(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210919543.8 (22)申请日 2022.08.02 (65)同一申请的已公布的文献号 申请公布号 CN 114998003 A (43)申请公布日 2022.09.02 (73)专利权人 湖南三湘银行股份有限公司 地址 410000 湖南省长 沙市岳麓区滨江路 53号湖南湘江新区滨江金融中心楷林 国际D座 (72)发明人 张德文　路博　王磊　卢争术　 (74)专利代理 机构 北京中誉至诚知识产权代理 事务所(普通 合伙) 11858 专利代理师 张平力 (51)Int.Cl. G06Q 40/02(2012.01)G06N 3/04(2006.01) G06K 9/62(2022.01) (56)对比文件 CN 113592505 A,2021.1 1.02 US 2022020026 A1,202 2.01.20 US 2020372424 A1,2020.1 1.26 审查员 陈敏 (54)发明名称 一种基于图深度卷积神经网络算法识别洗 钱的方法和装置 (57)摘要 本发明涉及数据监视或测试领域， 尤其涉及 一种基于图深度卷积神经网络算法识别洗钱的 方法和装置， 通过构建映射关系， 进行关联特征 检测、 数据判定、 关联信用主体判定对反洗钱信 用主体进行风险识别， 经过数据判定确定第一信 用主体的风险等级， 对于疑似高风险的第一信用 主体， 进行关联特征检测以体 现其他信用主体 之 间的复杂关系， 对第一信用主体的风险等级判定 结果进行干预修正， 得到更为准确的识别结果， 本发明通过对于某些信用主体的不易识别或隐 匿关联的洗钱 数据特征， 考虑其他信用主体之间 的关系， 这些信用主体风险等级进行干预修正， 减少了遗漏判定， 提高隐藏洗钱 数据特征信用主 体的识别概率， 进行大大提高了反洗钱行为的识 别概率。 权利要求书3页 说明书8页 附图1页 CN 114998003 B 2022.11.11 CN 114998003 B 1.一种基于图深度卷积神经网络算法识别洗钱的方法， 其特 征在于， 所述方法包括： S1、 构建映射关系， 通过大数据和卷积神经网络模型建立洗钱数据特征间的映射关系， 所述映射关系包括所述洗钱数据特 征间的关联关系以及所述关联关系的之间的权 重值； S2、 关联特征检测， 对信用主体进行检测， 当检测到信用主体出现洗钱数据特征时， 标 记所述信用主体为第一信用主体， 标记所述洗钱数据特征为第一洗钱数据特征， 判定所述 第一洗钱数据特征是否出现关联洗钱数据特征， 若出现， 将所述关联洗钱数据特征以及对 应的权重信息记录并形成第一关联对比数据特 征集合； S3、 数据判定， 当未形成所述第一关联对比数据特 征集合时， 则进行关联信用主体判定； 当形成所述第 一关联对比数据 特征集合 时， 根据所述第一关联对比数据 特征集计算重 合度判定值E， 根据所述重合度判定值E判定所述第一信用主体的风险等级， 以及， 所述重合 度判定值E是否需要修 正； S4、 关联信用主体判定， 对与所述第一信用主体关联的其他信用主体进行检测， 标记出 现洗钱数据特征 的信用主体为对照信用主体， 计算参照判定系 数C判定是否对所述第一信 用主体对应的重合度判定值E进行修 正， 并重新判定所述第一信用主体的风险等级； 所述参照判定系数C计算时， 检查所述对照信用主体之间是否存在关联， 若存在关联， 则根据所述映射关系检查关联的对照信用主体对应的洗钱数据 特征之间是否存在关联， 并按照以下公式计算 参照判定系数C: 其中： E1i表示第i关联对照信用主体对应的重合度判定值， n1表示关联 对照信用主体的个数， E2i表示第i非关联对照信用主体对应的重合度判定值， n2表示 非关联对照信用主体的个数， A i表示取值参量， 对于第i关联对照信用主体 当其洗钱数据特 征与其他对照信用主体对应的洗钱数据特 征相关联时Ai取α 2， 非关联时Ai取α 1， α 2>α 1>1； 若不存在关联， 则按照以下公式计算 参照判定系数C， 并对所述信用主体对 应的重合度判定值E进行修 正： 其中： E2i表示非关联对照信用主体对应的重合度判定值， n2表示非关联对照信用主体 的个数。 