[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

本發明涉及一種基于序列寬深學習的欺詐交易檢測方法，包括：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；基于第一自學習模型，將待檢測交易的特征向量轉換為集成特征向量；基于第二自學習模型，將至少一筆時序交易各自的特征向量分別轉換為時序特征向量；將集成特征向量與對應于各時序交易的各時序特征向量進行組合，形成深度特征向量；基于第三自學習模型來分類深度特征向量，以確定待檢測交易為正常交易或欺詐交易。其能夠有效提高欺詐交易檢測模型對欺詐交易的檢測準確度。

技術領域

本發明涉及電子商務技術領域，更具體地說，涉及一種基于序列寬深學習的欺詐交易檢測方法。

背景技術

當前，欺詐交易時有發生，基于機器學習算法的欺詐交易檢測模型正在扮演越來越重要的角色。這些欺詐交易檢測方法雖然采用機器學習方法，但無論是有監督的還是無監督的，大多采用靜態的訓練方法。即，這些方法總是將每一筆交易作為一個獨立的個體看待，算法所做的工作僅僅是將該筆交易的各個特征在橫向維度上進行訓練，而很少考慮交易序列之間的縱向關聯。然而，這些序列之間的縱向關聯因素很可能對模型的最終輸出結果產生極大影響。例如，在發生大額欺詐交易之前，犯罪分子常常先進行一定數量的小額試探性交易；又或者，被盜賬號短時間內的交易行為明顯偏離了該賬號的歷史交易行為等等。

另一方面，現有的一些序列分析方法關注于序列元素之間的縱向關系，但對于序列內特征，在橫向維度上的學習能力有所欠缺，這也會很大程度上影響欺詐交易檢測模型的準確度。

發明內容

本發明的目的在于提供一種在橫向維度特征與縱向維度特征的機器學習方面達成平衡的欺詐交易檢測方法。

為實現上述目的，本發明提供一種技術方案如下：

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特征向量分別轉換為時序特征向量；其中，時序交易表示待檢測交易的交易賬戶在第一時間段內所進行的交易；d)、將集成特征向量與對應于各時序交易的各時序特征向量進行組合，形成深度特征向量；以及e)、基于第三自學習模型來分類深度特征向量，以確定待檢測交易為正常交易或欺詐交易。

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

優選地，在第一自學習模型與第二自學習模型之間提供特征層注意力模塊，以用于主動地學習深度特征向量中時序交易對待檢測交易的影響力權重。

優選地，在第二自學習模型中還包括組件層注意力模塊，使得第二自學習模型能夠主動地學習各時序交易分別對深度特征向量的影響力權重。

優選地，該方法還包括：在第二自學習模型與第三自學習模型之間提供一個多層神經網絡，以用于將集成特征向量與各時序特征向量進行組合，并輸出深度特征向量。

優選地，多層神經網絡還用于控制深度特征向量的向量長度。

優選地，第一自學習模型為梯度提升決策樹模型，第二自學習模型為循環神經網絡模型，第三自學習模型為隨機森林模型。

優選地，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。