[發明專利]基于序列寬深學習的欺詐交易檢測方法

有效

• 申請號: 201810239759.3
• 申請日: 2018-03-22
• 公開（公告）號: CN110298663B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 李旭瑞;鄭建賓;趙金濤
• 申請（專利權）人: 中國銀聯股份有限公司
• 主分類號: G06Q20/40
• 分類號: G06Q20/40
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 王星;楊美靈

1.一種基于序列寬深學習的欺詐交易檢測方法，包括：

a)、對多筆交易數據中的每個進行特征映射處理，以生成相應的特征向量；

b)、基于第一自學習模型，將待檢測交易的所述特征向量轉換為集成特征向量；

c)、基于第二自學習模型，將至少一筆時序交易各自的所述特征向量分別轉換為時序特征向量；其中，所述時序交易表示所述待檢測交易的交易賬戶在第一時間段內所進行的交易；

d)、將所述集成特征向量與對應于各所述時序交易的各所述時序特征向量進行組合，形成深度特征向量；

e)、基于第三自學習模型來分類所述深度特征向量，以確定所述待檢測交易為正常交易或欺詐交易；以及

其中，所述第二自學習模型包括第一數量的子模型，各所述子模型分別進行獨立的訓練學習，所述第一數量與所述待檢測交易的交易賬戶在所述第一時間段內所進行的交易的次數相一致。

2.根據權利要求1所述的方法，其特征在于，在所述第一自學習模型與所述第二自學習模型之間提供特征層注意力模塊，以用于主動地學習所述深度特征向量中所述時序交易對所述待檢測交易的影響力權重。

3.根據權利要求1所述的方法，其特征在于，在所述第二自學習模型中還包括組件層注意力模塊，使得所述第二自學習模型能夠主動地學習各所述時序交易分別對所述深度特征向量的影響力權重。

4.根據權利要求1所述的方法，其特征在于，所述方法還包括：

在所述第二自學習模型與所述第三自學習模型之間提供一個多層神經網絡，以用于將所述集成特征向量與各所述時序特征向量進行組合，并輸出所述深度特征向量。

5.根據權利要求4所述的方法，其特征在于，所述多層神經網絡還用于控制所述深度特征向量的向量長度。

6.根據權利要求5所述的方法，其特征在于，所述第一自學習模型為梯度提升決策樹模型，所述第二自學習模型為循環神經網絡模型，所述第三自學習模型為隨機森林模型。

7.根據權利要求6所述的方法，其特征在于，所述隨機森林模型基于對欺詐樣本的判定的準確率和覆蓋率來調節模型的參數。

8.根據權利要求7所述的方法，其特征在于，其中所述隨機森林模型的F_β值滿足：

其中precision為所述對欺詐樣本的判定的準確率，recall為對欺詐樣本的判定的召回率，β表示召回率的權重是準確率的β倍。

9.一種基于序列寬深學習的欺詐交易檢測系統，包括：

特征映射處理單元，用于對多筆交易數據進行特征映射處理，以生成相應的多組交易特征向量；

第一自學習單元，與所述特征映射處理單元耦合，用于將待檢測交易的所述特征向量轉換為集成特征向量；

第二自學習單元，與所述特征映射處理單元耦合，用于將至少一筆時序交易各自的所述特征向量分別轉換為時序特征向量；其中，所述時序交易表示所述待檢測交易的交易賬戶在第一時間段內所進行的交易；

時序特征組合單元，與所述第一自學習單元和所述第二自學習單元分別耦合，用于將所述集成特征向量與對應于各所述時序交易的各所述時序特征向量進行組合，以形成深度特征向量；

第三自學習單元，與所述時序特征組合單元耦合，用于分類所述深度特征向量，以確定所述待檢測交易為正常交易或欺詐交易；以及

其中，所述第二自學習模型包括第一數量的子模型，各所述子模型分別進行獨立的訓練學習，所述第一數量與所述待檢測交易的交易賬戶在所述第一時間段內所進行的交易的次數相一致。