2.根据权利要求1所述的基于图深度 卷积神经网络算法识别洗钱的方法， 其特征在于， 所述关联特征检测中， 判定所述第一洗钱数据特征是否出现关联洗钱数据特征时， 根据所 述映射关系调用与所述第一洗钱数据特征关联的其他洗钱数据特征以及权重信息， 记录为 第一关联数据特征集合， 继续检测所述第一信用主体是否出现所述第一关联数据特征集合 中的洗钱数据特征， 以将出现的洗钱数据特征以及 对应的权重信息记录为第一关联对比数 据特征集合。 3.根据权利要求1所述的基于图深度 卷积神经网络算法识别洗钱的方法， 其特征在于， 所述映射关系表示为YE （Yi,Yij， Yijk） ， 其中： Yi表示第i洗钱数据特征， i=1、 2...n， Yij表示与权　利　要　求　书 1/3 页 2 CN 114998003 B 2第i洗钱数据 特征关联的j个洗钱数据 特征， Yijk表示与第 i洗钱数据特征关联的第j个洗钱 数据特征之间的权重值； 所述权重值表示当第i洗钱数据特征出现时， 第j个洗钱数据特征 出现的频率。 4.根据权利要求2所述的基于图深度 卷积神经网络算法识别洗钱的方法， 其特征在于， 所述数据判定阶段， 根据所述第一关联对比数据特征集合内洗钱数据特征的数量以及与所 述第一洗钱数据特征之间的权重数据计算所述重合度判定值E， 确定所述第一关联对比数 据特征集合中的其他洗钱数据特征之 间是否存在关联关系， 并记录存在关联关系的其他洗 钱数据特 征的数量S， 所述重合度判定值E的公式为： 其中， Yi表示所述第一关联对比数据特征集合内的洗钱数据特征与被第一洗钱数据特 征关联关系之间的权重值， 表示所述第一关联对比数据特征集合内的洗钱数据特征与第 一洗钱数据特征关联关系之间的权重值的平均值， N表示所述第一关联数据特征集合内洗 钱数据特 征的数量， N>2， S表示第一关联对比数据特 征集合内洗钱数据特 征的数量； 预设第一参照 重合度判定值E01以及第二参照重合度判定值E02,E02<E01， 将所述重合 度判定值E与所述第一 参照重合度判定值E 01进行比较， 当E≤E01时， 判定所述第一信用主体为疑似高风险主体， 并开始关联信用主体判定对 所述重合度判定值进行修 正； 当E＞E01时， 判定所述第一信用主体风险等级高， 判定该信用主体为高风险等级。 5.根据权利要求4所述的基于图深度 卷积神经网络算法识别洗钱的方法， 其特征在于， 所述关联信用主体判定阶段， 若 未标记所述对照信用主体， 则不对所述重合度判定值E进 行 修正， 判定所述信用主体为 正常信用主体。 6.根据权利要求5所述的基于图深度 卷积神经网络算法识别洗钱的方法， 其特征在于， 所述关联信用主体判定阶段， 对于任一所述对照信用主体对应的洗钱数据特征， 判定所述 洗钱数据特 征是否与所述第一关联 数据特征集合中的洗钱数据特 征存在关联关系， 若存在关联关系， 则根据所述洗钱数据特征计算所述对照信用主体对应的重合度判定 值E， 并与预设对比参照重合度判定值E02进行对比， 当E>E02时， 判定所述对照信用主体以 及第一信用主体均为高风险等级； 若不存在 关联关系， 则计算所述参照判定系数C， 并确定是否对所述第 一信用主体对应 的重合度判定值E进行修 正。 7.根据权利要求6所述的基于图深度卷积神经网络算法识别洗钱的方法， 其特征在于， 根据所述参照判定系数C对所述重合度判定值E进行修正时， 预设参照判 定对比系数C0， 将所述参照判定系数C与所述参照判定对比系数C01以及C02进行对比， C02> C01>0； 当C≥C02时， 按照以下公式对所述重合度判定值E进行修 正， EX=E×C×β1 当C01≤C＜C02时， 按照以下公式对所述重合度判定值E进行修 正， EX=E×C×β2 当C＜C01时， 按照以下公式对所述重合度判定值E进行修 正，权　利　要　求　书 2/3 页 3 CN 114998003 B 3