[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(shè)計(jì)）人: 張寶華
• 申請（專利權(quán)）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(chǎn)權(quán)代理有限公司 11127
• 代理人: 王首峰

本發(fā)明可用于人工智能技術(shù)在金融方面應(yīng)用的技術(shù)領(lǐng)域，本發(fā)明提供了一種異常交易識別方法及裝置，異常交易識別方法包括：接收待識別交易的交易數(shù)據(jù)；根據(jù)所述交易數(shù)據(jù)以及預(yù)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(xué)習(xí)方法以及全連接神經(jīng)網(wǎng)絡(luò)算法所生成的。本發(fā)明可以有效解決金融領(lǐng)域機(jī)器學(xué)習(xí)過程中受噪聲標(biāo)簽、樣本不平衡影響較大的問題。

技術(shù)領(lǐng)域

本申請屬于人工智能技術(shù)領(lǐng)域，具體涉及一種異常交易識別方法及裝置。

背景技術(shù)

在金融機(jī)器學(xué)習(xí)實(shí)際應(yīng)用場景中，標(biāo)注數(shù)據(jù)往往需要大量的人力、物力與財(cái)力，標(biāo)注的數(shù)據(jù)質(zhì)量某種程度上還受到人為主觀因素的影響，導(dǎo)致實(shí)際獲取的標(biāo)注樣本往往含有不定比例的標(biāo)簽被錯誤標(biāo)記，業(yè)界技術(shù)人員將這部分被錯誤標(biāo)記的標(biāo)簽稱為噪聲標(biāo)簽。

現(xiàn)有的人工智能(AI，Artificial?Intelligence)技術(shù)極度依賴標(biāo)注數(shù)據(jù)的數(shù)量和質(zhì)量。標(biāo)注數(shù)據(jù)的數(shù)量、標(biāo)注的準(zhǔn)確性、不同類別訓(xùn)練樣本的均衡性，在訓(xùn)練過程中對模型有重大影響，可能會導(dǎo)致模型向完全錯誤的方向擬合，極大地影響AI技術(shù)的準(zhǔn)確度和落地應(yīng)用的可靠性。

在實(shí)際應(yīng)用場景中，標(biāo)注數(shù)據(jù)往往需要大量的人力成本，對標(biāo)注數(shù)量產(chǎn)生制約。另一方面，標(biāo)注的數(shù)據(jù)質(zhì)量不易把控，實(shí)際獲取的標(biāo)注樣本往往含有一定比例的標(biāo)簽被錯誤標(biāo)記(噪聲標(biāo)簽)。再者存在很多應(yīng)用問題，特別是異常檢測問題，樣本分布極度不均衡，真正的異常樣本只占總樣本非常小的比例。這些問題的存在，導(dǎo)致許多理論上優(yōu)秀的監(jiān)督學(xué)習(xí)模型在實(shí)際應(yīng)用時無法達(dá)到理想的效果。

發(fā)明內(nèi)容

本發(fā)明可用于人工智能技術(shù)在金融方面應(yīng)用的技術(shù)領(lǐng)域，也可用于除金融領(lǐng)域之外的任意領(lǐng)域，本發(fā)明基于金融領(lǐng)域真實(shí)場景數(shù)據(jù)集，有效解決金融領(lǐng)域機(jī)器學(xué)習(xí)過程中受噪聲標(biāo)簽、樣本不平衡影響較大的問題。

為解決本申請背景技術(shù)中的技術(shù)問題，本發(fā)明提供以下技術(shù)方案：

第一方面，本發(fā)明提供一種異常交易識別方法包括：

接收待識別交易的交易數(shù)據(jù)；

根據(jù)所述交易數(shù)據(jù)以及預(yù)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(xué)習(xí)方法以及全連接神經(jīng)網(wǎng)絡(luò)算法所生成的。

一實(shí)施例中，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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的參數(shù)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(jù)多個子辨別模型、歷史交易數(shù)據(jù)以及所述模擬樣本生成模型對所述辨別模型進(jìn)行訓(xùn)練，直至預(yù)設(shè)的損失函數(shù)收斂，以生成所述異常交易識別模型。

一實(shí)施例中，所述根據(jù)多個子辨別模型、歷史交易數(shù)據(jù)以及所述模擬樣本生成模型對所述辨別模型進(jìn)行訓(xùn)練，包括：

將模擬樣本以及所述歷史交易數(shù)據(jù)中的真實(shí)樣本輸入至多個子辨別模型，以生成每個子辨別模型對應(yīng)的預(yù)測標(biāo)簽；

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

根據(jù)所述預(yù)測標(biāo)簽以及所述置信度對所述辨別模型進(jìn)行反向傳播，直至所述損失函數(shù)收斂。

一實(shí)施例中，所述根據(jù)所述預(yù)測標(biāo)簽以及所述置信度對所述辨別模型進(jìn)行反向傳播，包括：

將歷史交易數(shù)據(jù)中的真實(shí)標(biāo)簽與所述預(yù)測標(biāo)簽進(jìn)行凸組合操作，以生成翻新標(biāo)簽；

根據(jù)所述置信度以及所述翻新標(biāo)簽對所述辨別模型進(jìn)行反向傳播，以訓(xùn)練所述辨別模型。