一种复杂关联交易中洗钱交易的检测方法和系统

技术领域

本申请涉及机器学习技术领域，特别是涉及一种反洗钱识别方法及装置。

背景技术

在金融体系中，反洗钱具有重要的作用。其可以打击经济违法犯罪，可以维护正常的社会经济秩序，是金融系统健康发展的重要基础支撑。反洗钱在打击走私、毒品、贪污贿赂等违法犯罪中有重要的意义，它可以及早地发现违法犯罪线索，对此类违法犯罪起到预防作用，在违法犯罪行为发生后，它也可以帮助追缴犯罪所得、打击上游犯罪等。反洗钱也可以减少金融机构潜在的金融风险和法律风险，也有利于加强反洗钱国际合作。

在现有方法中，对交易中的洗钱行为的识别，主要是通过人工和人工设计的反洗钱规则来判断。人工判断效率较低，且受限于专家的经验，而人工设计的反洗钱规则也受限于专家的经验，可能导致反洗钱规则存在漏洞或误判，导致不能准确的识别交易中的洗钱行为。

发明内容

为了克服上述现有技术的不足，本发明公开了一种复杂关联交易中洗钱交易的检测方法和系统。

本发明所采用的技术方案中，检测方法包括两个方面：

(1)根据一组已知是否洗钱的交易数据，对循环神经网络模型进行训练，最终得到训练好的循环神经网络模型；

(2)根据训练完成的循环神经网络模型，对未知是否为洗钱的交易数据进行检测，得到该交易数据是否为洗钱的判断结果。

根据本发明所采用的技术方案中，检测方法的第一个方面，提出了一种新的洗钱交易检测模型及其训练方法，包括：

从已知是否为洗钱的交易数据中，选取一组关联交易，其包含多个交易数据，并按交易发生的时间排序，根据是否为洗钱，生成真实特征向量；

生成初始特征向量，该向量中的值的个数与真实特征向量中的值的个数保持一致，该向量中的值是指定的值或随机值；

建立人工神经网络，作为循环神经网络模型的网络结构；

将该组交易中的第一个交易数据与初始特征向量融合，并输入到循环神经网络中，经过神经网络处理后，得到第一个输出特征向量，该向量中的值的个数与真实特征向量中的值的个数保持一致；

将该组交易中的第二个交易数据与第一个输出特征向量融合，并输入到循环神经网络中，经过神经网络处理后，得到第二个输出特征向量，该向量中的值的个数与真实特征向量中的值的个数保持一致；

按以上方式，依次处理该组交易中的其它交易数据；

经过多次循环神经网络处理后，得到最终特征向量，该向量中的值的个数与真实特征向量中的值的个数保持一致；

根据给定的终止训练的判断方法，如果需要继续训练，则根据给定的损失函数，计算最终特征向量与真实特征向量之间的损失，根据该损失，对模型反向传播，修正模型参数，并对修正后的模型继续进行训练；否则，得到训练好的循环神经网络模型。

所述的终止训练的判断方法，包括以下方法或以下方法的组合：

根据给定的阈值和计算得到的最终特征向量与真实特征向量之间的损失，如果该损失大于该阈值，则继续训练，如果该损失小于等于该阈值，则终止训练；

根据给定的阈值和已知是否为洗钱的交易数据，对当前模型进行测试，如果测试结果表明当前模型准确性小于该阈值，则继续训练，如果测试结果表明当前模型准确性大于等于该阈值，测终止训练。

