本技术涉及大数据，具体而言，涉及一种基于大数据的欺诈风险报告生成方法及业务可视化系统。
背景技术：
1、随着信息技术的飞速发展和互联网的普及，大数据已成为当今社会的重要资源。大数据的挖掘和分析为各个行业带来了巨大的商业价值，但同时也伴随着诸多风险，其中欺诈风险尤为突出。传统的欺诈风险识别和防范方法，往往基于单一的数据源或有限的特征进行分析，难以全面、准确地评估风险。
2、在当前的数字化时代，用户在网络上的行为数据和社交事件数据日益丰富，这些数据中蕴含着用户的行为模式、社交关系等重要信息。然而，如何有效地整合这些多元风险大数据源，挖掘其中的潜在风险，并生成全面、准确的欺诈风险报告，一直是业界亟待解决的问题。
3、传统的欺诈风险报告生成方法往往局限于对结构化数据的分析，而忽视了用户行为模式和社交关系的深入挖掘，这些方法在处理海量、非结构化的在线用户行为数据和用户社交事件数据时，往往效率低下，且难以捕捉到隐藏在数据中的复杂模式和关联。
4、此外，现有的欺诈风险识别模型多依赖于静态的历史数据，而忽视了用户行为的动态性和社交网络的复杂性，这导致模型在应对新型欺诈手段时，往往反应迟钝，无法及时准确地识别风险。
技术实现思路
1、有鉴于此，本技术的目的在于提供一种基于大数据的欺诈风险报告生成方法及业务可视化系统，旨在通过整合多元风险大数据源，包括在线用户行为数据和用户社交事件数据，利用图网络生成技术、社交数据链路分析等手段，深入挖掘用户行为模式和社交关系中的潜在风险，从而生成全面、准确的欺诈风险报告，不仅提高了欺诈风险的识别精度，还为风险防控和决策提供了科学依据，具有重要的实际意义和应用价值。
2、依据本技术的第一方面，提供一种基于大数据的欺诈风险报告生成方法，所述方法包括：
3、获取多元风险大数据源，其中，所述多元风险大数据源包括在线用户行为数据和用户社交事件数据，所述在线用户行为数据反映用户行为的行为模式知识数据；
4、对所述在线用户行为数据进行图网络生成，生成用户行为有向图，并依据所述用户行为有向图对所述用户社交事件数据进行特征扩展，生成扩展社交事件数据；
5、对所述用户社交事件数据进行社交数据链路分析，生成社交影响特征数据；
6、基于所述扩展社交事件数据和所述社交影响特征数据，生成欺诈风险报告数据。
7、在第一方面的一种可能的实施方式中，所述对所述在线用户行为数据进行图网络生成，生成用户行为有向图，包括：
8、游走所述在线用户行为数据中的各个用户行为记录，对游走到的每个用户行为记录进行下述步骤：
9、在所述用户行为记录中的基础页面跳转迁移行为中，确定每个基础页面跳转节点的页面跳转特征和节点特征参数；
10、依据所述页面跳转特征将所述基础页面跳转节点转换成目标页面跳转节点，生成与所述用户行为记录对应的目标页面跳转迁移行为；
11、依据所述节点特征参数将目标页面跳转迁移行为输出为关键页面行为；
12、依据游走生成的各个所述关键页面行为，构建所述用户行为有向图；
13、譬如，在第一方面的一种可能的实施方式中，所述在所述用户行为记录中的基础页面跳转迁移行为中，确定每个基础页面跳转节点的页面跳转特征和节点特征参数的步骤，包括：
14、对所述用户行为记录进行分析以识别出所有的基础页面跳转节点，所述基础页面跳转节点用于表征用户从一个页面跳转到另一个页面的点；
15、针对每个基础页面跳转节点，提取对应的页面跳转特征，所述页面跳转特征包括：跳转来源页面和目标页面的url或页面标识、跳转发生的时间戳、用户在来源页面的停留时间、跳转方式、跳转前后的用户行为模式；
16、对于每个基础页面跳转节点，计算对应的节点特征参数，所述节点特征参数包括：该基础页面跳转节点的入度和出度、用户在基础页面跳转节点上的停留时间分布、用户在基础页面跳转节点上执行的操作类型及频率、基础页面跳转节点在页面结构中的位置、基础页面跳转节点的内容特征；
17、将页面跳转特征和节点特征参数进行融合，形成目标特征向量来表示每个基础页面跳转节点。
18、譬如，在第一方面的一种可能的实施方式中，所述依据所述页面跳转特征将所述基础页面跳转节点转换成目标页面跳转节点，生成与所述用户行为记录对应的目标页面跳转迁移行为的步骤，包括：
19、对所述页面跳转特征进行分析，识别出具有显著行为模式或特征特征标识的页面跳转特征片段；
