[發明專利]一種欺詐交易的檢測方法及裝置

在審

• 申請號: 202110236023.2
• 申請日: 2021-03-03
• 公開（公告）號: CN112967053A
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 郭琦;周皓;邱懋霖;楊振忠;章明;葛鳴銘;肖梁;盛超
• 申請（專利權）人: 中國銀聯股份有限公司
• 主分類號: G06Q20/38
• 分類號: G06Q20/38;G06Q20/40;G06N20/00
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 宋正偉

1.一種欺詐交易的檢測方法，其特征在于，包括：

獲取待檢測交易；

確定所述待檢測交易的目標時序特征信息；

將所述待檢測交易和所述目標時序特征信息輸入到至少一個交易檢測模型，獲得所述待檢測交易的至少一個模型評分結果；針對所述至少一個交易檢測模型中任一交易檢測模型，所述交易檢測模型是基于所述交易檢測模型對應的數據集，按照所述交易檢測模型對應的機器學習算法，對所述交易檢測模型對應的初始模型訓練得到的；所述交易檢測模型對應的數據集中任一條訓練數據包括交易、交易的時序特征信息和交易標簽；

根據所述至少一個模型評分結果，確定所述待檢測交易是否為欺詐交易。

2.如權利要求1所述的方法，其特征在于，針對所述交易檢測模型對應的數據集中任一條訓練數據；所述訓練數據按照以下方式得到：

獲取所述訓練數據的原始數據；所述原始數據包括交易、交易的時序特征信息和交易標簽；所述交易標簽為正常交易，或為疑似欺詐交易，或為欺詐交易；

若所述交易標簽為疑似欺詐交易，則將所述原始數據輸入至所述交易檢測模型的初始模型，獲得所述原始數據的模型評分結果；

根據所述原始數據的模型評分結果，將所述交易標簽修改為正常交易或欺詐交易。

3.如權利要求1所述的方法，其特征在于，所述確定所述待檢測交易的目標時序特征信息，包括：

獲取所述待檢測交易在多個維度的時序上關聯的多個交易時序信息；

對所述多個交易時序信息進行統計分析，確定所述待檢測交易的目標時序特征信息。

4.如權利要求3所述的方法，其特征在于，所述多個交易時序信息包括以下至少一項：所述待檢測交易在第一預設時間段內在地理位置維度上的交易時序信息、所述待檢測交易在第二預設時間段內在商戶維度上的交易時序信息、所述待檢測交易在第三預設時間段內在所屬卡片維度上的交易時序信息。

5.如權利要求1至4任一項所述的方法，其特征在于，所述交易檢測模型具體按照以下方式得到：

將所述交易檢測模型對應的數據集劃分為多份子數據集；

針對所述多份子數據集任一份子數據集，按照所述子數據集中數據的時序特性將所述子數據集劃分為子數據集的訓練集和子數據集的驗證集以及子數據集的外推測試集；

基于所述子數據集的訓練集和所述子數據集的驗證集，按照所述交易檢測模型對應的機器學習算法，對所述交易檢測模型的中間模型進行訓練；所述中間模型為所述初始模型或者為根據所述初始模型和所述子數據集訓練得到的模型；

若所述中間模型訓練后的模型不滿足所述子數據集的預設收斂條件，則更新所述中間模型；反之，則將此時的中間模型作為所述交易檢測模型。

6.如權利要求5所述的方法，其特征在于，按照以下方式確定所述中間模型是否滿足所述子數據集的預設收斂條件：

基于所述子數據集的驗證集和子數據集的外推測試集，根據K-S驗證法對所述中間模型訓練后的模型驗證，獲得所述中間模型的K-S驗證結果；和\或基于所述子數據集的驗證集和子數據集的外推測試集，根據AUC驗證法對所述中間模型訓練后的模型驗證，獲得所述中間模型的AUC驗證結果；

根據所述中間模型的K-S驗證結果和\或所述中間模型的AUC驗證結果，確定所述中間模型是否滿足所述子數據集的預設收斂條件。

7.如權利要求1至4任一項所述的方法，其特征在于，所述根據所述至少一個模型評分結果，確定所述待檢測交易是否為欺詐交易，包括：

根據所述至少一個模型評分結果，按照加權平均方法，獲得所述待檢測交易的綜合模型評分結果；或者，

將所述至少一個模型評分結果輸入至高層嵌套模型，獲得所述待檢測交易的綜合模型評分結果；所述高層嵌套模型是基于所述至少一個交易檢測模型對應的數據集訓練時的模型評分結果，按照機器學習算法訓練得到的；

根據所述綜合模型評分結果，確定所述待檢測交易是否為欺詐交易。