CN110119980A - 一种用于信贷的反欺诈方法、装置、系统和记录介质 - Google Patents

Abstract

本发明公开了用于信贷的反欺诈方法、装置、系统和计算机可读介质。所述方法包括获取信贷用户数据并建立基于标签的反欺诈评分模型，根据所述信贷用户数据以及信贷用户的关联人信息，获取信贷用户关联人数据，以及将所述信贷用户数据和信贷用户关联人数据制作成标签后输入所述反欺诈评分模型，获得信贷用户的欺诈评分，并根据该欺诈评分采取相应的反欺诈措施。本发明能够准确、高效地进行欺诈人的识别，减少了误判，提高了信贷用户的体验。

Description

一种用于信贷的反欺诈方法、装置、系统和记录介质

技术领域

本发明属于数据处理技术领域，具体涉及用于商业、金融等目的的数据处理系统和方法，特别是用于信贷的反欺诈方法、装置、系统和记录介质。

背景技术

通过互联网申请贷款的信贷模式已得到长足发展。然而，相比于传统的信贷模式，网上申请贷款在带给人们便利性同时，也给信贷业务部门带来了欺诈骗贷风险的增加。如果不能很好的进行欺诈行为的识别和处理，将会给互联网金融平台带来了难以估量的损失。

为了降低信贷风险，可以直接利用现有的信用评分模型对信贷申请人进行评分，根据评分来量化借贷申请人的信用风险或还款能力。但是，这对于专门通过欺诈手段来进行骗贷等操作的人来说，可能起不到实际作用，因为他们可能通过伪造或屏蔽数据等方式来获得较高的信用评分。

同此，为了进行有效的反欺诈，现有技术通过建立专门的反欺诈模型对信贷申请人进行欺诈评分，但是，由于欺诈行为发生的概率较少，数据量不足，因此目前的反欺诈模型基于的数据较为单一，通常缺少大量的样本数据来进行模型的优化，这使得当前的反欺诈方法不能准确、高效地进行欺诈人的识别，导致用户的体验性较差。

发明内容

本发明所要解决的技术问题是当前的互联网信贷平台对于欺诈行为识别准确率低或无法有效识别的问题。

为解决上述技术问题，本发明的第一方面提出一种用于信贷的反欺诈方法，包括如下步骤：获取信贷用户数据并建立基于标签的反欺诈评分模型；根据所述信贷用户数据以及信贷用户的关联人信息，获取信贷用户关联人数据；将所述信贷用户数据和信贷用户关联人数据制作成标签后输入所述反欺诈评分模型，获得信贷用户的欺诈评分，并根据该欺诈评分采取相应的反欺诈措施。

根据本发明的一种优选实施方式，所述方法还包括对所述反欺诈评分模型训练的步骤，训练样本包括信贷用户数据和信贷用户关联人数据。

根据本发明的一种优选实施方式，所述信贷用户关联人数据包括关联人个体数据。

根据本发明的一种优选实施方式，所述信贷用户关联人数据包括关联人统计数据。

根据本发明的一种优选实施方式，所述关联人统计数据包括以下数据的至少一种：关联人人数、有拒贷记录的关联人人数、有拒贷记录的关联人占比、有逾期记录的关联人人数、有逾期记录的关联人占比、有催收记录的关联人人数、有催收记录的关联人占比。

本发明的第二方面提出一种用于信贷的反欺诈装置，包括：信贷用户数据获取模块，用于获取信贷用户数据；信贷用户关联人数据获取模块，用于根据所述信贷用户数据以及信贷用户的关联人信息，获取信贷用户关联人数据；欺诈评分计算模块，用于建立基于标签的反欺诈评分模型，并将所述信贷用户数据和信贷用户关联人数据制作成标签后输入所述反欺诈评分模型，获得信贷用户的欺诈评分。

根据本发明的一种优选实施方式，所述欺诈评分计算模块包括：模型建立单元，用于建立基于标签的反欺诈评分模型；模型训练单元，用于对所述反欺诈评分模型进行训练，训练样本包括信贷用户数据和信贷用户关联人数据。

根据本发明的一种优选实施方式，所述信贷用户关联人数据包括关联人个体数据。

根据本发明的一种优选实施方式，所述信贷用户关联人数据包括关联人统计数据。

根据本发明的一种优选实施方式，所述关联人统计数据包括以下数据的至少一种：关联人人数、有拒贷记录的关联人人数、有拒贷记录的关联人占比、有逾期记录的关联人人数、有逾期记录的关联人占比、有催收记录的关联人人数、有催收记录的关联人占比。

本发明的第三方面提出一种用于信贷的反欺诈系统，包括：存储器，用于存储计算机可执行程序；数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行所述的用于信贷的反欺诈方法。

