基于复杂关系网络的风险团伙识别方法和系统与流程

本申请涉及人工智能，特别是涉及一种基于复杂关系网络的风险团伙识别方法和系统。

背景技术：

1、随着网络技术的快速发展，网络诈骗、盗用等逐渐兴起，黑产、黑中介等存在安全风险的诈骗分子已从单一个体行为，发展为拥有复杂企业关系的风险团伙，风险团伙通过非法手段进行套利和窃取信息，会对企业和个人造成不同程度的损失。因此为了提高网络环境的安全性，需要对风险团伙进行准确识别。

2、传统的处理方式是根据网络拓扑结构的特性分割得到大量的社区，分别在每个社区中进行识别检测，最终确定风险团伙，但是这样分割得到的社区包含一些噪音节点或边关系，并且社区的数量过多、规模较大，难以准确挖掘风险团伙的复杂关系，导致无法准确识别风险团伙。

3、针对相关技术中存在对风险团伙的复杂关系挖掘不足，导致无法准确识别风险团伙的问题，目前还没有提出有效的解决方案。

技术实现思路

1、在本实施例中提供了一种基于复杂关系网络的风险团伙识别方法和系统，以解决相关技术中对风险团伙的复杂关系挖掘不足，导致无法准确识别风险团伙的问题。

2、第一个方面，在本实施例中提供了一种基于复杂关系网络的风险团伙识别方法，包括：

3、根据待识别企业的关系数据，基于预设的第一图谱构建规则，构建所述待识别企业的强关系网络；

4、根据所述待识别企业的历史交易数据，基于预设的第二图谱构建规则，构建所述待识别企业的弱关系网络；

5、通过对所述强关系网络和所述弱关系网络进行特征提取，训练得到识别模型，并基于所述识别模型对所述待识别企业进行风险识别。

6、在其中的一些实施例中，所述根据待识别企业的关系数据，基于预设的第一图谱构建规则，构建所述待识别企业的强关系网络，包括：

7、根据所述关系数据，通过连通分量算法构建得到所述待识别企业与强关联企业的强关系网络；

8、所述强关系网络中的每个节点表示所述待识别企业，以及与所述待识别企业强关联的企业，边关系的属性包括用于表示所述强关联关系的所述关系数据。

9、在其中的一些实施例中，所述根据所述待识别企业的历史交易数据，基于预设的第二图谱构建规则，构建所述待识别企业的弱关系网络，包括：

10、根据所述待识别企业与消费端的历史交易数据，通过louvain算法构建得到所述待识别企业与弱关联企业的弱关系网络；

11、所述弱关系网络中的每个节点表示所述待识别企业，以及与所述待识别企业弱关联的企业，边关系的属性包括用于表示所述弱关联关系的边权重。

12、在其中的一些实施例中，所述通过louvain算法构建得到所述待识别企业与弱关联企业的弱关系网络，包括：

13、通过计算每个社区的模块度，将所述待识别企业的节点划分到对应的社区，以构建得到所述弱关系网络。

14、在其中的一些实施例中，所述通过对所述强关系网络和所述弱关系网络进行特征提取，训练得到识别模型，并基于所述识别模型对所述待识别企业进行风险识别，包括：

15、分别对所述强关系网络提取社区特征，以及对所述弱关系网络提取社区特征和节点特征，综合得到风险指标；

16、在每个所述风险指标的多时间窗口特征中，筛选得到目标特征，根据所述目标特征训练得到所述识别模型；

17、通过所述识别模型得到所述待识别企业的风险概率，并转换得到所述待识别企业以及所述待识别企业所在社区的风险评分，基于所述风险评分对所述待识别企业进行风险识别。

18、在其中的一些实施例中，所述在每个所述风险指标的多时间窗口特征中，筛选得到目标特征，包括：

19、基于所述风险指标，根据不同时间尺度，对应得到若干多时间窗口特征；

20、通过对每个所述风险指标的多时间窗口特征进行预测能力筛选，结合相关性分析，得到所述每个所述风险指标对应的目标特征。

21、在其中的一些实施例中，上述方法还包括：

22、通过将所述强关系网络、所述弱关系网络以及风险识别的结果导入nebula图数据库；

23、基于所述nebula图数据库，对风险团伙的网络关系和风险识别进行实时查询。

24、第二个方面，在本实施例中提供了一种基于复杂关系网络的风险团伙识别系统，包括：关系网络构建模块和风险团队识别模块；

25、所述关系网络构建模块，用于根据待识别企业的关系数据，基于预设的第一图谱构建规则，构建所述待识别企业的强关系网络；根据所述待识别企业的历史交易数据，基于预设的第二图谱构建规则，构建所述待识别企业的弱关系网络

