反洗钱检测方法和系统与流程

本技术涉及数据监视，尤其涉及一种反洗钱检测方法和系统。

背景技术：

1、在金融领域，随着大数据和互联网金融的高速发展，交易支付的多样性在促进经济发展的同时，也为转移非法资金的洗钱活动提供了便利。与传统金融活动相比，网络洗钱更为隐蔽，全球化程度更高、成本更低、追踪难度更大，而银行作为反洗钱的主要渠道，对反洗钱工作尤为重要。

2、目前，各大银行与金融机构判定用户存在洗钱风险并上报可疑用户的技术手段是先定立一系列监测指标，若用户的交易触发一定监测条件，则由系统自动生成可疑案例，再由富有经验的甄别人员将可疑案例所涉及的用户过去几个月的交易取出，人工一一鉴别上报。识别过程较为依赖人工甄别，识别效率低且人工成本高，因此如何提高反洗钱识别效率、节约人力成本的问题还亟待解决。

技术实现思路

1、本技术实施例的主要目的在于提出一种反洗钱检测方法和系统。旨在通过对时序特征提取模型和异构图神经网络进行融合训练，得到训练好的时序特征提取模型和异构图神经网络来进行反洗钱检测，能够同时有效识别出洗钱用户和洗钱团伙，无需人工构造特征，识别准确性高。

2、为实现上述目的，本技术实施例的第一方面提出了一种反洗钱检测方法，所述方法包括：

3、通过训练好的时序特征提取模型对用户的交易时序数据进行特征提取，得到用户的交易特征向量；

4、将与各用户相关联的多维度数据作为各连接节点，并将具有同一关联数据的各用户节点通过连接节点进行连接，得到用户关系异构图，其中，将各用户的交易特征向量作为所述用户关系异构图中各用户节点的特征向量，

5、通过训练好的异构图神经网络对所述用户关系异构图进行处理，以确定洗钱用户和洗钱团伙，其中，训练好的所述时序特征提取模型和所述异构图神经网络均为通过对所述时序特征提取模型和所述异构图神经网络进行融合建模，并采用节点分类任务和子图分类任务交叉训练得到，其中，所述时序特征提取模型的输出作为所述异构图神经网络的输入，所述节点分类任务用于识别洗钱用户，所述子图分类任务用于识别洗钱团伙。

6、在本技术的一个实施例中，所述通过训练好的时序特征提取模型对用户的交易时序数据进行特征提取，得到用户的交易特征向量包括：

7、对用户的交易时序数据进行处理，得到不同时段对应的交易金额向量和用于标记不同时段的位置向量；

8、通过训练好的时序特征提取模型对不同时段对应的所述交易金额向量和用于标记不同时段的所述位置向量进行特征提取，得到用户的交易特征向量。

9、在本技术的一个实施例中，与各用户相关联的多维度数据包括交易账户、ip、mac、设备号、电话和地址。

10、在本技术的一个实施例中，所述通过训练好的异构图神经网络对所述用户关系异构图进行处理，以确定洗钱用户和洗钱团伙，包括：

11、根据所述用户关系异构图生成相应的邻接矩阵；

12、将各用户的所述交易特征向量和所述邻接矩阵在训练好的异构图神经网络中进行聚合迭代，得到各用户节点的聚合特征向量；

13、将各用户节点的所述聚合特征向量通过前馈神经网络层和归一化变换处理得到各用户节点的用户节点可疑概率；

14、对所述用户关系异构图进行子图分割，并将分割后子图中的各用户节点的所述聚合特征向量进行池化得到子图的特征向量；

15、将所述子图的特征向量经过前馈神经网络层和归一化变换处理得到子图可疑概率；

16、将节点可疑概率大于第一预设阈值的用户节点所对应的用户确定为洗钱用户，并将子图可疑概率大于第二预设阈值的子图所包含的各个用户节点对应的各个用户确定为洗钱团伙。

17、在本技术的一个实施例中，对所述用户关系异构图进行子图分割之后，所述方法还包括：

18、根据所述节点可疑概率对分割后的子图进行剪枝，以将所述节点可疑概率小于预设阈值的用户节点去除。

19、在本技术的一个实施例中，所述方法还包括对所述时序特征提取模型和所述异构图神经网络进行融合训练，包括：

20、将所述时序特征提取模型输出作为所述异构图神经网络输入，并通过构建级联函数将所述时序特征提取模型和所述异构图神经网络组成一个整体模型；

21、基于各用户的交易时序数据构建训练集；

22、对所述训练集，将与各用户相关联的多维度数据作为各连接节点，将具有同一关联数据的各用户节点通过对应的连接节点进行连接，得到用户关系异构图；

23、对所述用户关系异构图进行子图分割，获得训练节点样本和训练子图样本；

24、确定损失函数，并根据所述损失函数，通过反向传播更新所述整体模型的模型参数，所述整体模型的模型参数包括时序特征提取模型的模型参数和所述异构图神经网络的模型参数；