本发明的第四方面提出一种计算机可读介质，用于存储计算机可读程序，所述计算机可读程序用于执行所述的用于信贷的反欺诈方法。

本发明为反欺诈评分模型引入或计算出信贷用户关联人数据，解决了当前的反欺诈评分模型的数据来源单一，样本数据缺乏的问题。本发明的反欺诈评方法能够准确、高效地进行欺诈人的识别，减少了误判，提高了信贷用户的体验性。

附图说明

图1是本发明用于信贷的反欺诈方法的流程示意图；

图2是本发明的用于信贷的反欺诈方法的获得信贷用户关联人数据的步骤示意图；

图3是本发明的用于信贷的反欺诈方法的获得欺诈评分步骤的示意图；

图4是本发明的用于信贷的反欺诈装置的模块架构示意图；

图5是本发明的用于信贷的反欺诈系统的结构框架示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

图1是本发明用于信贷的反欺诈方法的流程示意图。如图1所示，本发明的方法具有如下步骤：

S1、首先，本发明获取信贷用户数据并建立基于标签的反欺诈评分模型。

本发明采用反欺诈评分模型来识别潜在的可能存在欺诈行为的信贷用户。和信用评分模型类似，反欺诈评分模型最终生成一个欺诈评分。例如，可以用0和1之间的一个数来表示，1代表极高的欺诈概率，用0代表无欺诈概率。

本发明的反欺诈评分模型是基于标签的，所谓“标签”指的是模型的变量，标签值即变量值。“标签”有时也称为特征。本发明的反欺诈评分模型可以实现为参数模型，也可以是非参模型，参数模型包括线性回归模型、逻辑回归模型等，非参模型包括决策树、神经网络、线性规划等。

标签通常分为分类标准、二元标签、名义标签、顺序标签、数值标签、连续标签、离散标签等。分类标签表示由定性特征确定的分组情况，例如性别(男、女)或颜色(黄、红、蓝)；二元标签仅由两种类别构成，例如“是/否”，或者其他的一对反义词；名义标签是指用名字或代码表示的变量，不代表相对次序；顺序标签则表示一个序列中相对位置，但不表示相对距离大小，通常和主观评价有关，例如优秀、良好、一般或较差。数值标签通常用整数或实数表示，具有相对大小意义，能进行数学运算。连续标签存在于连续的序列中，可能值的数量无限，存在最大值和最小值，例如时间、距离等；离散变量是分离的或不连续的数值。本发明不限于标签的类型，即任何可能的标签类型均可能应用于本发明中。

一般的信用评分用的标签数据包括个人信息、收入信息、负债信息、历史征信记录、公司及行业信息等，这些信息可统称为信贷用户数据。本发明的反欺诈评分模型同样需要信贷用户数据。但是，考虑到信贷用户数据能够反映一定的信用水平，但不足以反映用户是否是可能存在欺诈行为的“坏人”，即不能很好的反映用户可能进行欺诈骗贷行为，因此，本发明提出，在建立反欺诈评分模型时还需引入其他标签，在此指的是信贷关联人数据标签。

本发明中所称的信贷关联人是指与信贷用户具有身份关联、行为关联、属性关联的人。其一种实施方式是指信贷用户的社会关系关联人，如家庭成员、同事、朋友，或者其他社会关系较紧密的人。另一种实施方式是指与信贷用户具有行为关联的人，例如二者之间具有通话记录、短信记录。再一种实施方式是指二者具有属性关联，例如，二者位置区域重合度较高、二者位于同一IP地址段，等等。

S2、其次，本发明根据所述信贷用户数据以及信贷用户的关联人信息，获取信贷用户关联人数据。

图2是本发明的用于信贷的反欺诈方法的获得信贷用户关联人数据的步骤示意图。如图2所示，通常，信贷用户数据可以从既有的用于信用评分的数据库中直接获取，本发明的方法需要从这些数据库中直接提取或计算得到用于反欺诈的标签数据。然而，对于信贷用户的关联人数据，通常无法直接获得，因此，本发明提出，根据信贷用户数据，从既有的数据库或外部数据库中获得关联人数据，在此，我们将这些数据库统称为关联数据库。

目前，可以通过多种途径获取来获取信贷用户的关联人信息，如何获取关联人信息并不是本发明重点讨论的问题。但是，作为例子，可通过查询包含社会关系数据的数据库，可获得信贷用户的社会关系关联人，通过查询包含用户行为的数据库(通话记录、网购记录、APP通讯录等)，可获得信贷用户的行为关系关联人。

