信贷机构反欺诈方法、装置、设备和存储介质

技术领域

本发明涉及人工智能技术领域，具体涉及一种信贷机构反欺诈方法、装置、设备和存储介质。

背景技术

低廉的造假成本和层出不穷的欺诈手段，给一个信贷机构带来的不仅仅是风险损失，更给信贷机构带来极大的挑战。在整个信贷流程中，如何在贷前申请中准备快速地识别欺诈风险，将欺诈群体拒之门外是业务的重中之重。

欺诈从本质上来看是操作风险的一种。在信贷行业，据悉70%以上的风险来自欺诈风险，而欺诈形式多种多样，如身份造假、中介黑产、内外勾结等等。从欺诈主体来看，可以分为第一方欺诈、第二方欺诈、第三方欺诈。

第一方欺诈，主要是申请贷款本人恶意骗贷、还款意愿极低、拒绝还款等；第二方欺诈是指内部欺诈或内外勾结；而第三方欺诈主要是盗用冒用他人身份、他人账号以及团伙欺诈等。这其中，团伙欺诈已形成一个黑色产业链，黑中介通过购买个人信息、和客户联合等手段进行欺诈。所以，信贷反欺诈就是和欺诈人员斗智斗勇的过程：欺诈分子一直在寻找业务的漏洞，而反欺诈人员则需要在不断变化的漏洞中打上一个个“补丁”。

那么，该如何在贷前阶段做好申请反欺诈呢。其实要解决的问题无非就是判断申请借款的是人还是机器，是本人还是他人，是价值用户还是无效用户。目前反欺诈的判别主要是人工筛选，但是人工筛选可能出现第二方欺诈，且人工筛选效率低下。

发明内容

有鉴于此，提供一种信贷机构反欺诈方法、装置、设备和存储介质，以解决相关技术中的问题。

第一方面，本申请提供一种信贷机构反欺诈方法，包括：

获取用户信息；

通过预设的名单库进行筛选，若筛选不通过则拒绝为该用户提供服务；

若筛选通过，将所述用户信息输入预训练的反欺诈模型进行验证，得到验证结果，若验证结果为不通过验证，则拒绝为该用户提供服务；

若验证结果为通过验证，则通过专家策略确定用户的风险；

若用户的风险高于预设值，拒绝为该用户提供服务，否则为用户提供服务。

可选的，所述名单库从相关机构获取的用于避免重复欺诈行为的黑名单；

若黑名单中存在与所述用户信息对应的名单，该用户筛选不通过；

若黑名单中不存在与所述用户信息对应的名单，该用户筛选通过。

可选的，所述反欺诈模型的训练过程包括：

获取训练样本；所述训练样本为所述信贷机构的历史用户数据，和与所述历史用户数据对应的训练标签；所述标签为相关人员基于所述历史用户是否存在欺诈行为确定的；

将所述训练样本输入预设的深度学习模型，对所述深度学习模型进行训练，得到反欺诈模型。

可选的，所述专家策略为由专家确定的规则生成的策略模板；所述策略模板，通过对用户信息各个维度进行欺诈识别，确定用户的风险；

或所述专家策略为相关任意基于专家确定的规则对所述用户信息进行人工审核，确定用户的风险。

可选的，还包括：

实时更新所述名单库。

可选的，所述用户信息包括：用户个人身份信息、设备指纹、操作行为、位置信息、资产信息。

可选的，包括：

基于专家的建议实际情况的变化调整策略模板。

第二方面，本申请提供一种信贷机构反欺诈装置，包括：

获取模块，获取用户信息；

名单库模块，用于通过预设的名单库进行筛选，若筛选不通过则拒绝为该用户提供服务；

反欺诈模型模块，用于若筛选通过，将所述用户信息输入预训练的反欺诈模型进行验证，得到验证结果，若验证结果为不通过验证，则拒绝为该用户提供服务；

专家策略模块，用于若验证结果为通过验证，则通过专家策略确定用户的风险；若用户的风险高于预设值，拒绝为该用户提供服务，否则为用户提供服务。

第三方面，本申请提供一种信贷机构反欺诈设备，包括：

处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序，所述计算机程序至少用于执行第一方面所述的信贷机构反欺诈方法；

