一种基于复杂社交网络的反欺诈和信用风险预测方法

摘要

本发明公开了一种基于复杂社交关系网络的反欺诈和信用风险预测方法，本方案中对人与人之间存在的复杂社交关系，如亲戚关系、朋友关系、同事关系等进行整合并建立数学模型，从而根据复杂社交网络识别和预测客户的欺诈风险、信用风险。此方案在提升欺诈识别率和信用风险预测准确率的同时，还能实现复杂的社交网络以可视化展现出来，有助于我们深入理解和分析复杂网络。

说明书

技术领域

本发明涉及数据挖掘技术，具体涉及一种基于复杂社交关系网络的反欺诈和信用风险预测方法。

背景技术

随着社会的发展，人与人之间的社交关系越来越复杂，很多人之间看似没有联系，实际上却有一些社交关系，如亲戚关系、朋友关系、同事、同学、业务合作关系、资金往来关系、社交工具联系关系等，如何对复杂社会网络关系进行整合并建立数学模型，如何实现复杂社交网络的可视化方法成为困难。

现有的社交网络运用，往往是基于简单关系的社交网络而进行，这类社交网络的运用过程中，往往是针对社交网络中个体的某些特征，先找到一些群体的相似性，然后根据相似性划分群体。在简单的社交网络中，将每个个体单一地划分为某一个群体，对人与人之间的关系挖掘不够广泛、完整，因此，根据简单社交网络做出的预测也不够准确。

此外，单一网络关系的可视化往往比较容易，但在复杂关系网络中，顶点与顶点直接存在复杂的多重关系，如亲戚关系、朋友关系、同事关系、校友关系、相同的IP申请渠道等等,顶点的属性有多种，如若顶点为贷款客户时，他的信用评价信息、贷款信息等属性信息，如何清晰地通过可视化方法进行关系网络展现是一个困难点，现有的风险预测模型不够直观显示出风险类型。

发明内容

本发明的目的在于：针对上述在简单的社交网络中，将每个个体划分为单一的群体，对人与人之间的关系挖掘不够广泛、完整，根据简单社交网络做出的预测不够准确的问题，本发明提出一种基于复杂社交网络的反欺诈和信用风险预测方法。

本发明采用的技术方案为：

一种基于复杂社交关系网络的反欺诈和信用风险预测方法，包括：

步骤1，获取个人用户信息，每个个人用户为一个个体，社交网络关系中总共包括N个个体；

步骤2，整合关系数据：用图论方法，将步骤1中N个个体中的每个个体抽象为一个顶点，将N个个体中，每两个个体之间的每种关系抽象为一条边；

步骤3，建立关系模型：根据整合的关系数据建立出关系模型邻接矩阵D_ij,邻接矩阵的顶点为N个，邻接矩阵的维度为N*N；

步骤4，判断是否有已知欺诈者，如果没有发现欺诈者，执行步骤5，否则，执行步骤6；

步骤5，识别欺诈群体：在已建立的关系模型基础上，通过关系聚集来识别欺诈群体，即根据个体关系计算顶点的度，根据所计算的度定义欺诈群体；

步骤6，欺诈传染识别，若发现欺诈者V_i，则更新关系网络中其他用户V_j的欺诈风险；

步骤7，信用风险预测，若发现用户V_i的违约，计算用户V_i的违约概率，并根据用户V_i的违约概率重新计算关系网络中其他用户V_j的违约概率。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中顶点的数据集包括顶点编号、顶点属性。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中，顶点属性包括个人姓名、性别、工作单位、毕业院校。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中由每种关系抽象出的边中包括关系起点编号，关系重点编号，关系类型k，关系类型k的关系权重W_k，关系权重越强关系权重W_k越小；

步骤3中，邻接矩阵的元素计算公式为：

D_ij＝sum(W_k)

其中，k为顶点i到顶点j的关系类型。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，通过IP关系聚集来识别欺诈群体，通过IP关系的欺诈识别步骤具体如下：

(50)以IP_i及社交网络关系中每个个体为顶点，每个个体之间、每个个体与IP之间的关系作为边，建立关系模型邻接矩阵D_ij；

(51)计算顶点IP_i的度D(IP_i)；

(52)定义用户V_i的IP聚集欺诈风险为P(V_i)＝D(IP_j)；

(53)判断D(IP_i)，如果D(IP_i)>＝X，则与IP_i相关联的群体为高风险疑似欺诈群体，进行深入调查和认定。否则，与IP_i相关联的群体不是高风险疑似欺诈群体

其中，IP_i为第i个顶点的IP地址，IP_j为与V_i关联的IP地址，P(V_i)越大欺诈风险越高，X为用户定义风险群体划分阈值。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤5中用户V_j欺诈风险的更新公式为：

R_j＝R_j+1/d(V_j,V_i)

