[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?zhí)枺?/td>: 201911333796.1
• 申請日: 2019-12-23
• 公開（公告）號: 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（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: G06Q20/40
• 分類號: G06Q20/40;G06N3/08
• 代理公司: 北京瑞盛銘杰知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11617
• 代理人: 李績

本申請實(shí)施例提供一種基于深度學(xué)習(xí)的反欺詐模型處理方法及裝置，方法包括：對數(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；本申請能夠有效提升對欺詐用戶和正常用戶的識別準(zhǔn)確度和識別效率。

技術(shù)領(lǐng)域

本申請涉及數(shù)據(jù)處理領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的反欺詐模型處理方法及裝置。

背景技術(shù)

現(xiàn)有技術(shù)中主要是使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法邏輯回歸。雖然邏輯回歸并不復(fù)雜，但正是由于其簡單，高效，可解釋性強(qiáng)的特點(diǎn)，在實(shí)際用途中十分的廣泛，從購物預(yù)測到用戶營銷響應(yīng)，從流失分析到信用評估，都能看到其活躍的身影，可以說，邏輯回歸占據(jù)了分類算法中非常重要的地位。

在反欺詐領(lǐng)域，現(xiàn)有技術(shù)中常常會根據(jù)業(yè)務(wù)理解，以及各方數(shù)據(jù)，嘗試做各種特征工程和特征選擇。最后才會將處理好的數(shù)據(jù)放入到邏輯回歸中進(jìn)行訓(xùn)練。在機(jī)器學(xué)習(xí)中，特征工程決定了這個任務(wù)可以達(dá)到的上限，算法只能是盡可能的去逼近這個上限。

現(xiàn)有技術(shù)中常常使用邏輯回歸，因?yàn)槠浜唵危山忉審?qiáng)。但是正由于其太過于簡單，在訓(xùn)練的過程中，容易欠擬合，分類精度不高。而且在數(shù)據(jù)特征有缺失或者特征空間很大時表現(xiàn)效果也不夠好。

同時，在金融反欺詐領(lǐng)域，數(shù)據(jù)其實(shí)是時序類數(shù)據(jù)，一個人往往會根據(jù)時間的推移，表現(xiàn)出不同的行為。而邏輯回歸也無法很好的處理時序類數(shù)據(jù)。這些缺點(diǎn)都表明，邏輯回歸在反欺詐領(lǐng)域無法取得比較好的成績。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的問題，本申請?zhí)峁┮环N基于深度學(xué)習(xí)的反欺詐模型處理方法及裝置，能夠有效提升對欺詐用戶和正常用戶的識別準(zhǔn)確度和識別效率。

為了解決上述問題中的至少一個，本申請?zhí)峁┮韵录夹g(shù)方案：

第一方面，本申請?zhí)峁┮环N基于深度學(xué)習(xí)的反欺詐模型處理方法，包括：

對數(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。

進(jìn)一步地，所述根據(jù)數(shù)據(jù)的數(shù)據(jù)類型，分別執(zhí)行對應(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；

將每個類別型變量映射到相同的預(yù)設(shè)維度中。

進(jìn)一步地，所述根據(jù)數(shù)據(jù)的數(shù)據(jù)類型，分別執(zhí)行對應(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)用形狀重置對其維度進(jìn)行擴(kuò)展。

進(jìn)一步地，所述根據(jù)數(shù)據(jù)的數(shù)據(jù)類型，分別執(zhí)行對應(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)用形狀重置對其維度進(jìn)行擴(kuò)展。

第二方面，本申請?zhí)峁┮环N基于深度學(xué)習(xí)的反欺詐模型處理裝置，包括：

數(shù)據(jù)清洗和預(yù)處理模塊，用于對數(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。