[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

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。本發明在于克服傳統欺詐檢測方法的不足，節省了大量特征工程工作量，自動得到有利于欺詐檢測的特征，對檢測欺詐交易、攔截欺詐交易和保護用戶和企業的資金安全有更好的保障。

技術領域

本發明涉及互聯網金融網絡交易的反欺詐檢測。

背景技術

隨著移動互聯網的興起，各種傳統的業務逐漸轉至線上，互聯網金融，電子商務迅速發展，網絡在線交易的產生將帶來大量的電子交易數據，同時伴隨著在線支付欺詐交易數量的大量增加。攻擊者通過竊取用戶賬戶，盜取個人隱私信息，甚至惡意攻擊服務器等方式來完成欺詐。為保障用戶和公司業務安全，需要建立切實有效的網絡交易欺詐檢測系統。

目前傳統的網絡交易欺詐檢測系統通常是基于傳統的機器學習方式，檢測欺詐的性能非常依賴與欺詐特征的設計。如何設計一組能夠精準刻畫欺詐特征的特征組合，往往需要依賴精通業務規則和掌握特征工程技巧，這需要耗費極大的人力成本，所以亟需一個可以自動學習的、自適應于數據變化的網絡交易欺詐檢測方法來解決這些問題。近年來，網絡表征學習在數據挖掘和機器學習領域都引起極大關注，并取得不錯的成果，這也為線上交易欺詐檢測的發展帶來新的契機。在互聯網金融場景下，數據往往以關聯大數據的形式存在，例如：交易卡號與交易卡號之間相互聯系形成轉賬網絡、交易中不同屬性的頻繁共同出現形成互聯網金融網絡大數據等。在上述場景中，網絡的節點自然對應交易中的屬性，具有強大靈活表征能力的網絡結構成為關聯大數據最自然和直接的表達方式。于是如何對網絡結構進行分析與設計是需要研究的問題。同時，針對網絡結構進行網絡表征學習得到網絡中節點的向量表示后，如何應用于后續的欺詐檢測任務使得模型可以準確地區分異常交易，也是需要研究的問題。

為此，本發明研究基于關聯圖譜表征學習的線上交易欺詐檢測方法。從而利用關聯圖譜和網絡表征學習對線上交易數據重新表征，降低了攔截欺詐交易的專業性和成本，同時提高了欺詐檢測模型的魯棒性。

本發明是在《一種基于個體行為建模的面向線上交易欺詐檢測方法》(申請號201811579237.4，申請日2018年12月24日)基礎上進一步創新。

發明內容

得益于當前互聯網金融產生的豐富交易信息數據，我們可以分析并以此作為基礎，設計反欺詐檢測系統，保護用戶和企業的安全。

在互聯網金融中，業務數據是由一系列屬性刻畫的，不同的屬性間往往存在關聯關系，我們通過關聯圖譜技術將關系型的業務數據用圖的形式表示，并在此基礎上設計出可以用于異質網絡表征學習的異質信息網絡。然后利用異質網絡表征方法針對異質信息網絡學習到其每一個節點向量表示，這些向量保留原網絡的結構特性并隱含有利于欺詐檢測的潛在特性，實現了自動從數據中抽取特征的過程，減少了對相關業務專家和特征工程的依賴。相較于中國發明申請號201811579237.4《一種基于個體行為建模的面向線上交易欺詐檢測方法》中個體模型方法檢測一個主體(如卡號)下所帶有行為的區別，即行為偏離自身正常行為的可能性。而本發明基于分類器的方法學習所有主體統一的行為模型，對新到來交易和現有所有行為對比，從而區分異常交易。

本發明基于交易屬性中節點的向量表示，我們計算任意兩個節點之間的相似度，進而將交易數據的特征由屬性值轉化為屬性對應節點之間的相似度。通過將交易數據含有相似度應用到已有的分類器，簡化了欺詐檢測過程中的超參數設定(如：基于個體模型的方法往往需要設定大量的超參數)，對比新到來的交易與模型學習到的異常交易和正常交易之間的區別，實現欺詐檢測功能。本發明基于關聯圖譜設計異質信息網絡和網絡表征學習自動化表征屬性節點，設計出一種基于關聯圖譜表征學習的線上交易欺詐檢測方法，解決了傳統欺詐檢測系統存在專業性強、適應性弱的弊病，為互聯網金融信息化時代網絡交易安全問題的解決提供了新的思路和解決方法。