CN111415167B - 网络欺诈交易检测方法及装置、计算机存储介质和终端 - Google Patents

Abstract

本发明公开了一种网络欺诈交易检测方法及装置、计算机存储介质和终端，其中方法包括：获取待检测交易的交易数据，对交易数据进行属性划分以获取上下文属性集和行为属性集，将上下文属性集作为泛化个体，将行为属性集作为原型交易；将泛化个体映射为多重上下文虚拟推荐系统的虚拟用户，将原型交易映射为多重上下文虚拟推荐系统的虚拟物品；基于多重上下文虚拟推荐系统的最终评分函数计算虚拟用户对虚拟物品的评分；虚拟用户对虚拟物品的评分判断待检测交易是否为欺诈交易。本发明解决了在线交易领域，由于个体历史数据稀缺、标签分布不均衡以及数据属性异构等原因导致的欺诈交易检测存在较大难度的问题。

Description

网络欺诈交易检测方法及装置、计算机存储介质和终端

技术领域

本发明涉及互联网金融技术领域，尤其涉及一种网络欺诈交易检测方法及装置、终端。

背景技术

随着互联网技术和网络应用的蓬勃发展，在线支付系统逐渐成为人们日常生活中不可或缺的部分。相对于传统的支付方式，在线支付更加高效快捷，可以极大地方便了人们的日常生活。但伴随而来的交易欺诈同时也为在线支付系统带来巨大的安全隐患及财产损失。

为了应对交易欺诈，欺诈预防(Fraud Prevention)和欺诈检测(FraudDetection)是两种最基本的技术手段。欺诈预防的主要目的是从计算机系统、网络或数据层面，阻止网络攻击的发生；常用的方法包括数据加密技术、防火墙技术等。欺诈检测的目的则是止损，也是应对交易欺诈的主要手段。

欺诈检测技术主要包括三大类，分别是基于有监督学习的欺诈检测、基于无监督学习的欺诈检测和基于弱监督学习的欺诈检测。基于有监督学习的欺诈检测方法，要求交易数据必须有完整的标签，常用的模型包括逻辑回归(Logistic Regression)、支持向量机(Support Vector Machine)、随机森林(Random Forest)等传统分类方法，以及基于深度学习的表征学习方法。基于无监督学习的欺诈检测方法，不要求交易数据有标签，但必须假定欺诈数据占据的比重远小于合法数据；常用的方法包括对单类分类器(One-ClassClassifier)、对等组分析(Peer Group Analysis)和自组织映射(Self-Organizing Maps)等。基于弱监督学习的检测方法，假设交易数据具有弱标签，基本思想是对弱标签进行强化，转化成有监督学习问题，常见有Snorkel框架。

综上所述，在欺诈检测中基于有监督学习的异常检测是最可靠的手段。具体到在线交易领域，由于个体历史数据稀缺、标签分布不均衡、以及数据属性异构等原因，导致个体行为画像难度增大，给欺诈交易检测带来极大挑战。

发明内容

本发明所要解决的技术问题是现有在线交易领域，由于个体历史数据稀缺、标签分布不均衡以及数据属性异构等原因，导致个体行为画像难度增大，给欺诈交易检测带来极大挑战。

为了解决上述技术问题，本发明提供了一种网络欺诈交易检测方法，包括：

获取待检测交易的交易数据，对所述交易数据进行属性划分以获取上下文属性集和行为属性集，将所述上下文属性集作为泛化个体，将所述行为属性集作为原型交易；

将所述泛化个体映射为多重上下文虚拟推荐系统的虚拟用户，将所述原型交易映射为多重上下文虚拟推荐系统的虚拟物品；

基于多重上下文虚拟推荐系统的最终评分函数计算所述虚拟用户对虚拟物品的评分；

所述虚拟用户对虚拟物品的评分判断所述待检测交易是否为欺诈交易。

优选地，所述多重上下文虚拟推荐系统的最终评分函数获取方式包括：

获取历史交易数据集，对所述历史交易数据集中每组历史交易数据分别进行属性划分，获取对应的历史上下文属性集和历史行为属性集，并确定每组历史交易数据的交易性质，将其作为对应的历史交易标签，同时将所述历史上下文属性集作为历史泛化个体，将所述历史行为属性集作为历史原型交易；

基于历史泛化个体概念、历史原型交易概念和历史交易标签概念将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题；

采用嵌入的方法对多重上下文虚拟推荐系统的评分函数进行建模，并基于所有组历史交易数据对应的所述历史上下文属性集、所述历史行为属性集和所述历史交易标签对模型进行训练和优化，获取多重上下文虚拟推荐系统的最终评分函数。

