8、挖掘金融网络数据中的密集结构以发现异常行为

挖掘金融网络数据中的密集结构以发现异常行为

1. 引言

识别异常用户行为在许多应用领域都非常重要，因为这可能预示着欺诈活动。本研究聚焦于金融交易网络中可疑交互的识别与调查。通过对等借贷系统的数据构建网络，成员间的链接代表贷款发起。为便于进行时间分析，对网络进行时间切片，在切片网络中寻找异常结构，以揭示成员间的异常行为。同时，为评估返回的密集结构的显著性，会检查结构内成员属性的富集情况，发现密集结构似乎与地理区域相关。

2. 相关工作

2.1 网络数据中的欺诈检测

• 汽车保险欺诈 ：在网络环境中检查司机、事故和汽车之间的关系，能有效发现欺诈，但分析的网络规模较小。
• 医疗保健欺诈 ：将临床路径表示为小的时间图，对图进行频率挖掘，分离出频繁图作为特征，通过分类步骤识别图是否欺诈。
• 政治选举中的虚假信息传播 ：分析社交媒体构建的网络，检查模因数据集并分析其情感，利用网络界面展示统计信息和交互式可视化，借助交互式注释时间线探索时间数据。
• 恐怖分子犯罪网络 ：关系密集的网络便于通信但易被检测，稀疏网络通信延迟但更难被发现，犯罪分子需在交互效率和安全性之间权衡。
• 金融网络欺诈行为 ：常有特征性结构，如“smurfing”可通过“扇出 - 扇入”（FOFI）结构表示，即大额金融交易拆分成多笔小额交易以避免金融机构注意。
• 电信网络欺诈