所述处理器用于调用并执行所述存储器中的所述计算机程序。

第四方面，本申请提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请第一方面所述的信贷机构反欺诈方法中各个步骤。

本发明采用如下技术方案：获取用户信息后，进行三种层次的筛选，首先是通过预设的名单库进行筛选，若筛选不通过则拒绝为该用户提供服务；这种方式下可以快速的筛选部分用户，之后若筛选通过，将所述用户信息输入预训练的反欺诈模型进行验证，得到验证结果，若验证结果为不通过验证，则拒绝为该用户提供服务；这种筛选可以通过用户的信息反应一些问题，进而筛选部分人，通过智能的反欺诈模型起到类似于人工筛选的作用，之后若验证结果为通过验证，则通过专家策略确定用户的风险；专家策略可以及时根据当前的政策，外部经济环境等进行一定程度的调节。如此可以快速的对用户进行筛选，避免发生欺诈行为，同时减少了人员对于筛选过程的参与，避免了由员工勾结外部人员引起的欺诈。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种信贷机构反欺诈方法的流程图；

图2是本发明实施例提供的另一种信贷机构反欺诈方法的流程图；

图3是本发明实施例提供的一种信贷机构反欺诈装置的结构示意图；

图4是本发明实施例提供的一种信贷机构反欺诈设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

首先对本发明实施例的应用场景进行说明，低廉的造假成本和层出不穷的欺诈手段，给一个信贷机构带来的不仅仅是风险损失，更给信贷机构带来极大的挑战。在整个信贷流程中，如何在贷前申请中准备快速地识别欺诈风险，将欺诈群体拒之门外是业务的重中之重。

欺诈从本质上来看是操作风险的一种。在信贷行业，据悉70%以上的风险来自欺诈风险，而欺诈形式多种多样，如身份造假、中介黑产、内外勾结等等。从欺诈主体来看，可以分为第一方欺诈、第二方欺诈、第三方欺诈。

第一方欺诈，主要是申请贷款本人恶意骗贷、还款意愿极低、拒绝还款等；第二方欺诈是指内部欺诈或内外勾结；而第三方欺诈主要是盗用冒用他人身份、他人账号以及团伙欺诈等。这其中，团伙欺诈已形成一个黑色产业链，黑中介通过购买个人信息、和客户联合等手段进行欺诈。所以，信贷反欺诈就是和欺诈人员斗智斗勇的过程：欺诈分子一直在寻找业务的漏洞，而反欺诈人员则需要在不断变化的漏洞中打上一个个“补丁”。

那么，该如何在贷前阶段做好申请反欺诈呢。其实要解决的问题无非就是判断申请借款的是人还是机器，是本人还是他人，是价值用户还是无效用户。本申请针对这一问题提出了对应的解决方案。即：通过三类技术手段（名单库、专家策略、机器学习）进行反欺诈。

图1为本发明实施例提供的一种信贷机构反欺诈方法的流程图，参考图1，该方法具体可以包括如下步骤：

步骤101、获取用户信息；

需要说明的是，所述用户信息包括：用户个人身份信息、设备指纹、操作行为、位置信息、资产信息。

其中用户的个人信息为通过国家系统验证之后的用户个人身份信息，具体包括用户的姓名住址，联系电话以及包含身份证在内的证件信息。设备指纹和操作行为等为用户设置的一些信息，具体的可以是用户在使用系统时的一些惯用操作。位置信息可以使用户的当前位置，用户居住位置。资产信息包括本机构已有的用户资产信息，以及一些银行等金融机构为用户开具的一些资产证明，或其他例如房产证在内的资产证明。