在获得信贷用户关联人信息之后，可根据包含关联人信息的用于信用评分的数据库或其他数据库中获得关联人数据，并制作用于反欺诈的关联人数据标签。例如，可以从信用评分数据库中获得关联人贷款次数、贷款金额、贷款时间、拒贷次数、逾期次数、被催收次数、是否存在信贷被拒绝的记录、是否存在被催收的记录。或者，可以从征信数据库中获得关联人的征信数据。或者，也可以从关联人的行为数据库中获得关联人是否被标记为中介，等等。

再者，所述信贷用户关联人数据除了包括上述关联人个体数据之外，本发明还可以根据关联人的个体数据计算针对某个信贷用户的关联人统计数据，这些数据例如是关联人人数、有拒贷记录的关联人人数、有拒贷记录的关联人占比、有逾期记录的关联人人数、有逾期记录的关联人占比、有催收记录的关联人人数、有催收记录的关联人占比等等。有了这些数据，就可以制作关联人个体数据标签和关联人统计数据标签。

S3、最后，本发明将所述信贷用户数据和信贷用户关联人数据制作成的标签后输入所述反欺诈评分模型，获得信贷用户的欺诈评分，并根据该欺诈评分采取相应的反欺诈措施。

图3是本发明的用于信贷的反欺诈方法的获得欺诈评分步骤的示意图。如图3所示，在获得了信贷用户数据及信贷用户的关联人数据之后，本发明将这些数据输入到反欺诈评分模型中进行计算。如前所述，所述的模型可以是现有的任何模型，但本发明优选为对采用神经网络模型，并预先用样本对模型进行训练。采用神经网络模型的优点是其能够根据欺诈模式的变化作出调整。

在所述反欺诈评分模型接受信贷用户数据和信贷用户的关联人数据之后，将计算得到某一信贷用户的欺诈评分。由此，可以设定一个欺诈评分的阈值，根据欺诈评分的高低来对不同的信贷用户进行相应的处理，例如进行标记、拒绝、降低贷款额度等。

图4是本发明用于信贷的反欺诈装置的架构示意图。如图4所示，本发明的装置包括信贷用户数据获取模块、信贷用户关联人数据获取模块和欺诈评分计算模块。总的来说，信贷用户数据获取模块用于获取信贷用户数据，而信贷用户关联人数据获取模块则用于获取信贷用户关联人数据，信贷用户数据和信贷用户关联人数据被送入欺诈评分计算模块，欺诈评分计算模块将所述信贷用户数据和信贷用户关联人数据制作成标签后输入所述反欺诈评分模型，获得信贷用户的欺诈评分。

如前所述，通常的信贷用户数据包括个人信息、收入信息、负债信息、历史征信记录、公司及行业信息等。信贷用户关联人数据获取模块则根据所述信贷用户数据以及信贷用户的关联人信息，获取信贷用户关联人数据。信贷用户数据可以从既有的用于信用评分的数据库中直接获取，本发明的装置需要从这些数据库中直接提取或计算得到用于反欺诈的标签数据。然而，对于信贷用户的关联人数据，通常无法直接获得，因此，本发明提出，根据信贷用户数据，从既有的数据库或外部数据库中获得关联人数据(关联数据库)。

在获得信贷用户关联人信息之后，欺诈评分计算模块可根据包含关联人信息的用于信用评分的数据库或其他数据库中获得关联人数据，并制作用于反欺诈的关联人数据标签。例如，可以从信用评分数据库中获得关联人贷款次数、贷款金额、贷款时间、拒贷次数、逾期次数、被催收次数、是否存在信贷被拒绝的记录、是否存在被催收的记录。或者，可以从征信数据库中获得关联人的征信数据。或者，也可以从关联人的行为数据库中获得关联人是否被标记为中介，等等。再者，所述信贷用户关联人数据除了包括上述关联人个体数据之外，本发明还可以根据关联人的个体数据计算针对某个信贷用户的关联人统计数据，这些数据例如是关联人人数、有拒贷记录的关联人人数、有拒贷记录的关联人占比、有逾期记录的关联人人数、有逾期记录的关联人占比、有催收记录的关联人人数、有催收记录的关联人占比等等。有了这些数据，就可以制作关联人个体数据标签和关联人统计数据标签。

当然，欺诈评分计算模块首先需要包括用于建立基于标签的反欺诈评分模型。具体来说，参见图2，所述欺诈评分计算模块包括模型建立单元和模型训单元，其分别用于建立基于标签的反欺诈评分模型和对所述反欺诈评分模型进行训练。训练样本包括信贷用户数据和信贷用户关联人数据。

在欺诈评分计算模块所述反欺诈评分模型接受信贷用户数据和信贷用户的关联人数据之后，计算得到某一信贷用户的欺诈评分。，欺诈评分计算模块可以设定一个欺诈评分的阈值，根据欺诈评分的高低来对不同的信贷用户进行相应的处理，例如进行标记、拒绝、降低贷款额度等。