25、将所述训练节点样本和所述训练子图样本交叉输入所述整体模型中进行节点分类任务训练和子图分类任务训练；

26、当所述损失函数收敛或训练次数达到预设迭代次数，停止训练。

27、在本技术的一个实施例中，所述将所述训练节点样本和所述训练子图样本交叉输入所述整体模型中进行节点分类任务训练和子图分类任务训练，包括：

28、选取部分所述训练节点样本输入所述整体模型，并进行节点分类任务训练，以更新所述整体模型的模型参数，其中，所述节点分类任务为对所述用户关系异构图中各用户节点进行二分类处理的任务；

29、选取部分所述训练子图样本输入所述整体模型，并基于更新后的模型参数计算分割后的子图中每个用户节点的用户节点可疑概率；

30、根据所述节点可疑概率对分割后的子图进行剪枝后，通过进行子图分类任务训练，以再次更新所述整体模型的模型参数，其中，所述子图分类任务为对进行剪枝后的所述子图进行二分类处理的任务；

31、返回选取部分所述训练节点样本输入所述整体模型，并进行节点分类任务训练，以更新所述整体模型的模型参数的步骤，直到损失函数收敛或者训练次数达到预设迭代次数。

32、在本技术的一个实施例中，所述节点分类任务训练和所述子图分类任务训练所采用的损失函数相同，所述损失函数的梯度通过反向传播算法传递到所述异构图神经网络和时序特征提取模型，以更新所述异构图神经网络的模型参数和所述时序特征提取模型的模型参数。

33、在本技术的一个实施例中，当所述损失函数收敛或训练次数达到预设迭代次数，停止训练之后，所述方法还包括：

34、基于各用户的交易时序数据构建验证集；

35、对所述验证集，将与各用户相关联的多维度数据作为各连接节点，将具有同一关联数据的各用户节点通过对应的连接节点进行连接，得到用户关系异构图；

36、对所述用户关系异构图进行子图分割，获得验证节点样本和验证子图样本；

37、根据所述验证节点样本和验证子图样本获取不同迭代次数下的分类准确率；

38、根据不同迭代次数下的分类准确率，确定最佳迭代次数，并获取所述最佳迭代次数下对应的时序特征提取模型和异构图神经网络作为训练好的时序特征提取模型和训练好的异构图神经网络。

39、为实现上述目的，本技术实施例的第二方面提出了一种反洗钱检测系统，包括：

40、时序特征提取模块，用于通过训练好的时序特征提取模型对用户的交易时序数据进行特征提取，得到用户的交易特征向量；

41、异构图神经网络模块，用于执行以下操作：

42、将与各用户相关联的多维度数据作为各连接节点，将具有同一关联数据的各用户节点通过对应的连接节点进行连接，得到用户关系异构图；其中，将各用户的交易特征向量作为所述用户关系异构图中各用户节点的特征向量，

43、通过训练好的异构图神经网络对所述用户关系异构图进行处理，预测得到用户关系异构图中各用户节点的用户节点可疑概率和各子图的子图可疑概率，其中，训练好的所述时序特征提取模型和所述异构图神经网络均为通过对所述时序特征提取模型和所述异构图神经网络进行融合建模，并采用节点分类任务和子图分类任务交叉训练得到，其中，所述时序特征提取模型的输出作为所述异构图神经网络的输入；

44、预警模块，用于执行以下操作：

45、当用户节点的用户节点可疑概率大于第一预设阈值，对对应的用户进行预警；

46、当子图的子图可疑概率大于第二预设阈值，对对应子图所包含的各个用户节点对应的各个用户进行预警

47、在本技术实施例提供的技术方案中，通过训练好的时序特征提取模型对用户的交易时序数据进行特征提取，得到用户的交易特征向量，可实现时间序列特征的自动提取，不需要依赖人工经验构造特征。再将与各用户相关联的多维度数据作为各连接节点，并将具有同一关联数据的各用户节点通过连接节点进行连接，得到用户关系异构图，其中，将各用户的交易特征向量作为用户关系异构图中各用户节点的特征向量。可使得用户关系异构图中的各用户节点联系更加丰富，从而可综合多维度信息挖掘聚集性特征，提高识别洗钱团伙的准确性。再通过训练好的异构图神经网络对用户关系异构图进行处理，可确定洗钱用户和洗钱团伙。其中，通过对时序特征提取模型和异构图神经网络进行融合建模，并采用节点分类任务和子图分类任务交叉训练的方式，使得通过利用训练好的时序特征提取模型和异构图神经网络可实现对洗钱用户和洗钱团伙的有效识别，且识别准确性高。