[發明專利]信用卡風險檢測方法及裝置

在審

• 申請號: 202211441479.3
• 申請日: 2022-11-17
• 公開（公告）號: CN115689729A
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 孫冬雪
• 申請（專利權）人: 中國銀行股份有限公司
• 主分類號: G06Q40/03
• 分類號: G06Q40/03;G06Q10/04;G06Q10/0639
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 安然;李艷艷

本發明提供一種信用卡風險檢測方法及裝置，涉及人工智能技術領域。該信用卡風險檢測方法包括：獲取當前信用卡數據；對當前信用卡數據進行脫敏處理；將脫敏處理后的當前信用卡數據輸入基于歷史信用卡數據和代價參數規則創建的信用卡檢測模型中，得到信用卡風險檢測結果。本發明可以提高信用卡檢測正確率。

技術領域

本發明涉及人工智能技術領域，具體地，涉及一種信用卡風險檢測方法及裝置。

背景技術

近年來，信用卡業務蓬勃發展，發卡量激增。在高速發展的同時，信用卡業務的風險也日益顯現，信用卡欺詐案件呈不斷攀升的趨勢。如何在業務快速發展的同時快速準確的檢測出信用卡欺詐行為是發卡機構面臨的一個十分嚴峻的問題。信用卡交易的歷史樣本統計特征顯示，風險交易樣本數量遠遠少于正常交易樣本數量，即樣本數據存在類別分布非均衡問題，一般的分類方法對類別樣本分布均勻的集合進行分類效能較高，而若直接對分布不均衡的樣本數據進行模型訓練，會導致分類預測模式不準確，難以對量少的目標數據進行正確識別，因此，信用卡風險檢測需要對樣本數據的非均衡進行處理。

現有的技術處理非均衡數據常采用過采樣或者欠采樣的方法。過采樣方法是對風險樣本數據進行重復采樣以使風險樣本數據量約等于正常交易樣本數據量，實際上沒有為模型引入更多的數據，過分強調風險交易數據，容易導致過擬合；欠采樣方法是對正常樣本數據進行隨機抽取，丟棄大量數據以令抽取的正常樣本數據量約等于風險樣本數據量，導致喪失非常多的信息。可以看出采樣方法會改變原始數據的分布，過采樣或欠采樣的信用卡檢測方法往往會提高檢測誤報率。

發明內容

本發明實施例的主要目的在于提供一種信用卡風險檢測方法及裝置，以提高信用卡檢測正確率。

為了實現上述目的，本發明實施例提供一種信用卡風險檢測方法，包括：

獲取當前信用卡數據；

對當前信用卡數據進行脫敏處理；

將脫敏處理后的當前信用卡數據輸入基于歷史信用卡數據和代價參數規則創建的信用卡檢測模型中，得到信用卡風險檢測結果。

在其中一種實施例中，歷史信用卡數據包括歷史信用卡訓練數據和歷史信用卡驗證數據；

基于歷史信用卡數據和代價參數規則創建信用卡檢測模型包括：

執行如下迭代處理：

根據歷史信用卡訓練數據和各模型參數確定各信用卡風險預測結果；

根據各信用卡風險預測結果、歷史信用卡訓練數據對應的信用卡風險真實結果和代價參數規則確定損失函數；

判斷損失函數是否小于預設損失函數閾值；

當損失函數小于預設損失函數閾值時，根據當前迭代中的各模型參數創建各信用卡檢測訓練模型，否則根據損失函數更新模型參數，繼續執行迭代處理；

根據歷史信用卡驗證數據對各信用卡檢測訓練模型進行驗證，根據驗證結果從各信用卡檢測訓練模型中選擇信用卡檢測模型。

在其中一種實施例中，根據各信用卡風險預測結果、歷史信用卡訓練數據對應的信用卡風險真實結果和代價參數規則確定損失函數包括：

根據各信用卡風險預測結果、歷史信用卡訓練數據對應的信用卡風險真實結果的比較結果和代價參數規則確定代價參數；

根據各信用卡風險預測結果、歷史信用卡訓練數據對應的信用卡風險真實結果和代價參數確定損失函數。

在其中一種實施例中，信用卡風險預測結果與信用卡風險真實結果不同時的代價參數大于或等于信用卡風險預測結果與信用卡風險真實結果相同時的代價參數。

本發明實施例還提供一種信用卡風險檢測裝置，包括：