此外，本发明还提出用于信贷的反欺诈系统。图5是本发明的用于信贷的反欺诈系统的结构框架示意图，如图5所示，用于信贷的反欺诈系统包括存储器和数据处理装置，存储器用于存储计算机可执行程序，数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行所述的用于信贷的反欺诈方法。本发明中系统可以是本地系统，也可以是分布式系统。本发明的存储器可以是本地存储器，也可以是分布式存储系统，例如云存储系统。而数据处理器则包括至少一个具人数字信息处理能力的装置，例如CPU、GPU、多处理器系统或云处理器。

再者，本发明还提出计算机可读介质，用于存储计算机可读程序，所述计算机可读程序用于执行所述的用于信贷的反欺诈方法。

应当理解，为了精简本发明并帮助本领域的技术人员理解本发明的各个方面，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时在单个实施例中进行描述，或者参照单个图进行描述。但是，不应将本发明解释成示例性实施例中包括的特征均为本专利权利要求的必要技术特征。

应当理解，可以对本发明的一个实施例的设备中包括的模块、单元、组件等进行自适应性地改变以把它们设置在与该实施例不同的设备中。可以把实施例的设备包括的不同模块、单元或组件组合成一个模块、单元或组件，也可以把它们分成多个子模块、子单元或子组件。本发明的实施例中的模块、单元或组件可以以硬件方式实现，也可以以一个或者多个处理器上运行的软件方式实现，或者以它们的组合实现。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种用于信贷的反欺诈方法，包括如下步骤：

获取信贷用户数据并建立基于标签的反欺诈评分模型；

根据所述信贷用户数据以及信贷用户的关联人信息，获取信贷用户关联人数据；

将所述信贷用户数据和信贷用户关联人数据制作成标签后输入所述反欺诈评分模型，获得信贷用户的欺诈评分，并根据该欺诈评分采取相应的反欺诈措施。

2.如权利要求1所述的用于信贷的反欺诈方法，其特征在于：

还包括对所述反欺诈评分模型训练的步骤，训练样本包括信贷用户数据和信贷用户关联人数据。

3.如权利要求1所述的用于信贷的反欺诈方法，其特征在于：所述信贷用户关联人数据包括关联人个体数据。

4.如权利要求1所述的用于信贷的反欺诈方法，其特征在于：所述信贷用户关联人数据包括关联人统计数据。

5.如权利要求4所述的用于信贷的反欺诈方法，其特征在于：所述关联人统计数据包括以下数据的至少一种：关联人人数、有拒贷记录的关联人人数、有拒贷记录的关联人占比、有逾期记录的关联人人数、有逾期记录的关联人占比、有催收记录的关联人人数、有催收记录的关联人占比。

6.一种用于信贷的反欺诈装置，包括：

信贷用户数据获取模块，用于获取信贷用户数据；

信贷用户关联人数据获取模块，用于根据所述信贷用户数据以及信贷用户的关联人信息，获取信贷用户关联人数据；

欺诈评分计算模块，用于建立基于标签的反欺诈评分模型，并将所述信贷用户数据和信贷用户关联人数据制作成标签后输入所述反欺诈评分模型，获得信贷用户的欺诈评分。

7.如权利要求6所述的用于信贷的反欺诈装置，其特征在于：

所述欺诈评分计算模块包括：

模型建立单元，用于建立基于标签的反欺诈评分模型；

模型训练单元，用于对所述反欺诈评分模型进行训练，训练样本包括信贷用户数据和信贷用户关联人数据。

8.如权利要求6所述的用于信贷的反欺诈装置，其特征在于：所述信贷用户关联人数据包括关联人个体数据。

9.如权利要求6所述的用于信贷的反欺诈装置，其特征在于：所述信贷用户关联人数据包括关联人统计数据。

10.如权利要求9所述的用于信贷的反欺诈装置，其特征在于：所述关联人统计数据包括以下数据的至少一种：关联人人数、有拒贷记录的关联人人数、有拒贷记录的关联人占比、有逾期记录的关联人人数、有逾期记录的关联人占比、有催收记录的关联人人数、有催收记录的关联人占比。

11.一种用于信贷的反欺诈系统，其特征在于，包括：

存储器，用于存储计算机可执行程序；

数据处理装置，用于读取所述存储器中的计算机可执行程序，以执行权利要求1至5中任一项所述的用于信贷的反欺诈方法。

12.一种计算机可读介质，用于存储计算机可读程序，其特征在于，所述计算机可读程序用于执行权利要求1至5中任一项所述的用于信贷的反欺诈方法。