步骤102、通过预设的名单库进行筛选，若筛选不通过则拒绝为该用户提供服务；

具体的，所述名单库从相关机构获取的用于避免重复欺诈行为的黑名单；

若黑名单中存在与所述用户信息对应的名单，该用户筛选不通过；

若黑名单中不存在与所述用户信息对应的名单，该用户筛选通过。

一般情况下名单库的获取包括国家公布的失信人员名单，以及相关合作银行及其他金融机构的历史数据中具有不良信用的用户。名单库的建立不是一朝一夕完成的，而是需要较长时间的积累，不断采集用户信息，通过用户的每一次金融交易对用户进行判定。当然名单库中不仅有黑名单，还可以具有白名单。具体的可以参照当前银行的征信体系。

同理，RCP平台提供了白名单客户功能，白名单一般指平台内部的优质客户列表，建立白名单库可以有效且降低公司的成本和信用风险，提高放款效率。

步骤103、若筛选通过，将所述用户信息输入预训练的反欺诈模型进行验证，得到验证结果，若验证结果为不通过验证，则拒绝为该用户提供服务；

其中，所述反欺诈模型的训练过程包括：

获取训练样本；所述训练样本为所述信贷机构的历史用户数据，和与所述历史用户数据对应的训练标签；所述标签为相关人员基于所述历史用户是否存在欺诈行为确定的；

将所述训练样本输入预设的深度学习模型，对所述深度学习模型进行训练，得到反欺诈模型。

反欺诈模型的主要原理是采集各个具有不良记录或者流量记录的用户信息及其历史操作信息，对这些信息进行分析，通过深度学习对这些信息进行挖掘，找到这些具有欺诈行为人员的共性。当具有新的用户信息输入时，由反欺诈模型，对新的用户信息进行一个验证除掉那些有较大可能性发生欺诈行为的用户。

步骤104、若验证结果为通过验证，则通过专家策略确定用户的风险；

具体的，所述专家策略为由专家确定的规则生成的策略模板；所述策略模板，通过对用户信息各个维度进行欺诈识别，确定用户的风险；

或所述专家策略为相关任意基于专家确定的规则对所述用户信息进行人工审核，确定用户的风险。

需要说明的是专家策略是本行业内专家基于现有的外部金融环境，国家金融政策等相关信息以及专家自身的专业知识，对如何评价用户的风险提出的一些策略和建议。这些策略和建议往往相较于黑名单或反欺诈模型，更加符合当前环境。特别是在外部金融环境突变或国家政策发生较大变化时，专家策略可以更加具有前瞻性的对用户的风险进行判断。

步骤105、若用户的风险高于预设值，拒绝为该用户提供服务，否则为用户提供服务。

如此设置，获取用户信息后，进行三种层次的筛选，首先是通过预设的名单库进行筛选，若筛选不通过则拒绝为该用户提供服务；这种方式下可以快速的筛选部分用户，之后若筛选通过，将所述用户信息输入预训练的反欺诈模型进行验证，得到验证结果，若验证结果为不通过验证，则拒绝为该用户提供服务；这种筛选可以通过用户的信息反应一些问题，进而筛选部分人，通过智能的反欺诈模型起到类似于人工筛选的作用，之后若验证结果为通过验证，则通过专家策略确定用户的风险；专家策略可以及时根据当前的政策，外部经济环境等进行一定程度的调节。如此可以快速的对用户进行筛选，避免发生欺诈行为，同时减少了人员对于筛选过程的参与，避免了由员工勾结外部人员引起的欺诈。

图2为本发明实施例提供的一种信贷机构反欺诈方法的流程图，参考图2，该方法具体可以如下步骤：

步骤201、获取用户信息；

步骤202、基于预设的名单库，判断是否为该用户提供服务；

具体的，名单库筛选就是我们常说的黑白名单。名单库通过公司平台内部进行积累，并与其他合作机构合作进行获取。黑名单在很大程度上避免了重复欺诈行为的发生，也是一种逻辑简单、成本较低的反欺诈手段。

当然，黑名单覆盖群体较小、需要时间积累，也存在准确率较低、名单库易污染等缺点，可以作为RCP平台反欺诈的第一道过滤。同理，RCP平台提供了白名单客户功能，白名单一般指平台内部的优质客户列表，建立白名单库可以有效且降低公司的成本和信用风险，提高放款效率。

