技术特征：
1.一种基于图分类的套利团伙识别方法，其特征在于，包括以下：s1：获取数据预处理，抽取构图的实体和关系，构建知识图谱；s2：对构建好的图谱，利用连通子图算法进行群组划分；s3：计算每个群组的风险指标信息，形成业务风险评分；s4：搭建并训练深度图卷积神经网络，用于预测群组的结构风险评分；s5：综合业务风险评分和结构风险评分计算群组的综合风险评分，筛选风险群组；上述的步骤s1，包含：s1.1：从业务数据表中获取原始交易数据和操作数据，进行数据清洗等预处理工作，抽取构图所需的实体和关系信息。实体包括：账户、商户、设备、ip等；关系包括：消费，登录，转账，提现等；s1.2：根据步骤s1.1中抽取的实体和关系，将数据导入图数据库neo4j构建图谱，或使用networkx等构图工具构图，当数据量较大时neo4j的性能明显优于networkx；上述的步骤s2，包含：s2.1：基于步骤s1.2中构建的图谱，采用连通子图算法在全图上进行子图划分，形成一个个彼此之间互相割裂，但内部联系紧密的群组；上述的步骤s3，包含：s3.1：根据步骤s2.1划分的用户群组，使用fp-growth频繁集挖掘算法，计算群组中用户的聚集度指标，得到聚集度评分；s3.2：基于步骤s3.1的聚集度指标和现有的用户黑名单、设备黑名单等，计算群组的风险程度评分；s3.3：基于步骤s3.1和步骤s3.2中得到的聚集度评分和风险程度评分，计算群组总的业务风险评分；上述的步骤s4，包含：s4.1：搭建深度图卷积神经网络，模型可以接受任意的图作为输入而不限制图的结构和节点数量，基于部分标签群组训练神经网络。s4.2：基于步骤s4.1的训练好的神经网络，将步骤s1.2中得到的用户群组作为输入，得到每个群组是否是套利群组的概率，将该概率处理后作为每个群组的结构风险评分；上述的步骤s5，包含：s5.1：基于步骤s3和步骤s4中得到的群组业务风险评分和群组结构风险评分，计算每个群组的综合风险评分，筛选群组综合风险评分大于一定阈值的群组或取前topn的群组，作为风险群组输出。
技术总结
本发明公开了一种基于图分类的套利团伙识别方法，包括以下：S1：获取数据预处理，抽取构图的实体和关系，构建知识图谱；S2：对构建好的图谱，利用连通子图算法进行群组划分；S3：计算每个群组的风险指标信息，形成业务风险评分；S4：搭建并训练深度图卷积神经网络，用于预测群组的结构风险评分。本发明采用连通子图算法对构建的图谱进行群组划分，可以使得套利团伙更容易被发现；采用深度图卷积神经网络对整个图进行分类，直接预测整个群组的风险；本发明不仅通过深度图神经网络判断群组的结构风险，同时还结合业务指标，使用频繁集挖掘算法分析群组的业务指标信息，计算业务风险评分，和业务数据相结合，增加了模型结果的可解释性。性。性。
技术研发人员：余杰潮 徐德华 汤敏伟 李真
受保护的技术使用者：天翼电子商务有限公司
技术研发日：2021.12.02
技术公布日：2022/4/22