20、根据预先定义的规则或标准，对所述基础页面跳转节点进行筛选和转换，输出目标页面跳转节点，所述目标页面跳转节点代表用户行为中的关键转折点或潜在风险点，所述预先定义的规则或标准包括跳转的频率、时间间隔、来源页面和目标页面的性质、用户在跳转前后的行为模式。
21、对于每个转换后的目标页面跳转节点，记录所述目标页面跳转节点跳转前后的用户行为，作为目标页面跳转迁移行为，所述目标页面跳转迁移行为的行为数据包括用户在来源页面的活动、触发跳转的具体操作、跳转后的行为。
22、在第一方面的一种可能的实施方式中，所述依据游走生成的各个所述关键页面行为，构建所述用户行为有向图，包括：
23、将游走生成的各个所述关键页面行为，整合成页面行为路径数据；
24、对所述页面行为路径数据进行分段标记，生成待筛选行为路径数据；
25、对所述待筛选行为路径数据中无效跳转和重复路径进行剔除，并基于剔除无效跳转和重复路径后的目标行为路径数据，生成所述用户行为有向图。
26、在第一方面的一种可能的实施方式中，所述依据所述用户行为有向图对所述用户社交事件数据进行特征扩展，生成扩展社交事件数据，包括：
27、获取与所述用户社交事件数据对应的用户活跃度、社交影响力、兴趣偏好和历史行为记录；
28、基于所述社交影响力和所述兴趣偏好，分析用户社交倾向；
29、基于所述用户行为有向图、所述用户活跃度、所述社交倾向和所述历史行为记录进行特征扩展，得到所述扩展社交事件数据。
30、在第一方面的一种可能的实施方式中，所述对所述用户社交事件数据进行社交数据链路分析，生成社交影响特征数据，包括：
31、获取所述用户社交事件数据的用户互动会话数据，对所述用户互动会话数据进行加权统计，生成第一社交影响关联数据；
32、获取所述用户社交事件数据的用户信息传播数据，对所述用户信息传播数据进行加权统计，生成第二社交影响关联数据；
33、基于所述第一社交影响关联数据和所述第二社交影响关联数据，生成所述社交影响特征数据。
34、在第一方面的一种可能的实施方式中，所述获取所述用户社交事件数据的用户互动会话数据，包括：
35、获取所述用户社交事件数据中指定用户与其社交网络中其他用户的互动频率和互动质量的第一综合分析结果；
36、基于所述互动频率和互动质量，确定核心会话群体，并获取该核心会话群体的总体会话特征；
37、根据所述总体会话特征，计算出初始用户互动会话指标；
38、将所述初始用户互动会话指标与所述总体会话特征进行融合，得出所述用户互动会话数据。
39、在第一方面的一种可能的实施方式中，所述获取所述用户社交事件数据的用户信息传播数据，包括：
40、获取用户发布信息的传播范围和传播速度数据；
41、将所述传播范围、传播速度数据与初始用户互动会话指标的综合分析结果，结合为所述用户信息传播数据。
42、在第一方面的一种可能的实施方式中，所述基于所述第一社交影响关联数据和所述第二社交影响关联数据，生成所述社交影响特征数据，包括:
43、基于所述第一社交影响关联数据和所述第二社交影响关联数据，生成融合社交影响数据；
44、对所述融合社交影响数据进行启发式搜索，生成启发式搜索特征数据；
45、对所述启发式搜索特征数据进行自注意力处理，生成所述社交影响特征数据。
46、在第一方面的一种可能的实施方式中，所述欺诈风险报告数据是由欺诈风险预测模型进行欺诈风险预测生成的，其中，所述欺诈风险预测模型的训练步骤，包括：
47、获取历史风险事件数据和标注欺诈风险数据，所述历史风险事件数据包括历史扩展社交事件数据和所述历史扩展社交事件数据对应的历史社交影响特征数据；
48、基于初始化神经网络对所述历史风险事件数据进行欺诈风险预测，生成预测欺诈风险数据，其中，所述初始化神经网络为初始化的用于对候选风险数据源进行欺诈风险预测的深度学习网络；
49、依据所述预测欺诈风险数据和所述标注欺诈风险数据之间的特征距离，确定目标训练误差参数；
50、依据所述目标训练误差参数，训练所述初始化神经网络，生成所述欺诈风险预测模型。
51、在第一方面的一种可能的实施方式中，所述依据所述预测欺诈风险数据和所述标注欺诈风险数据之间的特征距离，确定目标训练误差参数，包括：
52、依据所述预测欺诈风险数据和所述标注欺诈风险数据在风险尺度上的特征距离，计算第一训练误差参数；
53、依据所述预测欺诈风险数据和所述标注欺诈风险数据在风险区域上的特征距离，计算第二训练误差参数；
54、依据所述预测欺诈风险数据的各个样例欺诈风险节点，计算第三训练误差参数；