其中，L为V_j到V_i的一条联通路径，L的长度为V_j到V_i的连通路径中，各条边的权重和sum(W_k)，W_k属于L上各条边的权重，k为连通路径L中的每条边的关系类型，d(V_j,V_i)定义为V_j到V_i之间的最短连通路径的距离，R_j为用户V_j原有的欺诈风险值，未识别出任何欺诈客户初始网络中，用户V_j的欺诈风险R_j＝0；

L、d(V_j,V_i)的计算公式为：

L＝sum(W _k)

d(V_j,V_i)＝min(L)

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，

步骤6中，信用风险值的更新公式为：

P_j＝p_j+1/d(V_j,V_i)

其中，L为V_j到V_i的一条联通路径，L的长度为V_j到V_i的连通路径中，各条边的权重和sum(W_k)，W_k属于L上各条边的权重，k为连通路径L中的每条边的关系类型，d(V_j,V_i)定义为V_j到V_i之间的最短连通路径的距离，P_j为客户V_j原有的信用风险值，未识别或未计算出任何客户违约风险的初始网络中，用户V_j的信用风险值P_j＝0；

L、d(V_j,V_i)的计算公式为：L＝sum(W_k)

d(V_j,V_i)＝min(L)

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，复杂关系网络可视化步骤为：

(1)对步骤2中提取的顶点进行分类及属性定义，按照顶点的不同类型，将顶点进行分类，每一种类型的顶点V_i，定义其展示的属性；

(2)对步骤2中提取的关系进行分类及属性定义，按照关系的不同类型，将关系进行分类，为每一种类型的关系E_i,定义其展示的属性名称；

(3)建立关系深度、关系类型、搜索方向调节器，按照关系深度、关系类型、搜索方向等参数选择来展现可视化界面；

(4)交互式可视化，当设备悬停在顶点时，展现顶点属性信息，实现交互式可视化。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤a中的属性包括颜色属性、形状属性和大小属性。综上所述，由于采用了上述技术方案，本发明的有益效果是：

通过采用上述技术方案，本项目对人与人之间的复杂社交关系进行整合并建立数学模型，并设计了这些方法在客户欺诈风险识别和信用风险预测上的应用方案，最终提升了欺诈识别率和信用风险预测准确率。

此外，采用上述技术方案的反欺诈和信用风险预测方法，能够将社交网络中的用户属性、用户之间的关系、用户欺诈概率和用户信用风险等以可视化的形式展现出来，金融机构等可以轻松方便地获取用户的相关信息。

此方案通过将复杂社交网络中的个体抽象为顶点，将社交网络中的各个个体之间的每一种关系抽象为边，并根据关系强弱对每条边赋予权重，并建立邻接矩阵，然后通过对用户对应顶点的关系聚集来定义欺诈群体。在识别出欺诈群体中的欺诈者或违约者后，重新计算社交网络中的其他用户的欺诈风险或者信用风险。最后，通过可视化的方法将用户的相关信息展现出来。

附图说明

图1是本发明一种基于复杂社交网络的反欺诈和信用风险预测方法的流程图；

图2是本发明不同顶点和关系类型可视化示意图；

图3关系深度、关系类型、搜索方向调节器结构图；

图4卫XX一度关系展示图；

图5卫XX五度关系展示图；

图6卫XX IP扩展关系可视化展示图；

图7鼠标悬停展现该顶点客户属性展示图。

具体实施方式

本说明书中公开的所有特征，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。如图1所示，

一种基于复杂社交关系网络的反欺诈和信用风险预测方法，包括：

步骤1，获取个人用户信息以每个个人用户为一个个体，社交网络关系中总共包括N个个体；

步骤2，整合关系数据：用图论的方法，将步骤1中N个个体中的每个个体抽象为一个顶点，将N个个体中，每两个个体之间的每种关系抽象为一条边；

步骤3，建立关系模型：根据整合的关系数据建立出关系模型邻接矩阵D_ij,邻接矩阵的顶点为N个，邻接矩阵的维度为N*N；

步骤4，判断是否有已知欺诈者，如果没有发现欺诈者，执行步骤5，否则，执行步骤6；

步骤5，识别欺诈群体：在已建立的关系模型基础上，通过关系聚集来识别欺诈群体，即根据个体关系计算顶点的度，根据所计算的度定义欺诈群体；

步骤6，欺诈传染识别，若发现欺诈者V_i，则更新关系网络中其他用户V_j的欺诈风险；

步骤7，信用风险预测，若发现用户V_i的违约，计算用户V_i的违约概率，并根据用户V_i的违约概率重新计算关系网络中其他用户V_j的违约概率。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中顶点的数据集包括顶点编号、顶点属性。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中，顶点属性包括个人姓名、性别、工作单位、毕业院校。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤2中由每种关系抽象出的边中包括关系起点编号，关系重点编号，关系类型k，关系类型k的关系权重W_k，关系权重越强关系权重W_k越小；

步骤3中，邻接矩阵的元素计算公式为：

D_ij＝sum(W_k)