优选地，基于历史泛化个体概念、历史原型交易概念和历史交易标签概念将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题步骤包括：

将所述历史泛化个体映射为多重上下文虚拟推荐系统中的历史虚拟用户，将所述历史原型交易映射为多重上下文虚拟推荐系统中的历史虚拟物品，将所述历史交易标签映射集为多重上下文虚拟推荐系统中的历史虚拟评分。

优选地，采用嵌入的方法对多重上下文虚拟推荐系统的评分函数进行建模，并基于所有对应的所述历史上下文属性集、所述历史行为属性集和所述历史交易标签对模型进行训练和优化，获取多重上下文虚拟推荐系统的最终评分函数步骤包括：

基于预设限定条件构建多重上下文虚拟推荐系统的初始评分函数；

基于所述初始评分函数构建多重上下文虚拟推荐系统中历史虚拟用户集对应的偏好事件集，并计算所述偏好事件集的联合概率，以作为解决多重上下文虚拟推荐系统问题的目标函数；

将所述目标函数等价为具有计算可行性的最终训练目标函数，并根据概率梯度下降算法获取所述最终训练目标函数参数的概率梯度下降迭代公式；

基于所述目标函数和所述概率梯度下降迭代公式获取多重上下文虚拟推荐系统的最终评分函数。

优选地，基于预设限定条件构建多重上下文虚拟推荐系统的初始评分函数步骤包括：

基于预设限定条件定义多重上下文虚拟推荐系统的初始评分函数；

采用嵌入的方法分别将多重上下文虚拟推荐系统中的历史虚拟用户和历史虚拟物品映射为向量形式，并基于历史虚拟用户和历史虚拟物品映射的向量形式构建多重上下文虚拟推荐系统的初始评分函数。

优选地，所述预设限定条件为：设定所述历史虚拟用户集U_C中的任一历史虚拟用户u_C∈U_C，所述历史虚拟物品集中的任意两个不同历史虚拟物品e_p和历史虚拟物品e_q，定义偏序

以使得历史虚拟用户u_C对历史虚拟物品e_p的评分高于对历史虚拟物品e_q的评分。

优选地，所述初始评分函数为：

其中，向量

(j＝1,2,…,J)对应于第j个上下文属性，A_e,j(j＝1,2,…,J)对应于第j个行为属性，函数g(x,y)表示向量的內积，且g(x,y)＝x·y。

优选地，根据所述虚拟用户对虚拟物品的评分判断所述待检测交易是否为欺诈交易步骤包括：

判断所述虚拟用户对虚拟物品评分是否大于等于预设阈值，若是则判断所述待检测交易为合法交易，否则判断所述待检测交易为欺诈交易。

为了解决上述技术问题，本发明还提供了一种网络欺诈交易检测装置，包括属性划分模块、问题转化模块、评分计算模块和欺诈交易判定模块；

所述属性划分模块，用于获取待检测交易的交易数据，对所述交易数据进行属性划分获取上下文属性集和行为属性集，将所述上下文属性集作为泛化个体，将所述行为属性集作为原型交易；

所述问题转化模块，用于将所述泛化个体映射为多重上下文虚拟推荐系统的虚拟用户，将所述原型交易映射为多重上下文虚拟推荐系统的虚拟物品；

所述评分计算模块，用于基于多重上下文虚拟推荐系统的最终评分函数计算所述虚拟用户对虚拟物品的评分；

所述欺诈交易判定模块，用于根据所述虚拟用户对虚拟物品的评分判断所述待检测交易是否为欺诈交易。

为了解决上述技术问题，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现所述网络欺诈交易检测。

为了解决上述技术问题，本发明还提供了一种终端，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行网络欺诈交易检测方法。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

应用本发明实施例网络欺诈交易检测方法，从问题转化的角度出发，将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题，为个体行为画像提供了全新的思路，降低了对欺诈交易检测难度，解决了在线交易领域，由于个体历史数据稀缺、标签分布不均衡以及数据属性异构等原因导致个体行为画像难度大，欺诈交易检测存在较大难度的问题。

本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1示出了本发明实施例一网络欺诈交易检测方法步骤示意图；

图2示出了本发明实施例一中交易刻画示意图；

图3示出了本发明实施例一中问题映射示意图；

图4示出了本发明实施例二网络欺诈交易检测装置结构示意图；

图5示出了本发明实施例四终端结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

随着互联网技术和网络应用的蓬勃发展，在线支付系统逐渐成为人们日常生活中不可或缺的部分。相对于传统的支付方式，在线支付更加高效快捷，可以极大地方便了人们的日常生活。但伴随而来的交易欺诈同时也为在线支付系统带来巨大的安全隐患及财产损失。

