術(shù)實(shí)現(xiàn)。所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，復(fù)雜關(guān)系網(wǎng)絡(luò)可視化步驟為：

(1)對步驟2中提取的頂點(diǎn)進(jìn)行分類及屬性定義，按照頂點(diǎn)的不同類型，將頂點(diǎn)進(jìn)行分類，每一種類型的頂點(diǎn)vi，定義其展示的屬性，這些屬性可設(shè)置為我們關(guān)心的屬性，如對貸款客戶，可展示其貸款時間、審批結(jié)果、額度、提款次數(shù)、提款金額等；

(2)對步驟2中提取的關(guān)系進(jìn)行分類及屬性定義，即按照關(guān)系的不同類型，將關(guān)系進(jìn)行分類，為每一種類型的關(guān)系ei，定義其展示的屬性名稱；

(3)建立關(guān)系深度、關(guān)系類型、搜索方向調(diào)節(jié)器，按照關(guān)系深度、關(guān)系類型、搜索方向等參數(shù)選擇來展現(xiàn)可視化；關(guān)系深度、關(guān)系類型、搜索方向調(diào)節(jié)器如圖3所示。

(4)交互式可視化，當(dāng)設(shè)備懸停在頂點(diǎn)時，展現(xiàn)頂點(diǎn)屬性信息，實(shí)現(xiàn)交互式可視化界面。

所述的一種基于復(fù)雜社交關(guān)系網(wǎng)絡(luò)的反欺詐和信用風(fēng)險預(yù)測方法，步驟a中的屬性包括顏色屬性、形狀屬性和大小屬性。

在搜索時，能夠?qū)λ阉鞯膶ο筮M(jìn)行選擇，也能夠選擇單向或者雙向關(guān)系的展現(xiàn)，同時通過關(guān)系類型調(diào)節(jié)器，還能夠?qū)︼@示的用戶關(guān)系距離進(jìn)行調(diào)整。

如圖2所示，為用戶交互式可視化示意圖，當(dāng)將鼠標(biāo)或等懸停在用戶對應(yīng)的圖標(biāo)上時，用戶的信息就會對應(yīng)顯示出來，具體可用java或r等程序軟件實(shí)現(xiàn)。

如圖3所示，關(guān)系深度、關(guān)系類型、搜索方向調(diào)節(jié)器上設(shè)置深度調(diào)節(jié)欄、關(guān)系類型擴(kuò)展搜索設(shè)置欄、搜索方向設(shè)置欄。其中設(shè)置最大搜索深度為10度，關(guān)系類型擴(kuò)展搜索設(shè)置欄包括人、ip、同時、校友，可以進(jìn)行多項選擇。搜索方向設(shè)置欄包括單向和多項搜索選項，設(shè)置時，可以選擇其中之一。

如圖4，當(dāng)深度調(diào)節(jié)欄設(shè)置為1，關(guān)系類型擴(kuò)展搜索設(shè)置欄選擇“人”、搜索方向設(shè)置欄選擇“單向”時，衛(wèi)xx的社交關(guān)系展示如圖4的所示。

如圖5，當(dāng)深度調(diào)節(jié)欄設(shè)置為5，關(guān)系類型擴(kuò)展搜索設(shè)置欄選擇“人”、搜索方向設(shè)置欄選擇“單向”時，衛(wèi)xx的社交關(guān)系展示如圖4的所示，此時，可顯示與衛(wèi)xx最遠(yuǎn)距離為5的內(nèi)的人關(guān)系網(wǎng)絡(luò)。

如圖6所示，當(dāng)深度調(diào)節(jié)欄設(shè)置為2，關(guān)系類型擴(kuò)展搜索設(shè)置欄選擇“ip”、搜索方向設(shè)置欄選擇“單向”時，可顯示出所有與衛(wèi)xx的ip地址關(guān)系的人。

如圖7所示的關(guān)系網(wǎng)絡(luò)中，當(dāng)鼠標(biāo)懸停在王xx對應(yīng)的圖標(biāo)上時，則會彈出一個消息框，顯示出王xx的相關(guān)信用信息。