[發明專利]基于關聯圖譜表征學習的線上交易欺詐檢測方法

有效

• 申請號: 201910068238.0
• 申請日: 2019-01-24
• 公開（公告）號: CN109858930B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 王成;朱航宇
• 申請（專利權）人: 同濟大學
• 主分類號: G06Q20/40
• 分類號: G06Q20/40;G06Q40/04;G06N5/025
• 代理公司: 上海科律專利代理事務所(特殊普通合伙) 31290
• 代理人: 葉鳳

1.基于關聯圖譜表征學習的線上交易欺詐檢測方法，其特征在于，包括兩個步驟部分，

第一個部分利用關聯圖譜生成異質信息網絡和利用異質網絡表征學習自動抽取特征，得到交易屬性的向量表示；

第二個部分在學習到交易屬性的向量表示情況下，基于分類器實現預測交易異常可能性的過程；

所述第一部分，關聯圖譜生成異質信息網絡與異質網絡表征學習，其過程如下：

輸入：

用戶網絡支付交易的原始數據字段，

調節權重參數α,β,δ，

網絡表征學習方法參數；

輸出：

原始交易數據對應的節點ε與向量γ的映射關系γ＝F(ε)；

步驟1.1根據用戶當筆交易原始數據字段篩選有用字段，進行數據預處理：針對取值范圍是連續的字段設定離散化規則，將連續的值離散化；執行步驟1.2；

步驟1.2將交易數據以交易單號為中心建立關聯圖譜，一筆交易中的字段在關聯圖譜中與交易單號存在邊，則表示該字段出現在所連交易單號對應的交易中；在關聯圖譜中，不同的交易字段存在邊表示兩種交易字段存在額外用戶指定的聯系，

關聯圖譜在不同筆交易之間建立聯系，將關系型的交易數據轉化為圖結構表示；

形成的關聯圖譜；執行步驟1.3；

步驟1.3構建異質信息網絡時，在步驟1.2形成的關聯圖譜上提取關系，形成接近稠密圖的網絡結構，將關聯圖譜中形式為‘交易字段1—交易單號—交易字段2’的結構簡化為‘交易字段1—交易字段2’，進而得到一個僅含有交易字段且結構稠密的異質信息網絡；執行步驟1.4；

步驟1.4在步驟1.3所構建的異質信息網絡中，邊的類型由其兩個端點的類型決定，針對每一種邊類型，設定不同的權重值區分字段間的重要性；一條多次出現邊的權重由該邊的出現次數和對應的權重值之積表示；設計公式(1)來進行權重變換，將任意邊的權重映射到區間[0,1],進而縮小權重之間的巨大差異；執行步驟1.5；公式(1)中w表示一條邊所對應的權重值，表示經變換后的權重值；調節權重的超參數α的根據需調節的權重比值設定，α影響權重的縮放程度，α越大，不同大小權重經變換后差距越小；β影響權重的縮放程度，δ影響權重值小時的權重的縮放程度；

步驟1.5基于已構建的異質信息網絡，采用現有的異質網絡表征學習方法HIN2Vec來學習網絡中節點的向量表示；將步驟1.4中的異質信息網絡作為HIN2Vec算法的輸入，可以得到網絡中節點ε與其對應的向量表示γ，進而得到映射關系γ＝F(ε)；

所述第二部分.基于節點的向量表示與分類器，實現預測交易異常可能性的過程，其過程如下：

輸入：

節點ε與對應向量γ的映射關系γ＝F(ε)，

分類器參數集W

待檢測交易數據的集合T；

輸出：

交易數據為異常的概率P；

步驟2.1一筆含有N個可用原始字段的交易t(t∈T，T為待檢測交易數據的集合)在異質信息網絡中可對應N個相應的節點；基于上述N個節點和映射關系γ＝F(ε)，得到個兩兩節點之間向量的余弦相似度{cos₁，···，cos_K}；面對向量X＝(x₁，····，x_dim)、Y＝(y₁，····，y_dim)，dim為向量的維數，其歐式距離的計算如公式(2)所示；

執行步驟2.2；

步驟2.2基于余弦相似度的集合{cos₁，···，cos_K}，計算該集合的均值avg與方差var；將一筆交易數據由{交易字段，···，交易字段}的表示形式，通過表征學習轉化為{cos₁，···，cos_K，avg，var}來表示一條交易數據；均值avg與方差var的計算方法如公式(3)和公式(4)所示；執行步驟2.3；

步驟2.3基于待檢測交易數據的集合T，將交易數據按時間順序排列,將發生交易時間據當前較遠的交易數據作為訓練集，將較后發生的交易數據作為測試集；分類器對模型進行訓練，得到模型；

步驟2.4對實時檢測一筆新來的在線交易數據時，執行步驟2.1與步驟2.2將數據處理為分類器能接受的特征組合，將待檢測數據對應的特征放入步驟2.3所得的分類器模型中，進行判別預測，得到該筆交易存在欺詐的可能性。