欺诈检测(Fraud Detection)是应对交易欺诈一种最基本的技术手段。现有的欺诈检测技术主要包括基于有监督学习的欺诈检测、基于无监督学习的欺诈检测和基于弱监督学习的欺诈检测。其中基于有监督学习的异常检测是最可靠的手段。但其具体到在线交易领域，由于个体历史数据稀缺、标签分布不均衡、以及数据属性异构等原因，导致个体行为画像难度增大，给欺诈交易检测带来极大挑战。

实施例一

为解决现有技术中存在的上述技术问题，本发明实施例提供了一种网络欺诈交易检测方法。

图1示出了本发明实施例一网络欺诈交易检测方法步骤示意图；参考图1所示，本发明实施例网络欺诈交易检测方法包括如下步骤。

步骤S101，获取待检测交易的交易数据，对交易数据进行属性划分以获取上下文属性集和行为属性集，将上下文属性集作为泛化个体，将行为属性集作为原型交易。

具体地，通常交易均是由一系列的属性来刻画的，交易性质则由交易标签决定，交易性质可为合法交易或欺诈交易。对待检测交易进行欺诈交易检测即是检测待检测交易的交易性质。本实施例中需将待检测交易的交易数据中的属性划分为上下文属性集和行为属性集，其中上下文属性集代表交易发生的上下文环境，比如B2C交易中交易双方的账号、交易卡的发行地点等。而行为属性集则用于刻画交易行为本身，比如交易方式、交易时间、交易金额等。

对于上下文属性集中的任一元素C∈A^C，A^C为上下文属性集，其属性值集合I_C都对应于整个交易集合的一个划分；划分每个子集都唯一共享某个的属性值i_C∈I_C,我们称i_C为上下文C对应的泛化个体。即将上下文属性集作为泛化个体。

假设交易是由J个行为属性刻画，它们所对应的属性值集合为V_j(j＝1,2,…,J)，那么我们定义一个原型交易为ρ＝<v₁,v₂,…,v_J>，其中v_j∈V_j(j＝1,2,…,J)。因此在待检测交易中即将行为属性集作为原型交易。需要说明的是，若某个行为属性的值是连续的，则需要对其做离散化处理。优选地，离散化处理方式可采用等频或等距处理。

步骤S102，将泛化个体和原型交易分别映射为多重上下文虚拟推荐系统的虚拟用户和虚拟物品。

具体地，在本实施例中我们将泛化个体映射为多重上下文虚拟推荐系统的虚拟用户，将原型交易映射为多重上下文虚拟推荐系统的虚拟物品，以将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题。

步骤S103，基于多重上下文虚拟推荐系统的最终评分函数计算虚拟物品的评分。

具体地，将步骤S102中获取的虚拟物品带入多重上下文虚拟推荐系统的最终评分函数中，计算虚拟物品的评分。其中多重上下文虚拟推荐系统的最终评分函数的获取过程在下文说明。

步骤S104，根据虚拟用户对虚拟物品的评分判断待检测交易是否为欺诈交易。

具体地，将步骤S103获取的虚拟用户对虚拟物品的评分与预设阈值进行对比，判断虚拟用户对虚拟物品的评分是否大于等于预设阈值，若虚拟用户对虚拟物品的评分大于或等于预设阈值，则说明虚拟用户对虚拟物品的偏好高于默认值，判断待检测交易为合法交易；若虚拟用户对虚拟物品的评分不大于预设阈值，则说明虚拟用户对虚拟物品的偏好低于默认值，判断待检测交易为欺诈交易。需要说明的是，对于训练好的多重上下文虚拟推荐系统的最终评分函数，选取不同的预设阈值将得到不同的判定效果；在实际应用中，预设阈值的选择取决于具体的需求。当预设阈值变大时，精度下降，召回率上升；反之当预设阈值变小时，精度上升，召回率下降。

为了对本发明实施例网络欺诈交易检测方法进行更清楚的说明，以下详述了上述多重上下文虚拟推荐系统的最终评分函数的获取过程。具体多重上下文虚拟推荐系统的最终评分函数获取方式包括如下子步骤。

子步骤S301，获取历史交易数据集，对历史交易数据集中每组历史交易数据分别进行属性划分，获取对应的历史上下文属性集和历史行为属性集，并确定每组历史交易数据的交易性质，将其作为对应的历史交易标签，同时将历史上下文属性集作为历史泛化个体，将历史行为属性集作为历史原型交易。

