[發(fā)明專利]基于深度學(xué)習(xí)的反欺詐模型處理方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201911333796.1
• 申請(qǐng)日: 2019-12-23
• 公開（公告）號(hào): CN110969441A
• 公開（公告）日: 2020-04-07
• 發(fā)明（設(shè)計(jì)）人: 崔晶晶;胡師為
• 申請(qǐng)（專利權(quán)）人: 集奧聚合（北京）人工智能科技有限公司
• 主分類號(hào): G06Q20/40
• 分類號(hào): G06Q20/40;G06N3/08
• 代理公司: 北京瑞盛銘杰知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11617
• 代理人: 李績(jī)

1.一種基于深度學(xué)習(xí)的反欺詐模型處理方法，其特征在于，所述方法包括：

對(duì)數(shù)據(jù)進(jìn)行初步清洗，并根據(jù)數(shù)據(jù)的數(shù)據(jù)類型，分別執(zhí)行對(duì)應(yīng)的數(shù)據(jù)預(yù)處理；

將經(jīng)過數(shù)據(jù)預(yù)處理后的不同類型的數(shù)據(jù)進(jìn)行合并，并將經(jīng)過合并后的數(shù)據(jù)輸入預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到反欺詐神經(jīng)網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的反欺詐模型處理方法，其特征在于，所述根據(jù)數(shù)據(jù)的數(shù)據(jù)類型，分別執(zhí)行對(duì)應(yīng)的數(shù)據(jù)預(yù)處理，包括：

若數(shù)據(jù)類型為類別型變量，則創(chuàng)建一類別輸入矩陣；

遍歷所有類別，并從所述類別輸入矩陣中依次取出每一類別型變量，然后進(jìn)入到嵌入層；

將每個(gè)類別型變量映射到相同的預(yù)設(shè)維度中。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的反欺詐模型處理方法，其特征在于，所述根據(jù)數(shù)據(jù)的數(shù)據(jù)類型，分別執(zhí)行對(duì)應(yīng)的數(shù)據(jù)預(yù)處理，包括：

若數(shù)據(jù)類型為數(shù)值型變量，則在數(shù)值型變量的Input層后面緊跟一層全連接層Dense；

然后再接一層dropout和一層批量歸一化層，然后調(diào)用形狀重置對(duì)其維度進(jìn)行擴(kuò)展。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的反欺詐模型處理方法，其特征在于，所述將經(jīng)過合并后的數(shù)據(jù)輸入預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到反欺詐神經(jīng)網(wǎng)絡(luò)模型，包括：

將經(jīng)過合并后的數(shù)據(jù)輸入GRU神經(jīng)網(wǎng)絡(luò)中；

依次接入一層批量歸一化層、一層隨機(jī)剔除神經(jīng)元、一個(gè)全連接神經(jīng)網(wǎng)絡(luò)層、一個(gè)批量歸一化層、隨機(jī)剔除神經(jīng)元層、和全連接層、激活層、批量歸一化層和隨機(jī)剔除神經(jīng)元層的組合以及一個(gè)全連接層，用s函數(shù)激活后得到所述反欺詐神經(jīng)網(wǎng)絡(luò)模型。

5.一種基于深度學(xué)習(xí)的反欺詐模型處理裝置，其特征在于，包括：

數(shù)據(jù)清洗和預(yù)處理模塊，用于對(duì)數(shù)據(jù)進(jìn)行初步清洗，并根據(jù)數(shù)據(jù)的數(shù)據(jù)類型，分別執(zhí)行對(duì)應(yīng)的數(shù)據(jù)預(yù)處理；

模型訓(xùn)練模塊，用于將經(jīng)過數(shù)據(jù)預(yù)處理后的不同類型的數(shù)據(jù)進(jìn)行合并，并將經(jīng)過合并后的數(shù)據(jù)輸入預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到反欺詐神經(jīng)網(wǎng)絡(luò)模型。

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的反欺詐模型處理裝置，其特征在于，所述數(shù)據(jù)清洗和預(yù)處理模塊包括：

類別型變量第一預(yù)處理單元，用于若數(shù)據(jù)類型為類別型變量，則創(chuàng)建一類別輸入矩陣；

類別型變量第二預(yù)處理單元，用于遍歷所有類別，并從所述類別輸入矩陣中依次取出每一類別型變量，然后進(jìn)入到嵌入層；

類別型變量第三預(yù)處理單元，用于將每個(gè)類別型變量映射到相同的預(yù)設(shè)維度中。

7.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的反欺詐模型處理裝置，其特征在于，所述數(shù)據(jù)清洗和預(yù)處理模塊包括：

數(shù)值型變量第一預(yù)處理單元，用于若數(shù)據(jù)類型為數(shù)值型變量，則在數(shù)值型變量的Input層后面緊跟一層全連接層Dense；

數(shù)值型變量第二預(yù)處理單元，用于然后再接一層dropout和一層批量歸一化層，然后調(diào)用形狀重置對(duì)其維度進(jìn)行擴(kuò)展。

8.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的反欺詐模型處理裝置，其特征在于，所述模型訓(xùn)練模塊包括：

第一模型訓(xùn)練單元，用于將經(jīng)過合并后的數(shù)據(jù)輸入GRU神經(jīng)網(wǎng)絡(luò)中；

第二模型訓(xùn)練單元，用于依次接入一層批量歸一化層、一層隨機(jī)剔除神經(jīng)元、一個(gè)全連接神經(jīng)網(wǎng)絡(luò)層、一個(gè)批量歸一化層、隨機(jī)剔除神經(jīng)元層、和全連接層、激活層、批量歸一化層和隨機(jī)剔除神經(jīng)元層的組合以及一個(gè)全連接層，用s函數(shù)激活后得到所述反欺詐神經(jīng)網(wǎng)絡(luò)模型。

9.一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)權(quán)利要求1至4任一項(xiàng)所述的基于深度學(xué)習(xí)的反欺詐模型處理方法的步驟。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至4任一項(xiàng)所述的基于深度學(xué)習(xí)的反欺詐模型處理方法的步驟。