[發(fā)明專利]一種異常交易識別方法及裝置

在審

• 申請?zhí)枺?/td>: 202310239931.6
• 申請日: 2023-03-06
• 公開（公告）號: CN116228425A
• 公開（公告）日: 2023-06-06
• 發(fā)明（設計）人: 張寶華
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06Q40/04
• 分類號: G06Q40/04;G06F18/2433;G06N3/0464;G06N3/0475;G06N3/094;G06N3/084;G06N3/048
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 王首峰

1.一種異常交易識別方法，其特征在于，包括：

接收待識別交易的交易數據；

根據所述交易數據以及預先生成的異常交易識別模型判斷所述待識別交易是否為異常交易，所述異常交易識別模式是基于對抗學習方法以及全連接神經網絡算法所生成的。

2.根據權利要求1所述的異常交易識別方法，其特征在于，生成異常交易識別模型的方法包括以下步驟：

利用全連接神經網絡算法生成模擬樣本生成模型以及辨別模型，所述模擬樣本生成模型用于生成模擬樣本，所述辨別模型包括多個子辨別模型，所述多個子辨別模型的全連接神經網絡的參數不同；所述子辨別模型用于辨別輸入樣本是否為所述模擬樣本，以及辨別所述輸入樣本是否為異常交易；

根據多個子辨別模型、歷史交易數據以及所述模擬樣本生成模型對所述辨別模型進行訓練，直至預設的損失函數收斂，以生成所述異常交易識別模型。

3.根據權利要求2所述的異常交易識別方法，其特征在于，所述根據多個子辨別模型、歷史交易數據以及所述模擬樣本生成模型對所述辨別模型進行訓練，包括：

將模擬樣本以及所述歷史交易數據中的真實樣本輸入至多個子辨別模型，以生成每個子辨別模型對應的預測標簽；

根據所有子辨別模型的預測標簽的平均值與每個子辨別模型的預測標簽之間的差值確定所述辨別模型的置信度；

根據所述預測標簽以及所述置信度對所述辨別模型進行反向傳播，直至所述損失函數收斂。

4.根據權利要求3所述的異常交易識別方法，其特征在于，所述根據所述預測標簽以及所述置信度對所述辨別模型進行反向傳播，包括：

將歷史交易數據中的真實標簽與所述預測標簽進行凸組合操作，以生成翻新標簽；

根據所述置信度以及所述翻新標簽對所述辨別模型進行反向傳播，以訓練所述辨別模型。

5.根據權利要求3所述的異常交易識別方法，其特征在于，還包括：

當計算損失函數時，對于生成錯誤預測標簽的子辨別模型進行加權懲罰操作。

6.根據權利要求3所述的異常交易識別方法，其特征在于，還包括：

根據所述歷史交易數據確定隨機噪音以及隨機標簽；

將所述隨機噪音以及隨機標簽輸入至所述模擬樣本生成模型，以生成所述模擬樣本。

7.根據權利要求6所述的異常交易識別方法，其特征在于，所述將所述隨機噪音以及隨機標簽輸入至所述模擬樣本生成模型，以生成所述模擬樣本，包括：

根據所述隨機噪音生成隨機輸入向量；

根據所述隨機標簽生成表征類別標簽的嵌入向量；

將所述隨機輸入向量以及所述嵌入向量輸入至所述模擬樣本生成模型，以生成模擬樣本。

8.一種異常交易識別裝置，其特征在于，包括：

交易數據接收模塊，用于接收待識別交易的交易數據；

交易判斷模塊，用于根據所述交易數據以及預先生成的異常交易識別模型判斷所述待識別交易是否為異常交易，所述異常交易識別模式是基于對抗學習方法以及全連接神經網絡算法所生成的。

9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現權利要求1至7任一項所述異常交易識別方法的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現權利要求1至7任一項所述異常交易識別方法的步驟。