Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2019137050 - PROCÉDÉ ET DISPOSITIF DE DÉTECTION DE FRAUDE EN TEMPS RÉEL AU COURS D'UNE SCÈNE DE CRÉDIT INTERNET ET SERVEUR

Numéro de publication WO/2019/137050
Date de publication 18.07.2019
N° de la demande internationale PCT/CN2018/109729
Date du dépôt international 10.10.2018
CIB
G06Q 40/02 2012.01
GPHYSIQUE
06CALCUL; COMPTAGE
QSYSTÈMES OU MÉTHODES DE TRAITEMENT DE DONNÉES, SPÉCIALEMENT ADAPTÉS À DES FINS ADMINISTRATIVES, COMMERCIALES, FINANCIÈRES, DE GESTION, DE SURVEILLANCE OU DE PRÉVISION; SYSTÈMES OU MÉTHODES SPÉCIALEMENT ADAPTÉS À DES FINS ADMINISTRATIVES, COMMERCIALES, FINANCIÈRES, DE GESTION, DE SURVEILLANCE OU DE PRÉVISION, NON PRÉVUS AILLEURS
40Finance; Assurance; Stratégies fiscales; Traitement des impôts sur les sociétés ou sur le revenu
02Opérations bancaires, p.ex. calcul d'intérêts, autorisations de crédit, hypothèques, banque à domicile ou banque en ligne
G06K 9/62 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
KRECONNAISSANCE DES DONNÉES; PRÉSENTATION DES DONNÉES; SUPPORTS D'ENREGISTREMENT; MANIPULATION DES SUPPORTS D'ENREGISTREMENT
9Méthodes ou dispositions pour la lecture ou la reconnaissance de caractères imprimés ou écrits ou pour la reconnaissance de formes, p.ex. d'empreintes digitales
62Méthodes ou dispositions pour la reconnaissance utilisant des moyens électroniques
CPC
G06K 9/6223
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
6218Clustering techniques
622Non-hierarchical partitioning techniques
6221based on statistics
6223with a fixed number of clusters, e.g. K-means clustering
G06Q 40/025
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
40Finance; Insurance; Tax strategies; Processing of corporate or income taxes
02Banking, e.g. interest calculation, credit approval, mortgages, home banking or on-line banking
025Credit processing or loan processing, e.g. risk analysis for mortgages
Déposants
  • 阳光财产保险股份有限公司 SUNSHINE PROPERTY & CASUALTY INSURANCE COMPANY [CN]/[CN]
Inventeurs
  • 于皓 YU, Hao
  • 张杰 ZHANG, Jie
  • 李犇 LI, Ben
  • 张涧 ZHANG, Jian
  • 张卓博 ZHANG, Zhuobo
Mandataires
  • 北京超凡志成知识产权代理事务所(普通合伙) CHOFN INTELLECTUAL PROPERTY
Données relatives à la priorité
201810033615.212.01.2018CN
Langue de publication chinois (ZH)
Langue de dépôt chinois (ZH)
États désignés
Titre
(EN) REAL-TIME FRAUD DETECTION METHOD AND DEVICE UNDER INTERNET CREDIT SCENE, AND SERVER
(FR) PROCÉDÉ ET DISPOSITIF DE DÉTECTION DE FRAUDE EN TEMPS RÉEL AU COURS D'UNE SCÈNE DE CRÉDIT INTERNET ET SERVEUR
(ZH) 互联网信贷场景下的实时欺诈检测方法、装置及服务器
Abrégé
(EN)
The present application provides a real-time fraud detection method and device under an internet credit scene. The method comprises: obtaining authorization data sent after a target user is authorized by an internet credit APP; constructing a feature vector of the target user on the basis of the authorization data; training the feature vector by means of a K-MEANS algorithm to obtain a non-supervised anti-fraud machine learning model; and performing fraud probability calculation on the feature vector by means of the unsupervised anti-fraud machine learning model to obtain fraud probability of the target user. According to the method, the authorization data of the target user is fully utilized, vectorization is performed on the authorization data to obtain the feature vector, the unsupervised anti-fraud machine learning model is obtained by means of K-MEANS algorithm modeling, and the non-supervised anti-fraud machine learning model then performs fraud probability calculation on the feature vector to obtain the fraud probability of the target user. By means of the method, a novel fraud mode can be found in real time, and the technical problem that an existing fraud detection method cannot recognize the novel fraud mode within a short time is resolved.
(FR)
La présente invention concerne un procédé et un dispositif de détection de fraude en temps réel au cours d'une scène de crédit Internet. Le procédé consiste : à obtenir des données d'autorisation envoyées après l'autorisation d'un utilisateur cible par une application de crédit Internet ; à construire un vecteur de caractéristiques de l'utilisateur cible en fonction des données d'autorisation ; à entraîner le vecteur de caractéristiques au moyen d'un algorithme de K moyennes afin d'obtenir un modèle d'apprentissage automatique anti-fraude non supervisé ; et à réaliser un calcul de probabilité de fraude sur le vecteur de caractéristiques au moyen du modèle d'apprentissage automatique anti-fraude non supervisé afin d'obtenir une probabilité de fraude de l'utilisateur cible. Selon le procédé, les données d'autorisation de l'utilisateur cible sont pleinement utilisées, la vectorisation est effectuée sur les données d'autorisation afin d'obtenir le vecteur de caractéristiques, le modèle d'apprentissage automatique non supervisé de la machine anti-fraude est obtenu au moyen d'une modélisation d'algorithme de K moyennes, et le modèle d'apprentissage automatique anti-fraude non supervisé effectue ensuite un calcul de probabilité de fraude sur le vecteur de caractéristiques afin d'obtenir la probabilité de fraude de l'utilisateur cible. Grâce au procédé, un nouveau mode de fraude peut être trouvé en temps réel, et le problème technique selon lequel un procédé de détection de fraude existant ne peut pas reconnaître le nouveau mode de fraude dans un temps court est résolu.
(ZH)
本申请提供了一种互联网信贷场景下的实时欺诈检测方法及装置,该方法包括:获取目标用户通过互联网信贷APP授权后发送的授权数据;基于授权数据构建目标用户的特征向量;通过K-MEANS算法对特征向量进行训练,得到无监督反欺诈机器学习模型;通过无监督反欺诈机器学习模型对特征向量进行欺诈概率计算,得到目标用户的欺诈概率。该方法充分利用了目标用户的授权数据,对授权数据向量化得到特征向量,进而通过K-MEANS算法建模得到无监督反欺诈机器学习模型,无监督反欺诈机器学习模型再对特征向量进行欺诈概率计算,得到目标用户的欺诈概率,该方法能够实时发现新式的欺诈模式,缓解了现有的欺诈检测方法无法在较短时间内识别出新式的欺诈模式的技术问题。
Également publié en tant que
Dernières données bibliographiques dont dispose le Bureau international