[發(fā)明專利]一種基于表征學(xué)習(xí)的交易欺詐行為深度檢測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910327470.1
• 申請(qǐng)日: 2019-04-23
• 公開（公告）號(hào): CN110084609B
• 公開（公告）日: 2023-06-02
• 發(fā)明（設(shè)計(jì)）人: 章昭輝;蔣昌俊;王鵬偉;汪立智
• 申請(qǐng)（專利權(quán)）人: 東華大學(xué)
• 主分類號(hào): G06Q20/40
• 分類號(hào): G06Q20/40;G06F18/2411;G06F18/214
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 翁若瑩;柏子雵

1.一種基于表征學(xué)習(xí)的交易欺詐行為深度檢測方法，其特征在于，包括以下步驟：

(1)建立基于Autoencoder模型的表征學(xué)習(xí)multi-representation結(jié)構(gòu)，通過BaggingBalance方法從交易數(shù)據(jù)中抽取數(shù)據(jù)集，將數(shù)據(jù)集輸入multi-representation結(jié)構(gòu)得到相對(duì)應(yīng)的表征學(xué)習(xí)向量，其中，通過BaggingBalance方法從交易數(shù)據(jù)中抽取數(shù)據(jù)集包括以下步驟：

S301、劃分?jǐn)?shù)據(jù)集

將交易數(shù)據(jù)劃分為合法交易的樣本集D_malor和欺詐交易的樣本集D_minor；

S302、數(shù)據(jù)下采樣

每次隨機(jī)采樣樣本集D_major，從中挑選一個(gè)樣本拷貝放入數(shù)據(jù)集D_sample，然后再將該樣本放回樣本集D_major中，采樣數(shù)據(jù)量為樣本集D_minor的大?。?/p>

S303、特征采樣

從特征空間中隨機(jī)選取特征子集，對(duì)下采樣的數(shù)據(jù)進(jìn)行特征過濾；

S304、返回?cái)?shù)據(jù)集；

(2)建立OSD-DF分類結(jié)構(gòu)，將multi-representation結(jié)構(gòu)得到表征學(xué)習(xí)向量作為OSD-DF分類結(jié)構(gòu)的輸入，訓(xùn)練OSD-DF分類結(jié)構(gòu)，得到交易數(shù)據(jù)的欺詐檢測結(jié)果，包括以下步驟：

S201、數(shù)據(jù)輸入

獲取multi-representation結(jié)構(gòu)得到的表征學(xué)習(xí)向量，作為OSD-DF分類結(jié)構(gòu)的輸入；

S202、初始化模型

設(shè)置OSD-DF分類結(jié)構(gòu)的模型結(jié)構(gòu)，輸入數(shù)據(jù)進(jìn)入OSD-DF分類結(jié)構(gòu)的處理層，輸出處理的結(jié)果到下一層；

S203、訓(xùn)練模型

下一層接收上一層處理的特征信息，重復(fù)步驟S202的操作，繼續(xù)擴(kuò)充下一層，當(dāng)擴(kuò)充一個(gè)新層后，模型將在驗(yàn)證數(shù)據(jù)集上評(píng)估當(dāng)前模型的檢測性能，相比上一次評(píng)估，如果當(dāng)前性能提升小于設(shè)定閾值，模型停止更新；

S204、檢測結(jié)束，得到交易數(shù)據(jù)的欺詐檢測結(jié)果。

2.如權(quán)利要求1所述的一種基于表征學(xué)習(xí)的交易欺詐行為深度檢測方法，其特征在于，所述multi-representation結(jié)構(gòu)獲得表征學(xué)習(xí)向量包括以下步驟：

S401、初始化結(jié)構(gòu)

設(shè)定multi-representation結(jié)構(gòu)的初始化參數(shù)：Autoencoder模型的初始化結(jié)構(gòu)以及個(gè)數(shù)；

S402、設(shè)定BaggingBalance

初始化BaggingBalance方法的參數(shù)：抽取數(shù)據(jù)集個(gè)數(shù)，特征子集中的特征個(gè)數(shù)；

S403、劃分?jǐn)?shù)據(jù)集

輸入交易數(shù)據(jù)，使用BaggingBalance方法劃分交易數(shù)據(jù)；

S404、獲取采樣數(shù)據(jù)集

劃分完數(shù)據(jù)集，對(duì)數(shù)據(jù)集進(jìn)行采樣，獲取Autoencoder模型需要的采樣數(shù)據(jù)集；

S405、訓(xùn)練Autoencoder

獲取采樣數(shù)據(jù)集，作為Autoencoder模型的輸入，訓(xùn)練Autoencoder模型；

S406、生成表征學(xué)習(xí)向量

訓(xùn)練完Autoencoder模型，獲取中間隱藏層的向量作為最終數(shù)據(jù)集的表征學(xué)習(xí)向量。