进一步地，根据本发明所采用的技术方案中，检测方法的第二个方面，提出了一种根据已训练好的循环神经网络模型，对未知是否为洗钱的交易进行检测的方法，包括：

获取一组未知是否为洗钱的交易数据，其包含多个互相关联的交易数据，

并按交易发生的时间排序；

生成初始特征向量，该向量中的值的个数与真实特征向量中的值的个数保持一致，该向量中的值是指定的值或随机值；

将该组交易中的第一个交易数据与初始特征向量融合，并输入到循环神经网络中，经过神经网络处理后，得到第一个输出特征向量；

将该组交易中的第二个交易数据与第一个输出特征向量融合，并输入到循环神经网络中，经过神经网络处理后，得到第二个输出特征向量；

按以上方式，依次处理该组交易中的其它交易数据；

通过模型对每次传入的数据进行处理，得到最终特征向量，根据最终的特征向量的值，按给定方法来判断该交易数据中是否存在洗钱交易。

本发明所采用的技术方案中，检测系统包括两个方面：第一个系统包括处理器和存储器，所述存储器上存储有用于在处理器上执行的计算机程序,所述处理器执行该计算机程序时，实现检测方法中第一方面所述的一种新的洗钱交易检测模型及其训练方法；第二个系统包括处理器和存储器，所述存储器上存储有用于在处理器上执行的计算机程序,所述处理器执行该计算机程序时，实现检测方法的第二个方面所述的一种根据已训练好的循环神经网络模型，对未知是否为洗钱的交易进行检测的方法。

本发明的有益效果：本发明公开的技术方案，根据充足的多样化的交易数据样本对模型进行训练，通过循环输入的方式解决复杂关联交易数据中的洗钱检测问题，相较于现有的通过人工和人工设计的反洗钱规则的检测方法，本发明的技术方案能够明显提升洗钱检测的效率，简化洗钱检测规则的制定过程，解决现有技术耗时耗力的问题。

附图说明

图1为本发明方法实施例中复杂关联交易中洗钱交易的检测流程图。

图2为本发明方法实施例中特征向量在循环模型中传递和融合的示意图。

具体实施案例

下面结合附图对本发明进一步说明。应注意到：在本实施例中阐述的步骤和内容的相对布置、数学表达式和数值不限制本发明的范围；以下对实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制；因此，实施例的其它例子可以具有不同的值。

本实施例提供一种复杂关联交易中洗钱交易的检测方法，用于对复杂关联交易数据中是否存在洗钱交易进行检测，解决现有技术效率低下的问题。

本实施例所提供的复杂关联交易中的洗钱交易检测方法，其流程如图1所示，包括如下步骤：

(1)根据一组已知是否洗钱的交易数据，对循环神经网络模型进行训练，并最终得到训练好的循环神经网络模型；其中一种训练方法如下：

从已知是否为洗钱的交易数据中，选取一组互相存在关联的交易，其包含多个交易数据，并按交易发生的时间排序；设该组交易数据中，交易数据的个数为N；每个交易数据均按照给定的方式，转化为交易数据向量X

建立人工神经网络，作为循环神经网络模型的网络结构；其中一种循环神经网络模型的结构参数如表1所示，每一层均包含通用的激活函数ReLU；

表1

生成初始特征向量Y

将该组交易中的第一个交易数据X

将该组交易中的第二个交易数据X

按以上方式，依次将该组交易中后续的各个交易数据X

预处理特征向量Y

例如，所述预处理特征向量Y

例如，所述损失的计算公式的其中一种可以为：

其中，y

例如，所述修正模型参数的方法的其中一种如下所示：

设得到的神经网络为：

y＝F(x,w

其中x为网络输入，y为网络输出，w

其中η为预先设定的学习率，

(2)根据训练完成的循环神经网络模型，对未知是否为洗钱的交易数据进行检测，得到该交易数据是否为洗钱的判断结果；其中一种方法如下：

获取一组未知是否为洗钱的交易数据，其包含多个互相关联的交易数据，并按交易发生的时间排序；设该组交易数据中，交易数据的个数为M；每个交易数据均按照给定的方式，转化为交易数据向量

生成初始特征向量

将该组交易中的第一个交易数据

将该组交易中的第二个交易数据

按以上方式，依次将该组交易中后续的各个交易数据

通过

本实施例还提供一种复杂关联交易中洗钱交易的检测系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序，当处理器执行该计算机程序时，实现如上述方法实施例中所提供的复杂关联交易中的洗钱交易的检测方法。