[發(fā)明專利]對反欺詐模型進行訓練的方法、識別金融欺詐行為的方法及其相關產(chǎn)品

在審

• 申請?zhí)枺?/td>: 202111154739.4
• 申請日: 2021-09-29
• 公開（公告）號: CN113888189A
• 公開（公告）日: 2022-01-04
• 發(fā)明（設計）人: 猶然;蘇才禮;王云鵬;王泰
• 申請（專利權）人: 中金金融認證中心有限公司
• 主分類號: G06Q30/00
• 分類號: G06Q30/00;G06Q40/02;G06N3/04;G06K9/62
• 代理公司: 北京維昊知識產(chǎn)權代理事務所(普通合伙) 11804
• 代理人: 孫新國;杜丹丹

1.一種用于對識別金融欺詐行為的反欺詐模型進行訓練的方法，其特征在于，所述方法由處理器執(zhí)行，并且包括：

獲取關于金融欺詐行為的樣本特征作為訓練數(shù)據(jù)；

將所述訓練數(shù)據(jù)輸入至所述反欺詐模型，以對所述反欺詐模型進行聚類訓練；以及

響應于所述反欺詐模型輸出目標類簇，完成對所述反欺詐模型的聚類訓練，

其中所述目標類簇中的簇中心點表征正常金融交易行為并且所述目標類簇中的各個類簇的類簇間距離和每個類簇內元素間的類簇內距離滿足預定評價指標。

2.根據(jù)權利要求1所述的方法，其特征在于，其中獲取關于金融欺詐行為的樣本特征作為訓練數(shù)據(jù)包括：

獲取關于金融交易行為的原始數(shù)據(jù)樣本集；

從所述原始數(shù)據(jù)樣本集中提取關于金融欺詐行為的初始樣本特征；以及

對所述初始樣本特征進行歸一化處理，并將其作為所述訓練數(shù)據(jù)。

3.根據(jù)權利要求1所述的方法，其特征在于，其中對所述反欺詐模型進行聚類訓練包括：

利用K均值聚類算法對所述訓練數(shù)據(jù)進行聚類訓練，并在聚類過程中循環(huán)執(zhí)行以下操作：

計算所訓練的各個類簇的類簇間距離以及每個類簇內元素間的類簇內距離，以得到聚類結果；以及

根據(jù)所述聚類結果調整所訓練的類簇數(shù)量，直至輸出所述目標類簇。

4.根據(jù)權利要求3所述的方法，其特征在于，其中所述方法還包括：

根據(jù)以下公式確定所述預定評價指標：

F_max＝2DVI×CP/(DVI+CP)；

其中，F(xiàn)_max表示取公式的最大值為所述預定評價指標，DVI表示用于表征各個類簇的類簇間距離的鄧恩指數(shù)，CP表示用于表征每個類簇內元素間的類簇內距離的緊密度指數(shù)。

5.一種用于對識別金融欺詐行為的反欺詐模型進行訓練的電子設備，其特征在于，包括：

處理器，其配置用于執(zhí)行程序指令；以及

存儲器，其配置用于存儲所述程序指令，當所述程序指令由所述處理器加載并執(zhí)行時，使得所述電子設備執(zhí)行根據(jù)權利要求1-4的任意一項所述的方法。

6.一種用于識別金融欺詐行為的方法，其特征在于，所述方法是基于權利要求5的電子設備所訓練的反欺詐模型進行金融欺詐行為識別的方法，其包括：

獲取待識別的金融交易數(shù)據(jù)；

計算所述待識別的金融交易數(shù)據(jù)與所述反欺詐模型中目標類簇的簇中心點的距離；以及

基于所述距離確定是否存在金融欺詐行為。

7.根據(jù)權利要求6所述的方法，其特征在于，其中基于所述距離確定是否存在金融欺詐行為包括：

判斷所述距離是否大于閾值；

響應于所述距離大于或者等于閾值，確定存在金融欺詐行為；或者

響應于所述距離小于閾值，確定不存在金融欺詐行為。

8.根據(jù)權利要求6或7所述的方法，其特征在于，其中計算所述待識別的金融交易數(shù)據(jù)與所述反欺詐模型中目標類簇的簇中心點的距離包括：

計算所述待識別的金融交易數(shù)據(jù)與所述目標類簇的簇中心點之間的歐式距離。

9.一種用于識別金融欺詐行為的電子設備，其特征在于，包括：

處理器；以及

存儲器，其存儲有用于識別金融欺詐行為的計算機指令，當所述計算機指令由所述處理器運行時，使得所述電子設備執(zhí)行根據(jù)權利要求6-8的任意一項所述的方法。

10.一種用于識別金融欺詐行為的系統(tǒng)，其特征在于，包括：

如權利要求5所述的電子設備，其配置成執(zhí)行根據(jù)權利要求1至4中任意一項所述的方法，以對用于識別金融欺詐行為的反欺詐模型進行訓練；以及

如權利要求9所述的電子設備，其配置成執(zhí)行根據(jù)權利要求6至8中任意一項所述的方法，以基于所述反欺詐模型識別金融欺詐行為。