[發明專利]基于自動化特征工程的在線網絡支付欺詐檢測系統

有效

• 申請號: 202010055739.8
• 申請日: 2020-01-17
• 公開（公告）號: CN111275447B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 王成;王昌琪
• 申請（專利權）人: 同濟大學
• 主分類號: G06Q20/40
• 分類號: G06Q20/40;G06Q40/04;G06N20/00
• 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

一種基于自動化特征工程的在線網絡支付欺詐檢測系統。用戶與商戶之間通過各自的PC或者移動端在網絡上發生的實時交易數據記錄由銀行數據中心負責接收匯總；銀行數據中心通過二次處理篩選出所需特征字段，將這些原始特征提供給自動化特征工程模塊；自動化特征工程模塊在在線網絡支付原始特征的基礎上，進行特征構造獲得所有新特征的構造過程集合，提供給欺詐檢測模塊進行異常鑒定；欺詐檢測模塊，根據新特征向量的構造過程集合，構造出新特征，將所有特征和標簽輸入到機器學習模型進行判別，對正常交易進行放行，對異常交易的用戶提出二次身份認證。后續二次認證成功則重新允許用戶再次進行交易，否則鎖定用戶賬號，拒絕其進行任何交易。

技術領域

本發明所屬互聯網金融技術領域。

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，網絡在線支付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支付欺詐系統。

在互聯網金融領域，風控工作至關重要，而在網絡支付反欺詐模型的開發過程中，特征工程是最重要的步驟。特征工程是從原始數據中提取特征以供算法和模型使用。目前互聯網金融領域的特征工程通常需要風控數據專家進行人工分析、設計和清洗生成特征變量，這種方法費時費力，而且受限于人工經驗也常會遺漏有效特征。人工生成特征會帶來大量的人工成本和時間成本問題，影響模型應用系統的運行效果和運營的效率。如果這些工作可以集中到一起由機器自動完成，相比傳統模式，收到的效果會大大提高，而且可以極大的降低整體系統乃至行業的風控成本。

發明內容

如何在網絡支付的場景下，應用自動機器學習的方法來生成特征變量，有效利用和復用知識，減少人工和時間成本，自動化生成高效能、全方面的特征，提升欺詐檢測系統的性能，是本發明需要完成的發明任務。

為此，本發明公開一種基于自動化特征工程的在線網絡支付欺詐檢測系統，實施對互聯網金融領域的在線網絡支付欺詐檢測，利用定制化特征構造樹的自動化特征構造方法進行了實踐探索以提高特征構造的效率，減少人工成本，提升欺詐檢測系統的性能，為金融行業風險防控工作帶來便捷。

技術方案

本發明的主要內容是針對互聯網金融領域的網絡支付欺詐檢測系統實現。通過一種定制化特征構造樹的自動化特征工程方法實現特征生成的自動化，構造出來的特征作為欺詐檢測模型的輸入，進而訓練和應用欺詐檢測模型，實現系統實時對網絡支付欺詐的異常行為檢測和預警，做到防范金融風險。

一種基于自動化特征工程的在線網絡支付欺詐檢測系統，其特征在于，包括個人客戶端、商戶端、銀行數據中心，還包括自動化特征工程模塊、欺詐檢測模塊；

用戶與商戶之間通過各自的PC或者移動端在網絡上發生的實時交易數據記錄由銀行數據中心負責接收匯總；銀行數據中心通過二次處理篩選出所需特征字段，將這些原始特征提供給自動化特征工程模塊；

自動化特征工程模塊在在線網絡支付原始特征的基礎上，進行特征構造獲得所有新特征的構造過程集合，提供給欺詐檢測模塊進行異常鑒定；

欺詐檢測模塊，對于自動化特征工程模塊輸出的訓練數據集，根據新特征向量的構造過程集合，構造出新特征，將所有特征和標簽輸入到機器學習模型進行訓練，得到欺詐檢測模型；對于同樣由自動化特征工程模塊輸出的實時測試數據集，也根據新特征的構造過程集合，構造出新特征，將所有特征輸入進欺詐檢測模型進行欺詐預測。欺詐檢測模塊結合判別結果，對正常交易進行放行，對異常交易的用戶提出二次身份認證。后續二次認證成功則重新允許用戶再次進行交易，否則鎖定用戶賬號，拒絕其進行任何交易。

有益效果