[發明專利]一種基于表征學習的交易欺詐行為深度檢測方法

有效

• 申請號: 201910327470.1
• 申請日: 2019-04-23
• 公開（公告）號: CN110084609B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 章昭輝;蔣昌俊;王鵬偉;汪立智
• 申請（專利權）人: 東華大學
• 主分類號: G06Q20/40
• 分類號: 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

本發明涉及一種基于表征學習的交易欺詐行為深度檢測方法，其特征在于，包括以下步驟：建立基于Autoencoder模型的表征學習multi?representation結構，通過BaggingBalance方法從交易數據中抽取數據集，得到相對應的表征學習向量；建立OSD?DF分類結構，將multi?representation結構得到表征學習向量作為OSD?DF分類結構的輸入，訓練OSD?DF分類結構，得到交易數據的欺詐檢測結果。本發明提出的電子交易欺詐檢測方法，可以有效檢測電子交易中的欺詐行為。本發明提供的方法從實用性角度出發，建立了電子交易欺詐檢測方法的框架，為解決欺詐交易檢測提供了技術支持。

技術領域

本發明涉及一種網絡交易檢測方法，屬于信息技術領域。

背景技術

近年來隨著互聯網金融的不斷深入發展，電子交易欺詐檢測已經成為一個熱門的研究領域，包括信用卡欺詐檢測、移動支付欺詐檢測、B2C(Business-to-Customer)交易欺詐檢測等。

基于機器學習的欺詐檢測算法在電子交易欺詐檢測領域應用的十分廣泛。有監督的學習模型基于人工核實標簽后的歷史交易數據建立欺詐檢測模型，從而判斷一筆新的交易是否有欺詐的可能性。在2018年，Shiyang?Xuan等人采用兩種不同基分類器的隨機森林，分別訓練正常交易和異常交易的行為特征，并在信用卡欺詐檢測上分析了兩種隨機森林的性能。此外，無監督的學習模型通常是采用離群點檢測或者異常檢測技術，將識別出來的離群點看成檢測出來的欺詐交易。在2014年，Olszewski?D利用self-organizing?map(SOM)方法建立用戶行為模型，尋找偏離正常用戶行為的異常點進行欺詐檢測。基于機器學習的檢測算法可以學習已知的欺詐模式，并會檢測出潛在的新的欺詐策略。但是有監督學習的檢測方法強烈依賴于原始標記的正確性，同時需要處理存在的樣本不均衡問題。而無監督學習對于正常交易和欺詐交易的重疊分布十分敏感，往往會導致準確性嚴重下降。

隨著深度學習的技術在眾多分類任務上的優秀表現，電子交易欺詐檢測領域開始引入深度學習技術。正如2017年4月咨詢公司麥肯錫(McKinsey)的一篇文章得出的結論：深度學習通過對所有歷史客戶數據以及交易記錄中的實時交易細節，可以為解決金融欺詐問題提供一個可解決方案。2016年，Kang?Fu等人提出了一個基于卷積神經網絡(Convolutional?Neural?Network，CNN)的欺詐檢測框架，通過有標簽的交易數據學習出欺詐行為的內在模式，并在某主流商業銀行的實驗數據上表現出優秀的性能。2017年，京東金融的Shuhao?Wang等人提出了一個新型的基于深度學習的欺詐檢測系統——CLUE。該系統主要通過基于embedding的神經網絡和循環神經網絡(Recurrent?Neural?Networks，RNN)捕獲更多的交易細節信息，從而做到有效的欺詐檢測。2018年，Zhaohui?Zhang等人提出了一種帶有特征排列層的CNN網絡交易欺詐檢測模型。通過不同的卷積模式學習，該模型在某商業銀行的真實交易數據上表現出優于現有的CNN檢測模型的性能。同年，Abhimanyu?Roy等人深入研究了深度學習模型在信用卡欺詐檢測任務上的應用，利用高性能的分布式云計算環境解決欺詐中普遍存在的問題，同時提供了一個深度學習拓撲的參數調整框架，以使金融機構能夠通過防止欺詐活動來減少損失。然而，盡管可以通過深度學習技術提取交易之間的更多順序信息，但是單筆交易中的特征學習對深度學習模型是不夠的。單筆交易記錄中的這些關系可以通過一些機器學習模型(如RF)很好地學習，但代價是削弱的時序學習能力。

因此，近年來針對電子交易欺詐檢測的研究開始出現結合機器學習和深度學習各自優勢的檢測技術。2017年，Xurui?Li等人提出一個新的“within-between-within”(WBW)的類似三明治結構的時序學習模型。通過組合集成學習模型和深度學習模型，同時引入attention機制，從而進一步提高欺詐檢測的效果。同年，Zahra?Kazemi和Houman?Zarrabi使用自動編碼器(autoencoder)來提供信用卡交易記錄中最優的特征信息，然后增加一個softmax神經網絡作為分類器來判別交易是否欺詐。實驗揭示了提出的欺詐檢測模型相比其他方法的優勢。