[發明專利]一種基于圖和層次化transformer的智能交易異常檢測方法

有效

• 申請號: 202110958269.0
• 申請日: 2021-08-20
• 公開（公告）號: CN113781213B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 熊詩勇;張鑫;張耐;張偉;王駿;黃艷婷;蔣岱虎
• 申請（專利權）人: 上海華鑫股份有限公司
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06F18/214;G06N3/0442;G06N3/0464;G06N3/084
• 代理公司: 成都拓荒者知識產權代理有限公司 51254
• 代理人: 楊爭華

本發明提供一種基于圖和層次化transformer的智能交易異常檢測方法，涉及金融交易技術領域，包括以下步驟：S1：獲取真實交易數據；S2：通過交易數據建立行為序列；S3：構成用戶行為的全局屬性圖；S4：利用層次化transformer編碼器對日期分割的行為序列表示進行編碼；S5：利用訓練集學習序列模型的參數并且調參。利用這樣的一種基于圖和層次化transformer的智能交易異常檢測方法，引入屬性圖來表示用戶交易行為序列充分表示不同交易行為特征之間的關系，從而可以充分建模智能交易中不同交易特征的關聯性。

技術領域

本發明涉及金融交易技術領域，涉及機器學習技術，尤其是一種一種基于圖和層次化transformer的智能交易異常檢測方法。

背景技術

現有的智能交易異常檢測通過如下幾種方式：

智能交易異常檢系統通過規則的條件判斷，對輸入其交易系統的大量異常數據進行判斷并過濾，但交易數據在當今擁有更復雜靈活的特征，只通過規則判斷不足以滿足當下的智能交易異常檢測要求。

有經驗的交易系統運維人員，定期對一些交易實時數據進行統計并主觀的檢測其中的異常數據。這種方法雖然具有較大的靈活性，但效率很低，在如今的大數據時代，很難對所有的交易數據進行檢測。且這種方法主觀性比較大，不能對異常檢測的結果做出保證。

利用一些機器學習算法來進行智能交易異常檢測的方法，一些方法利用前饋神經網絡使用歷史交易數據判斷異常交易數據，但是沒考慮到交易記錄的時序性，不能學習交易數據的時序特征。

發明內容

為了解決上述問題，本發明采用的技術方案是：

一種基于圖和層次化transformer的智能交易異常檢測方法，包括以下步驟：

S1：獲取真實交易數據，對所述交易數據進行預處理，劃分為測試集、驗證集和訓練集；

S2：通過交易數據建立行為序列，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行為序列轉換為向量特征表示，作為序列模型的輸入數據；

S3：分別將order行為序列和trade行為序列中每個行為的每個特征作為節點，每個特征之間的連線作為邊，構成用戶行為的全局屬性圖；

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

S4：利用層次化transformer編碼器對日期分割的行為序列表示進行編碼，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；

S5：利用訓練集學習序列模型的參數并且調參。

優選的，S1中對所述交易數據進行預處理，包括以下步驟：

A1：按用戶將行為序列數據按時間戳由遠及近地排序；

A2：過濾A1得到的行為序列數據中的不頻繁的數據；

A3：以日期為單位的時間窗口為依據，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，將訓練集中提高異常樣本的比例到30％以上。

優選的，S1中劃分的訓練集，驗證集和測試集的數量的比例為6：2：2。

優選的，所述模型的輸入數據，包括以下數據處理過程：

B1.數據編碼：設所有行為共有N個行為特征屬性，使用N維的稀疏向量表示特征屬性的集合，行為獨有的屬性特征維度為1，其余全部為0；