55、将所述第一训练误差参数、所述第二训练误差参数和所述第三训练误差参数，加权融合输出为所述目标训练误差参数。
56、在第一方面的一种可能的实施方式中，所述依据所述预测欺诈风险数据的各个样例欺诈风险节点，计算第三训练误差参数，包括：
57、针对所述预测欺诈风险数据中的各个所述样例欺诈风险节点，对游走到的每个所述样例欺诈风险节点，针对所述样例欺诈风险节点中的第一样例风险因子，确定对应的第一欺诈风险参数，并针对所述样例欺诈风险节点中的第二样例风险因子，确定对应的第二欺诈风险参数；
58、获取所述第一欺诈风险参数的第一风险指标和第一标准化评分，并基于所述第一风险指标和所述第一标准化评分计算第一单位训练误差参数；
59、获取所述第二欺诈风险参数的第二风险指标和第二标准化评分，并基于所述第二风险指标和所述第二标准化评分计算第二单位训练误差参数；
60、将所述第一单位训练误差参数和所述第二单位训练误差参数，组合为节点训练误差参数；
61、将游走生成的多个所述节点训练误差参数加权融合输出为所述第三训练误差参数。
62、依据本技术的第二方面，提供一种业务风险可视化系统，所述业务风险可视化系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该业务风险可视化系统实现前述的基于大数据的欺诈风险报告生成方法。
63、依据本技术的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，当所述计算机可执行指令被执行时，实现前述的基于大数据的欺诈风险报告生成方法。
64、依据上述任意一个方面，本技术的技术效果在于：
65、通过获取包括在线用户行为数据和用户社交事件数据的多元风险大数据源，能够全方位、多角度地捕捉用户的行为模式和社交活动，为后续的欺诈风险分析提供了丰富的数据基础。其次，利用图网络生成技术，将在线用户行为数据转化为用户行为有向图，使得用户行为模式更加直观、清晰地展现出来。同时，依据用户行为有向图对用户社交事件数据进行特征扩展，生成扩展社交事件数据，有效地融合了用户行为与社交事件，提高了数据的全面性和准确性。再者，通过对用户社交事件数据进行社交数据链路分析，生成社交影响特征数据，能够深入挖掘社交事件中的潜在关联和影响，为识别欺诈风险提供了有力的支持。最后，基于扩展社交事件数据和社交影响特征数据，生成欺诈风险报告数据，不仅提高了欺诈风险的识别精度，还为风险防控和决策提供了科学依据。由此，本技术能够有效地整合并分析多元风险大数据源，生成全面、准确的欺诈风险报告数据，能够提升欺诈风险的防范能力和保障用户资产安全。
1.一种基于大数据的欺诈风险报告生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于大数据的欺诈风险报告生成方法，其特征在于，所述对所述在线用户行为数据进行图网络生成，生成用户行为有向图，包括：
3.根据权利要求2所述的基于大数据的欺诈风险报告生成方法，其特征在于，所述依据游走生成的各个所述关键页面行为，构建所述用户行为有向图，包括：
4.根据权利要求1所述的基于大数据的欺诈风险报告生成方法，其特征在于，所述依据所述用户行为有向图对所述用户社交事件数据进行特征扩展，生成扩展社交事件数据，包括：
5.根据权利要求1所述的基于大数据的欺诈风险报告生成方法，其特征在于，所述对所述用户社交事件数据进行社交数据链路分析，生成社交影响特征数据，包括：
6.根据权利要求5所述的基于大数据的欺诈风险报告生成方法，其特征在于，所述获取所述用户社交事件数据的用户互动会话数据，包括：
7.根据权利要求6所述的基于大数据的欺诈风险报告生成方法，其特征在于，所述获取所述用户社交事件数据的用户信息传播数据，包括：
8.根据权利要求5所述的基于大数据的欺诈风险报告生成方法，其特征在于，所述基于所述第一社交影响关联数据和所述第二社交影响关联数据，生成所述社交影响特征数据，包括:
9.根据权利要求1-8中任意一项所述的基于大数据的欺诈风险报告生成方法，其特征在于，所述欺诈风险报告数据是由欺诈风险预测模型进行欺诈风险预测生成的，其中，所述欺诈风险预测模型的训练步骤，包括：
10.一种业务风险可视化系统，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-9中任意一项所述的基于大数据的欺诈风险报告生成方法。
