欺诈风险检测方法、装置、设备和介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115953163A(43)申请公布日2023.04.11(21)申请号202211660696.1(22)申请日2022.12.22(71)申请人中国工商银行股份有限公司地址100140北京市西城区复兴门内大街55号(72)发明人陈强杨晓烨李弘宇陶俊宇(74)专利代理机构中科专利商标代理有限责任公司11021专利代理师张体南(51)Int.Cl.G06Q20/40(2012.01)G06N3/042(2023.01)G06N3/08(2023.01)权利要求书2页说明书15页附图7页(54)发明名称欺诈风险检测方法、装置、设备和介质(57)摘要本公开提供了一种欺诈风险检测方法，涉及人工智能技术领域。该方法包括：对待检测交易构建交易关联图，其中，所述交易关联图通过该笔交易的客户节点、事件节点和关联实体节点中至少两类节点构建；将所述交易关联图和负样本池中的N个负样本输入至风险检测模型，其中，所述负样本包括基于历史交易数据构建的风险交易关联图，所述风险检测模型包括基于图神经网络预先训练的端到端模型；利用所述风险检测模型计算所述交易关联图与所述N个负样本中每个负样本之间的相似度；根据所述风险检测模型计算的相似度结果进行风险检测。本公开还提供了一种欺诈风险检测装置、设备、存储介质和程序产品。CN115953163ACN115953163A权利要求书1/2页1.一种欺诈风险检测方法，包括：对待检测交易构建交易关联图，其中，所述交易关联图通过该笔交易的客户节点、事件节点和关联实体节点中至少两类节点构建；将所述交易关联图和负样本池中的N个负样本输入至风险检测模型，其中，所述负样本包括基于历史交易数据构建的风险交易关联图，所述风险检测模型包括基于图神经网络预先训练的端到端模型；利用所述风险检测模型计算所述交易关联图与所述N个负样本中每个负样本之间的相似度，N大于或等于1；根据所述风险检测模型计算的相似度结果进行风险检测。2.根据权利要求1所述的方法，其中，所述对待检测交易构建交易关联图包括：根据所述至少两类节点中各节点之间的关系链构建交易关系构图；将所述交易关系构图转换为二部图形式，得到所述交易关联图。3.根据权利要求1所述的方法，其中，所述方法还包括预先获得所述负样本，具体包括：基于历史交易数据构建历史交易关联图，其中，所述历史交易关联图通过历史上各笔交易的客户节点、事件节点和关联实体节点中至少两类节点构建；确定所述历史交易关联图中的M个风险节点，其中，所述风险节点包括所述至少两类节点中涉及风险交易的节点，M大于或等于1；根据所述M个风险节点从所述历史交易关联图中获得至少一个所述负样本。4.根据权利要求3所述的方法，其中，所述获得至少一个所述负样本包括：将所述M个风险节点作为M个种子，计算其中每个种子的局部社区；根据所述每个种子的局部社区获得至少一个所述负样本。5.根据权利要求4所述的方法，其中，所述风险交易关联图包括风险社区图，所述获得至少一个所述负样本还包括：根据S条合并规则将所述每个种子的局部社区剪枝处理，得到的至少一个所述风险社区图，其中，所述剪枝处理包括将符合任一条合并规则的至少两个局部社区合并，S大于或等于1；根据所述风险社区图获得所述负样本。6.根据权利要求5所述的方法，其中，所述方法还包括预先训练所述风险检测模型，具体包括：从所述历史交易关联图中获得K个正样本，其中每个正样本包括所述历史交易关联图中不涉及所述风险节点的局部图，K大于或等于1；利用所述K个正样本和所述N个负样本训练所述风险检测模型。7.根据权利要求6所述的方法，其中，所述风险检测模型包括图向量化层、张量网络层和相似度计算层，训练所述风险检测模型包括：同时训练所述图向量化层、张量网络层和相似度计算层，得到端到端的所述风险检测模型。8.根据权利要求7所述的方法，其中：所述图向量化层用于利用所述图神经网络获得各个训练样本的向量化特征，所述训练样本包括所述正样本或所述负样本；2CN115953163A权利要求书2/2页所述张量网络层用于处理来自所述图向量化层的向量化特征，所述张量网络层被配置为在训练过程中学习图与图之间的关系；所述相似度计算层用于根据所述张量网络层的输出结果计算每对所述训练样本之间的相似度。9.根据权利要求1所述的方法，其中，所述方法还包括：若所述待检测交易为风险交易，将所述交易关联图更新至所述负样本池中作为新的负样本。10.根据权利要求1所述的方法，其中，所述根据所述风险检测模型计算的相似度结果进行风险检测包括：在所述相似度结果位于第一阈值区间时，确定所述待检测交易无风险；和/或在所述相似度结果位于第二阈值区间时，确定所述待检测交易有风险；和/或在所述相似度结果位于第三阈值区间时，对所述