本发明涉及信息安全，尤其涉及欺诈用户识别方法、装置、终端设备以及存储介质。
背景技术：
1、随着互联网金融的不断发展，各种在线贷款平台和服务成为人们生活和工作的重要组成部分，与此同时，线上金融贷款欺诈和诈骗行为也随之增加。为解决线上用户获取金融贷款的用户体验，以及平衡审核速度与欺诈风险，传统的金融贷款通常对用户采用规则筛选及模型分数筛选的方式进行核查，以进行欺诈风险管控。
2、在现有技术中，规则筛选是根据专家的业务经验，对指标进行组合，从而形成筛选规则；而模型分数筛选是通过设定阈值，根据模型预测的分数来判断样本是否为欺诈样本。
3、但由于规则筛选主要依赖于专家的业务经验，导致欺诈用户识别过程中受人为主观因素影响较多，容易导致用户识别结果不准确，从而影响识别欺诈用户的欺诈模式；而采用模型分数筛选进行核查时，由于各领域业务的特殊性，特定业务的欺诈类样本数量较少，会严重影响建模过程模型的准确性，使得欺诈用户识别的难度增加。
技术实现思路
1、本发明的主要目的在于提供一种欺诈用户识别方法、装置、终端设备以及存储介质，旨在解决识别欺诈用户的准确度低的技术问题。
2、为实现上述目的，本技术提供一种欺诈用户识别方法，所述欺诈用户识别方法包括：
3、获取待识别欺诈用户的特征信息；
4、将所述待识别欺诈用户的特征信息输入预先训练好的欺诈用户识别模型，得到所述待识别欺诈用户的识别结果，所述欺诈用户识别模型是基于前馈网络结构进行训练得到的。
5、可选地，所述将所述待识别欺诈用户的特征信息输入预先训练好的欺诈用户识别模型，得到所述待识别欺诈用户的识别结果，所述欺诈用户识别模型是基于前馈网络结构进行训练得到的步骤之前，还包括：
6、获取已知欺诈用户集合；
7、根据所述已知欺诈用户集合，生成训练样本源数据；
8、基于所述训练样本源数据以及前馈网络结构进行模型训练，得到训练好的欺诈用户识别模型。
9、可选地，所述根据所述已知欺诈用户集合，生成训练样本源数据的步骤包括：
10、根据所述已知欺诈用户集合，获取预设时间段内全网电话号码与所述已知欺诈用户集合的全网通话记录；
11、根据所述全网通话记录和预设的用户群组扩散规则，将所述已知欺诈用户集合进行扩展，得到新的欺诈用户集合；
12、根据所述新的欺诈用户集合，生成训练样本源数据，并将所述训练样源元数据作为增强样本。
13、可选地，所述前馈网络结构包括数据输入层、数据隐藏层以及数据输出层，所述基于所述训练样本源数据以及前馈网络结构，对所述欺诈用户识别模型进行训练的步骤包括：
14、通过所述数据输入层获取增强样本，并通过所述数据输入层将所述增强样本传输到所述数据隐藏层；
15、通过所述数据隐藏层对所述增强样本进行处理，得到处理过的增强样本，并通过所述数据隐藏层将所述处理过的增强样本传输到所述数据输出层；
16、通过所述输出层对所述处理过的增强样本进行再次处理，得到所述欺诈用户识别模型的可信评估值；
17、根据预先计算得到的预测可信值和所述可信评估值，计算得到学习样本的误差；
18、判断所述学习样本的误差是否大于或等于预设误差范围；
19、若是，则将所述增强样本返回所述数据隐藏层，并通过所述数据隐藏层对所述增强样本进行再次处理；
20、若否，则完成所述欺诈用户识别模型的训练。
21、可选地，所述根据预先计算得到的预测可信值和所述可信评估值，计算得到所述学习样本的误差的步骤之前还包括：
22、根据所述增强样本选取增强预设数量的可信值评估指标；
23、根据所述可信值评估指标确定相关矩阵；
24、基于所述相关矩阵以及所述可信值评估指标，确定各可信值评估指标的方差贡献度；
25、根据所述各可信值评估指标的方差贡献度以及所述可信值评估指标，确定学习样本的预测可信值，以供根据预先计算得到的预测可信值和所述可信评估值，计算得到所述学习样本的误差。
26、可选地，所述通过所述数据隐藏层对所述增强样本进行处理，得到处理过的增强样本，并通过所述数据隐藏层将所述处理过的增强样本传输到所述数据输出层的步骤包括：
27、通过所述数据隐藏层根据所述预测可信值与可信评估值，计算得到所述数据隐藏层神经元的误差值；
28、根据所述数据隐藏层神经元的误差值、初始连接权重以及阈值，计算并更新所述数据隐藏层的连接权重；
29、根据所述数据隐藏层的连接权重得到所述处理过的增强样本，并通过所述数据隐藏层将所述处理过的增强样本传输到所述数据输出层。
30、可选地，所述将所述待识别欺诈用户的特征信息输入预先训练好的欺诈用户识别模型，得到所述待识别欺诈用户的识别结果的步骤包括：
31、根据所述待识别欺诈用户的特征信息，通过预先训练好的欺诈用户识别模型，计算得到待识别欺诈用户的可信评估值；
32、根据所述待识别欺诈用户的可信评估值与预设阈值，判断所述待识别欺诈用户是否为欺诈用户；