26、所述风险团队识别模块，用于通过对所述强关系网络和所述弱关系网络进行特征提取，训练得到识别模型，并基于所述识别模型对所述待识别企业进行风险识别。

27、第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的基于复杂关系网络的风险团伙识别方法。

28、第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的基于复杂关系网络的风险团伙识别方法。

29、与相关技术相比，在本实施例中提供的一种基于复杂关系网络的风险团伙识别方法和系统，通过根据待识别企业的关系数据，基于预设的第一图谱构建规则，构建所述待识别企业的强关系网络；根据所述待识别企业的历史交易数据，基于预设的第二图谱构建规则，构建所述待识别企业的弱关系网络；通过对所述强关系网络和所述弱关系网络进行特征提取，训练得到识别模型，并基于所述识别模型对所述待识别企业进行风险识别，能够通过构建待识别企业的强关系网络和弱关系网络，对待识别企业间复杂的强弱关联关系进行细分，较全面地覆盖了风险团伙的企业网络，解决了由于对风险团伙的复杂关系挖掘不足，导致的无法准确识别风险团伙的问题。

30、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

技术特征：

1.一种基于复杂关系网络的风险团伙识别方法，其特征在于，包括：

2.根据权利要求1所述的基于复杂关系网络的风险团伙识别方法，其特征在于，所述根据待识别企业的关系数据，基于预设的第一图谱构建规则，构建所述待识别企业的强关系网络，包括：

3.根据权利要求1所述的基于复杂关系网络的风险团伙识别方法，其特征在于，所述根据所述待识别企业的历史交易数据，基于预设的第二图谱构建规则，构建所述待识别企业的弱关系网络，包括：

4.根据权利要求3所述的基于复杂关系网络的风险团伙识别方法，其特征在于，所述通过louvain算法构建得到所述待识别企业与弱关联企业的弱关系网络，包括：

5.根据权利要求1所述的基于复杂关系网络的风险团伙识别方法，其特征在于，所述通过对所述强关系网络和所述弱关系网络进行特征提取，训练得到识别模型，并基于所述识别模型对所述待识别企业进行风险识别，包括：

6.根据权利要求5所述的基于复杂关系网络的风险团伙识别方法，其特征在于，所述在每个所述风险指标的多时间窗口特征中，筛选得到目标特征，包括：

7.根据权利要求1-6任意一项所述的基于复杂关系网络的风险团伙识别方法，其特征在于，还包括：

8.一种基于复杂关系网络的风险团伙识别系统，其特征在于，包括：关系网络构建模块和风险团队识别模块；

9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的基于复杂关系网络的风险团伙识别方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于复杂关系网络的风险团伙识别方法的步骤。

技术总结
本申请涉及一种基于复杂关系网络的风险团伙识别方法和系统，其中，该方法包括：根据待识别企业的关系数据，基于预设的第一图谱构建规则，构建待识别企业的强关系网络；根据待识别企业的历史交易数据，基于预设的第二图谱构建规则，构建待识别企业的弱关系网络；通过对强关系网络和弱关系网络进行特征提取，训练得到识别模型，并基于识别模型对待识别企业进行风险识别。通过本申请，能够构建待识别企业的强关系网络和弱关系网络，对待识别企业间复杂的强弱关联关系进行细分，较全面地覆盖了风险团伙的企业网络，解决了由于对风险团伙的复杂关系挖掘不足，导致的无法准确识别风险团伙的问题。

技术研发人员：刘纪稳,郑毅
受保护的技术使用者：杭州有赞科技有限公司
技术研发日：
技术公布日：2024/1/12