[發明專利]一種基于約束投影的多決策樹信用卡欺詐檢測方法及系統

在審

• 申請號: 201810139259.2
• 申請日: 2018-02-04
• 公開（公告）號: CN108388913A
• 公開（公告）日: 2018-08-10
• 發明（設計）人: 郭華平;周俊;李國梁;鄔長安;祁傳達
• 申請（專利權）人: 信陽師范學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q40/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種基于約束投影的多決策樹信用卡欺詐檢測方法，該方法包括：建立樣本屬性集A；獲取訓練樣本集D，將訓練樣本集D分離為欺詐交易樣本集D_min和正常交易樣本集D_maj，迭代生成must?link集集合M＝{M_k|k＝1，2，...，K}和cannot?link集集合C＝{C_k|k＝1，2，...，K}，迭代學習投影矩陣集，迭代生成投影后的訓練集集合，迭代學習決策樹集合，處理待分類樣本x，分別對x進行投影，對x的類別進行預測，終判定x屬于正常樣本還是欺詐樣本。與相關技術相比，本發明提供的一種基于約束投影的多決策樹信用卡欺詐檢測方法能夠有效地分析交易樣本是否屬于欺詐樣本，并且能在預測正常和欺詐樣本上保持高準確率，從而具有更廣泛的工程應用價值。本發明還提供一種基于約束投影的多決策樹信用卡欺詐檢測系統。

技術領域

本發明涉及數據分析技術領域，尤其涉及一種基于約束投影的多決策樹信用卡欺詐檢測方法及系統。

背景技術

隨著我國經濟和信息技術的迅速發展，信用卡的使用量持續上升，且已成為支付領域的重要媒介。信用卡的廣泛應用，給人們的生活和工作帶來了便捷，然而，隨之而來的信用卡欺詐問題也帶來越來越大的經濟損失。信用卡欺詐風險控制問題已成為影響我國信用卡業務進一步發展的一大因素。如何加強對信用卡欺詐的識別和防范，也已成為銀行風險控制的一個重要問題。

面對信用卡欺詐問題的現狀，目前主要采取的識別與防范措施包括利用經驗知識進行人工手動識別、利用統計方法或專家系統對資料進行分析識別，以及采用機器學習方法進行識別等。其中機器學習方法通過利用各種科學手段來對用戶進行信用評分、對某些客戶的交易行為進行欺詐預測，為信用卡欺詐檢測提供了智能的檢測方法，已成為當前研究與應用的熱點。

機器學習方法用計算機模擬人類的學習活動，研究如何通過計算機學習現有的知識，發現新的知識，并通過不斷完善，提升學習的效果。機器學習中包含大量的數據預處理和分類方法，與統計學、人工智能、信息論等學科密切相關。其基本過程是從已有的經驗中學習并構建分類器，進而對未知樣本進行分類或預測。

信用卡欺詐案例屬于少數類情況，其發生比率大概為萬分之0.185，絕大多的交易樣本均屬于正常交易樣本。如果采用傳統的分類方法，即使將任意一個交易樣本判定為正常交易樣本，其預測的準確率也是十分可觀的。然而這一高準確率對于識別屬于少數類情況的欺詐樣本并不具備實際意義，只有正確識別欺詐樣本才是想要達到的目的。傳統的機器學習方法傾向于構建具有高準確率的模型，往往忽視對少數類樣本的識別。因此，有必要設計一種針對信用卡欺詐檢測的分類方法及使用該方法的系統。

發明內容

本發明的目的在于提供一種基于約束投影的多決策樹信用卡欺詐檢測方法及系統。能夠有效地分析樣本是否屬于欺詐樣本，并且能在預測正常樣本和欺詐樣本上保持高準確率。

本發明提供一種基于約束投影的多決策樹信用卡欺詐檢測方法，包括：

步驟1，建立樣本屬性集A；獲取訓練樣本集D，根據所述的屬性集對訓練樣本集進行處理；

步驟2，將訓練樣本集D分離為欺詐交易樣本集(少數類樣本集)D_min和正常交易樣本集(多數類樣本集)D_maj，從D_min和D_maj中選取樣本迭代生成must-link集集合M＝{M_k|k＝1，2，...，K}和cannot-link集集合C＝{C_k|k＝1，2，...，K}，

其中