33、若所述可信评估值小于或等于所述预设阈值，则确定所述待识别欺诈用户为欺诈用户；
34、若所述可信评估值大于所述预设阈值，则确定所述待识别欺诈用户为非欺诈用户。
35、可选地，所述将待识别欺诈用户的特征信息输入预先训练好的欺诈用户识别模型，得到所述待识别欺诈用户的识别结果，所述欺诈用户识别模型是基于前馈网络结构进行训练得到的步骤之后，还包括：
36、根据所述识别结果，通过预先训练好的模式识别模型对欺诈用户进行模式识别。
37、可选地，所述根据所述识别结果，通过预先训练好的模式识别模型对欺诈用户进行模式识别的步骤包括：
38、获取识别出的欺诈用户的行为信息；
39、根据所述欺诈用户的行为信息构建欺诈用户的事件序列；
40、根据所述欺诈用户的事件序列以及各时间序列对应的特征信息，计算得到模式识别模型的输入信息；
41、将所述输入信息输入到所述预先训练好的模式识别模型中，对所述欺诈用户进行模式识别。
42、本技术实施例还提出一种欺诈用户识别装置，所述欺诈用户识别装置包括：
43、获取模块，用于获取待识别欺诈用户的特征信息；
44、预测模块，用于将所述待识别欺诈用户的特征信息输入预先训练好的欺诈用户识别模型，得到所述待识别欺诈用户的识别结果；
45、识别模块，用于根据所述识别结果，通过预先训练好的模式识别模型对欺诈用户进行模式识别。
46、本技术实施例还提出一种欺诈用户识别终端设备，所述欺诈用户识别终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的欺诈用户识别程序，所述欺诈用户识别程序配置为实现如上所述的欺诈用户识别方法的步骤。
47、本技术实施例还提出一种存储介质，所述存储介质上存储有欺诈用户识别程序，所述欺诈用户识别程序被处理器执行时实现如上所述的欺诈用户识别方法的步骤。
48、本技术实施例提出的欺诈用户识别方法、装置、终端设备以及存储介质，通过获取待识别欺诈用户的特征信息；将所述待识别欺诈用户的特征信息输入预先训练好的欺诈用户识别模型，得到所述待识别欺诈用户的识别结果，所述欺诈用户识别模型是基于前馈网络结构进行训练得到的。本方案引入基于前馈网络的欺诈用户识别模型训练和网络结构优化的具体实施方式对欺诈用户识别模型进行训练，不仅保证该模型可以在欺诈用户识别过程中的可靠性和准确性，还降低欺诈风险发生的可能性。
1.一种欺诈用户识别方法，其特征在于，所述欺诈用户识别方法包括以下步骤：
2.如权利要求1所述的欺诈用户识别方法，其特征在于，所述将所述待识别欺诈用户的特征信息输入预先训练好的欺诈用户识别模型，得到所述待识别欺诈用户的识别结果，所述欺诈用户识别模型是基于前馈网络结构进行训练得到的步骤之前，还包括：
3.如权利要求2所述的欺诈用户识别方法，其特征在于，所述根据所述已知欺诈用户集合，生成训练样本源数据的步骤包括：
4.如权利要求2所述的欺诈用户识别方法，其特征在于，所述前馈网络结构包括数据输入层、数据隐藏层以及数据输出层，所述基于所述训练样本源数据以及前馈网络结构，对所述欺诈用户识别模型进行训练的步骤包括：
5.如权利要求4所述的欺诈用户识别方法，其特征在于，所述根据预先计算得到的预测可信值和所述可信评估值，计算得到所述学习样本的误差的步骤之前还包括：
6.如权利要求4所述的欺诈用户识别方法，其特征在于，所述通过所述数据隐藏层对所述增强样本进行处理，得到处理过的增强样本，并通过所述数据隐藏层将所述处理过的增强样本传输到所述数据输出层的步骤包括：
7.如权利要求2-6中任一项所述的欺诈用户识别方法，其特征在于，所述将所述待识别欺诈用户的特征信息输入预先训练好的欺诈用户识别模型，得到所述待识别欺诈用户的识别结果的步骤包括：
8.如权利要求1所述的欺诈用户识别方法，其特征在于，所述将待识别欺诈用户的特征信息输入预先训练好的欺诈用户识别模型，得到所述待识别欺诈用户的识别结果，所述欺诈用户识别模型是基于前馈网络结构进行训练得到的步骤之后，还包括：
9.如权利要求8所述的欺诈用户识别方法，其特征在于，所述根据所述识别结果，通过预先训练好的模式识别模型对欺诈用户进行模式识别的步骤包括：
10.一种欺诈用户识别装置，其特征在于，所述欺诈用户识别装置包括：
11.一种欺诈用户识别终端设备，其特征在于，所述欺诈用户识别终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的欺诈用户识别程序，所述欺诈用户识别程序配置为实现如权利要求1至9中任一项所述的欺诈用户识别方法的步骤。
12.一种存储介质，其特征在于，所述存储介质上存储有欺诈用户识别程序，所述欺诈用户识别程序被处理器执行时实现如权利要求1至9中任一项所述的欺诈用户识别方法的步骤。
