[發明專利]一種可疑交易識別模型構建方法

在審

• 申請號: 202110676102.5
• 申請日: 2021-06-18
• 公開（公告）號: CN113409054A
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 王碩蘋;湯鵬飛;金蒼宏;陳奇;張子健;楊棖
• 申請（專利權）人: 浙大城市學院;浙江成功軟件開發有限公司
• 主分類號: G06Q20/40
• 分類號: G06Q20/40;G06N3/02;G06K9/62
• 代理公司: 寧波久日專利代理事務所(普通合伙) 33299
• 代理人: 徐策

本發明公開了一種可疑交易識別模型構建方法，涉及數據分析技術領域，首先提取具有最大信息增益的前K個Shapelet，然后根據Shapelet與時間序列的匹配情況構建Shapelet關系圖，圖中的每一個節點代表一個Shapelet，其主要思想就是對于兩個不同的Shapelet，如果Shapelet與越多的時間序列能同時匹配，則Shapelet之間的相關性就越強，反映在Shapelet關系圖中就是這兩個節點之間的邊的權重就越大；然后用DeepWalk算法對圖進行嵌入，根據嵌入結果對時間序列進行表示學習得到每個序列的表示向量，最后用一個多層感知器對表示向量進行分類訓練。本模型對海量交易記錄數據中不同模式、不同規律的洗錢行為都有很好的識別效果，具有很好的實際應用價值。

技術領域

本發明涉及數據分析技術領域，具體涉及一種可疑交易識別模型構建方法。

背景技術

洗錢犯罪是危害我國金融安全與社會穩定的重要犯罪活動，研究反洗錢問題具有重大現實意義。反洗錢工作的核心是對大額和可疑交易數據的記錄和分析，雖然可疑交易識別問題已經具有數十年的研究歷史，但目前仍然尚未有成熟有效的技術能大規模應用與實現。基于傳統的機器學習方法的可疑交易識別模型需要用戶自己提取特征，且通常只關注賬戶的靜態屬性，不考慮交易行為隨時間的動態變化，因此已無法滿足目前反洗錢工作的需求。

Shapelet是時間序列分類問題的一個熱門研究方向，Shapelet能夠捕獲時間序列的局部特征，即使是在數據是有噪聲和失真的情況下也能有很不錯的分類效果。此外，Shapelet可以為用戶提供可解釋的分類結果，對于可疑交易識別問題而言，結果的解釋性是非常重要的，因為分析結果會作為洗錢犯罪案件后續調查、取證、判案的重要依據。但是，序列模式分類模型只采用單一的Shapelet作為時間序列分類的唯一標準，因此難以識別不同交易模式和不同交易規律的洗錢行為。

發明內容

有鑒于此，本發明提供了一種可疑交易識別模型構建方法，能夠識別不同模式的可疑交易行為，對不同的洗錢手段、不同的洗錢行為特點都具有很好的識別能力。

為達到上述目的，本發明的一種可疑交易識別模型構建方法，包括如下步驟：

S1.構建訓練集，訓練集中包含已預設標簽的交易賬戶。

S2.獲取交易賬戶在一定時間段內的所有交易記錄，按照一定的時間間隔將所有記錄劃分為不同的交易記錄子序列，計算每個子序列中包含的交易記錄的交易金額總額，計算結果作為交易賬戶的時間序列的一個元素，所有元素構成交易賬戶的時間序列表示。

S3.從訓練集中所有時間序列的子序列中選取固定數量的子序列作為候選Shapelet，組成一個Shapelet候選集，然后計算Shapelet候選集中每個候選Shapelet的信息增益，最后提取信息增益最大的前K個Shapelet。

S4.構建Shapelet關系圖，Shapelet關系圖為無向加權圖，Shapelet關系圖由K個節點組成，每個節點表示一個Shapelet，每條邊的權重表示所連接的兩個不同的Shapelet能同時與相同的時間序列相匹配的概率；

S5.得到Shapelet關系圖后，采用圖嵌入方法對Shapelet關系圖進行嵌入，得到嵌入后的任一節點的表示向量。

S6.對于時間序列和與其匹配的所有Shapelet，以及相應的匹配度，將Shapelet的嵌入后的表示向量與匹配度相乘，再對所有相乘的結果累加作為當前時間序列的表示向量。

S7.將訓練集中每個時間序列的表示向量作為時間序列的特征輸入到一個多層感知器神經網絡進行訓練，使用訓練好多層感知器神經網絡進行待預測交易賬戶的分類預測。