其中，k为顶点i到顶点j的关系类型。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，通过IP关系聚集来识别欺诈群体，通过IP关系聚集来识别欺诈群体的具体步骤如下：

(50)以IP_i及社交网络关系中每个个体为顶点，每个个体之间、每个个体与IP之间的关系作为边，建立关系模型邻接矩阵D_ij；

(51)计算顶点IP_i的度D(IP_i)；

(52)定义用户V_i的IP聚集欺诈风险为P(V_i)＝D(IP_j)；

(53)判断D(IP_i)，如果D(IP_i)>＝X，则与IP_i相关联的群体为高风险疑似欺诈群体，对判断为高风险疑似欺诈群体进行深入调查和认定。否则，与IP_i相关联的群体不是高风险疑似欺诈群体；

其中，IP_i为第i个顶点的IP地址，IP_j为与V_i关联的IP地址，P(V_i)越大欺诈风险越高，X为用户定义风险群体划分阈值。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤5中用户V_j欺诈风险的更新公式为：

R_j＝R_j+1/d(V_j,V_i)

其中，L为V_j到V_i的一条联通路径，L的长度为V_j到V_i的连通路径中，各条边的权重和sum(W_k)，W_k属于L上各条边的权重，k为连通路径L中的每条边的关系类型，d(V_j,V_i)定义为V_j到V_i之间的最短连通路径的距离，R_j为用户V_j原有的欺诈风险值，未识别出任何欺诈客户初始网络中，用户V_j的欺诈风险R_j＝0；

L、d(V_j,V_i)的计算公式为：

L＝sum(W_k)

d(V_j,V_i)＝min(L)

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，

步骤6中，信用风险值的更新公式为：

P_j＝p_j+1/d(V_j,V_i)

其中，L为V_j到V_i的一条联通路径，L的长度为V_j到V_i的连通路径中，各条边的权重和sum(W_k)，W_k属于L上各条边的权重，k为连通路径L中的每条边的关系类型，d(V_j,V_i)定义为V_j到V_i之间的最短连通路径的距离，P_j为客户V_j原有的信用风险值，未识别或未计算出任何客户违约风险的初始网络中，用户V_j的信用风险值P_j＝0；

L、d(V_j,V_i)的计算公式为：

L＝sum(W_k)

d(V_j,V_i)＝min(L)

优选地，本方案同时还能够实现社交网络的可视化，该社交网络的可视化采用现有的编程技术实现。所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，复杂关系网络可视化步骤为：

(1)对步骤2中提取的顶点进行分类及属性定义，按照顶点的不同类型，将顶点进行分类，每一种类型的顶点V_i，定义其展示的属性，这些属性可设置为我们关心的属性，如对贷款客户，可展示其贷款时间、审批结果、额度、提款次数、提款金额等；

(2)对步骤2中提取的关系进行分类及属性定义，即按照关系的不同类型，将关系进行分类，为每一种类型的关系E_i，定义其展示的属性名称；

(3)建立关系深度、关系类型、搜索方向调节器，按照关系深度、关系类型、搜索方向等参数选择来展现可视化；关系深度、关系类型、搜索方向调节器如图3所示。

(4)交互式可视化，当设备悬停在顶点时，展现顶点属性信息，实现交互式可视化界面。

所述的一种基于复杂社交关系网络的反欺诈和信用风险预测方法，步骤a中的属性包括颜色属性、形状属性和大小属性。

在搜索时，能够对搜索的对象进行选择，也能够选择单向或者双向关系的展现，同时通过关系类型调节器，还能够对显示的用户关系距离进行调整。

如图2所示，为用户交互式可视化示意图，当将鼠标或等悬停在用户对应的图标上时，用户的信息就会对应显示出来，具体可用Java或R等程序软件实现。

如图3所示，关系深度、关系类型、搜索方向调节器上设置深度调节栏、关系类型扩展搜索设置栏、搜索方向设置栏。其中设置最大搜索深度为10度，关系类型扩展搜索设置栏包括人、IP、同时、校友，可以进行多项选择。搜索方向设置栏包括单向和多项搜索选项，设置时，可以选择其中之一。

如图4，当深度调节栏设置为1，关系类型扩展搜索设置栏选择“人”、搜索方向设置栏选择“单向”时，卫XX的社交关系展示如图4的所示。

如图5，当深度调节栏设置为5，关系类型扩展搜索设置栏选择“人”、搜索方向设置栏选择“单向”时，卫XX的社交关系展示如图4的所示，此时，可显示与卫XX最远距离为5的内的人关系网络。

如图6所示，当深度调节栏设置为2，关系类型扩展搜索设置栏选择“IP”、搜索方向设置栏选择“单向”时，可显示出所有与卫XX的IP地址关系的人。

如图7所示的关系网络中，当鼠标悬停在王XX对应的图标上时，则会弹出一个消息框，显示出王XX的相关信用信息。