[發(fā)明專利]一種基于圖和層次化transformer的智能交易異常檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110958269.0
• 申請(qǐng)日: 2021-08-20
• 公開（公告）號(hào): CN113781213B
• 公開（公告）日: 2023-09-29
• 發(fā)明（設(shè)計(jì)）人: 熊詩(shī)勇;張?chǎng)?/a>;張耐;張偉;王駿;黃艷婷;蔣岱虎
• 申請(qǐng)（專利權(quán)）人: 上海華鑫股份有限公司
• 主分類號(hào): G06Q40/04
• 分類號(hào): G06Q40/04;G06F18/214;G06N3/0442;G06N3/0464;G06N3/084
• 代理公司: 成都拓荒者知識(shí)產(chǎn)權(quán)代理有限公司 51254
• 代理人: 楊爭(zhēng)華

1.一種基于圖和層次化transformer的智能交易異常檢測(cè)方法，其特征在于，包括以下步驟：

S1：獲取真實(shí)交易數(shù)據(jù)，對(duì)所述交易數(shù)據(jù)進(jìn)行預(yù)處理，劃分為測(cè)試集、驗(yàn)證集和訓(xùn)練集；

S2：通過交易數(shù)據(jù)建立行為序列，行為序列包括order行為序列和trade行為序列，分別將order行為序列和trade行為序列轉(zhuǎn)換為向量特征表示，作為序列模型的輸入數(shù)據(jù)；

S3：分別將order行為序列和trade行為序列中每個(gè)行為的每個(gè)特征作為節(jié)點(diǎn)，每個(gè)特征之間的連線作為邊，構(gòu)成用戶行為的全局屬性圖；

對(duì)全局屬性圖做GCN卷積處理，得到每個(gè)特征屬性的聚合表示，組合成新的行為表示的向量；

S4：根據(jù)日期對(duì)行為表示的向量進(jìn)行分割，獲得行為序列表示，利用層次化transformer編碼器對(duì)行為序列表示進(jìn)行編碼，得到用戶歷史行為表示；

通過MLP獲得行為序列異常概率，序列模型和決策樹模型融合后得到綜合的異常概率；所述的模型融合是序列模型和決策樹模型分別對(duì)交易報(bào)單序列訓(xùn)練，各自達(dá)到收斂后，預(yù)測(cè)時(shí)使用誤差倒數(shù)法對(duì)兩個(gè)模型的輸出進(jìn)行加權(quán)求和,得到組合模型的異常預(yù)測(cè)結(jié)果；

S5：利用訓(xùn)練集學(xué)習(xí)序列模型的參數(shù)并且調(diào)參。

2.根據(jù)權(quán)利要求1所述的一種基于圖和層次化transformer的智能交易異常檢測(cè)方法，其特征在于，S1中對(duì)所述交易數(shù)據(jù)進(jìn)行預(yù)處理，包括以下步驟：

A1：按用戶將行為序列數(shù)據(jù)按時(shí)間戳由遠(yuǎn)及近地排序；

A2：過濾A1得到的行為序列數(shù)據(jù)中的不頻繁的數(shù)據(jù)；

A3：以日期為單位的時(shí)間窗口為依據(jù)，以層次化transformer的嵌入形式為格式，劃分所有用戶的行為序列；

A4：通過降采樣，將訓(xùn)練集中提高異常樣本的比例到30％以上。

3.根據(jù)權(quán)利要求1所述的一種基于圖和層次化transformer的智能交易異常檢測(cè)方法，其特征在于：S1中劃分的訓(xùn)練集，驗(yàn)證集和測(cè)試集的數(shù)量的比例為6：2：2。

4.根據(jù)權(quán)利要求1所述的一種基于圖和層次化transformer的智能交易異常檢測(cè)方法，其特征在于，模型的輸入數(shù)據(jù)，包括以下數(shù)據(jù)處理過程：

B1.數(shù)據(jù)編碼：設(shè)所有行為共有N個(gè)行為特征屬性，使用N維的稀疏向量表示特征屬性的集合，行為獨(dú)有的屬性特征維度為1，其余全部為0；

B2.數(shù)據(jù)嵌入：將N維的行為特征屬性映射到另一個(gè)低維的向量空間，設(shè)變換后的行為特征向量表示為V＝{v1,v2,…,vN}。

5.根據(jù)權(quán)利要求1所述的一種基于圖和層次化transformer的智能交易異常檢測(cè)方法，其特征在于，S3的order行為序列的特征包括：行為類型、階段、價(jià)格、數(shù)量、行為、撤銷、最優(yōu)五檔申報(bào)，7個(gè)特征。

6.根據(jù)權(quán)利要求1所述的一種基于圖和層次化transformer的智能交易異常檢測(cè)方法，其特征在于，S3的trade行為序列的特征包括：行為類型、階段、價(jià)格、數(shù)量、方向，5個(gè)特征。

7.根據(jù)權(quán)利要求1所述的一種基于圖和層次化transformer的智能交易異常檢測(cè)方法，其特征在于，S3對(duì)全局屬性圖做GCN卷積處理，得到每個(gè)特征屬性的聚合表示，組合成新的行為表示的向量，包括以下步驟：

C1.將行為序列特征屬性轉(zhuǎn)換為鄰接矩陣，并建立標(biāo)準(zhǔn)化鄰接矩陣；

C2.圖卷積神經(jīng)網(wǎng)絡(luò)層：

其中A為圖的鄰接矩陣，D為A的度矩陣，σ是非線性激活函數(shù)，X^l表示第l層的表示，W和b為可學(xué)習(xí)的參數(shù)；

C3.聚合層：

X＝aggregate(Xa,…Xn)

其中X為新的行為表示的向量，Xi表示第i層行為表示的向量。