步骤203、实时更新名单库内的黑名单；

步骤204、若存在，将所述用户信息输入预训练的反欺诈模型进行验证，得到验证结果；

若验证结果为不通过验证，则拒绝为该用户提供服务；

反欺诈模型是一种机器学习模型，本申请提供的反欺诈模型包括有监督和无监督两类算法，它们通过机器学习方法，收集客户各个维度的数据，结合当前用户特征，与欺诈建立起关联关系，实时识别用户欺诈行为。

步骤205、若验证结果为通过验证，则通过专家策略确定用户的风险；并判断用户的风险是否高于预设值；

贷前反欺诈一般都是先有专家策略进行冷启动，等数据积累到一定程度的时再慢慢地对数据进行挖掘，并对策略进行调优或者构建模型。

很多人都觉得专家策略不过是“拍脑袋”，其实反欺诈策略往往基于策略人员以往的经验和踩过的“坑”，并以研究欺诈者的行为和心理为基础而制定。而且，目前的信贷反欺诈手段中，专家策略比较常用且较为成熟。当借款人的操作请求和操作行为触发反欺诈规则、并达到一定的程度时，即被认定为欺诈行为。RCP平台自动拦截，或进行人工审核，如客户的行为异常监测策略、设备类异常策略、聚集度策略等。

本申请提供的信贷机构反欺诈方法中贷前反欺诈策略方面有较为丰富的策略模板，通过对客户个人信息、设备指纹、操作行为、位置等各个维度进行欺诈识别，帮助合作方识别出风险较高的客户，力争将合作方的欺诈风险降至最低。

步骤206、基于专家的建议和实际情况的变化调整策略模板。

步骤207、若用户的风险低于预设值，则为用户提供服务。

单纯的通过名单库进行反欺诈，覆盖群体较小、需要时间积累，也存在准确率较低、名单库易污染等缺点。并且现在欺诈手段日新月异，欺诈人员和策略人员处于攻与防的角色，如果无法在第一时间做出反应，需要事后进行大量的数据分析和挖掘后才能提取新的特征和规则。单纯的通过专家策略进行反欺诈的话，专家策略往往存在一定程度上的误杀率，而误杀率的高低取决于策略人员的经验水平，不同的策略人员制定的专家策略也会存在较大的区别，呈现不同的效果。此外，策略需要不定期进行更新，并要严格保密，一旦泄露将对平台造成不可挽回的损失。因此，专家策略实现简单，可解释性强，虽然对于政策等带来的变化可以及时反应，但对于策略泄露等针对性的欺诈手段存在滞后性。而本申请提供的信贷机构反欺诈方法中目前贷前反欺诈功能包含三类技术手段，分别为名单库、专家策略、机器学习（反欺诈模型）。通过加入机器学习功能，收集客户各个维度的数据，结合当前用户特征，与欺诈建立起关联关系，实时识别用户欺诈行为。

图3为本发明实施例提供的一种信贷机构反欺诈装置的结构示意图，参考图3，该信贷机构反欺诈装置，包括：

获取模块31，获取用户信息；

名单库模块32，用于通过预设的名单库进行筛选，若筛选不通过则拒绝为该用户提供服务；

反欺诈模型模块33，用于若筛选通过，将所述用户信息输入预训练的反欺诈模型进行验证，得到验证结果，若验证结果为不通过验证，则拒绝为该用户提供服务；

专家策略模块34，用于若验证结果为通过验证，则通过专家策略确定用户的风险；若用户的风险高于预设值，拒绝为该用户提供服务，否则为用户提供服务。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4是本发明实施例提供的一种信贷机构反欺诈设备的结构示意图，参考图4，该信贷机构反欺诈设备，包括：

处理器41，以及与所述处理器相连接的存储器42；

所述存储器42用于存储计算机程序，所述计算机程序至少用于执行本申请任一实施例所述的信贷机构反欺诈方法；

所述处理器41用于调用并执行所述存储器42中的所述计算机程序。

本申请还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请任一实施例所述的信贷机构反欺诈方法中各个步骤。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。