图2示出了本发明实施例一中交易刻画示意图；参考图2所示，具体地，多重上下文虚拟推荐系统的最终评分函数需要通过对已有的历史交易数据进行训练处理等步骤获取，因此在多重上下文虚拟推荐系统的最终评分函数获取步骤中，需先获取历史交易数据集，其中历史交易数据集中包括多组历史交易数据。类同于步骤S101，将历史交易数据集中每组历史交易数据分别进行属性划分，分别获取每组历史交易数据对应的历史上下文属性集和历史行为属性集。其中历史上下文属性集代表交易发生的上下文环境，比如B2C交易中交易双方的账号、交易卡的发行地点等。历史行为属性集用于刻画交易行为本身，比如交易方式、交易时间、交易金额等。同时由于每组历史交易数据的交易性质是已知的，因此还需确定每组历史交易数据的交易性质，并将其作为对应的历史交易标签，显然历史交易标签集包括合法交易和欺诈交易。

而后对于历史上下文属性集中的任一元素C∈A^C，其中A^C为历史上下文属性集，其属性值集合I_C都对应于整个交易集合的一个划分；划分每个子集都唯一共享某个的属性值i_C∈I_C,我们称i_C为上下文C对应的历史泛化个体。即将历史上下文属性集作为历史泛化个体。同时假设交易是由J个行为属性刻画，它们所对应的属性值集合为V_j(j＝1,2,…,J)，那么我们定义一个历史原型交易为ρ＝<v₁,v₂,…,v_J>，其中v_j∈V_j(j＝1,2,…,J)。所有历史原型交易的集合称为历史原型交易集，用符号p表示。需要说明的是，若某个行为属性的值是连续的，则需要对其做离散化处理。优选地，离散化处理可采用等频或等距处理。

子步骤302，基于历史泛化个体概念、历史原型交易概念和历史交易标签概念将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题。

图3示出了本发明实施例一中问题映射示意图；参考图3所示，具体地，基于对历史交易数据的属性划分方式(即等价为历史泛化个体和历史原型交易)及历史交易标签的定义，将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题。由于通常虚拟推荐系统包含三个基本元素，分别为历史虚拟用户集U_C、历史虚拟物品集E和历史虚拟评分集R，本实施例进一步将历史泛化个体映射为多重上下文虚拟推荐系统中的历史虚拟用户，将历史原型交易映射为多重上下文虚拟推荐系统中的历史虚拟物品，将历史交易标签映射集为多重上下文虚拟推荐系统中的历史虚拟评分。即实现将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题。

子步骤S303，采用嵌入的方法对多重上下文虚拟推荐系统的评分函数进行建模，并基于所有对应的历史上下文属性集、历史行为属性集和历史交易标签对模型进行训练和优化，获取多重上下文虚拟推荐系统的最终评分函数。

具体地，首先基于预设限定条件构建多重上下文虚拟推荐系统的初始评分函数。更进一步地，预设限定条件为：设定历史虚拟用户集U_C中的任一历史虚拟用户u_C∈U_C，历史虚拟物品集中的任意两个不同历史虚拟物品e_p和历史虚拟物品e_q，定义偏序

以使得历史虚拟用户u_C对历史虚拟物品e_p的评分高于对历史虚拟物品e_q的评分。假设历史虚拟用户u_C的初始评分函数为

可以得到初始评分函数和偏序间的等价关系，即为数学表达式(1)。

采用嵌入的方法将多重上下文虚拟推荐系统中的历史虚拟用户和历史虚拟物品均映射为向量形式，并基于历史虚拟用户和历史虚拟物品的向量形式构建多重上下文虚拟推荐系统的初始评分函数。更进一步地，假设交易由J个行为属性刻画，嵌入空间的维度为d，那么可将任一历史虚拟用户u_C映射为一个d×J矩阵，使得相量

并将任一历史虚拟物品e映射为一个d×J矩阵，使得相量

则基于嵌入的评分函数初步表式为：

其中，向量

(j＝1,2,…,J)对应于第j个上下文属性，A_e,j(j＝1,2,…,J)对应于第j个行为属性，函数g(x,y)表示向量的內积，且g(x,y)＝x·y。

其次，如果把评分偏序看做随机事件，可基于初始评分函数构建多重上下文虚拟推荐系统中历史虚拟用户集对应的偏好事件集，并计算偏好事件集的联合概率，以作为解决多重上下文虚拟推荐系统问题的目标函数。更进一步地，给定上下文属性C∈A^C，历史虚拟用户集U_c对应的偏好事件集定义为：

进一步假设Ω_C上的随机事件相互独立，那么它们的联合概率Pr(Ω_C)的数学表达式(3)为：

进一步假设不同上下文对应的偏好事件集上的随机事件相互独立，那么它们的联合概率Pr(Ω)为数学表达式(4)。

我们注意到，在偏好事件集Ω中，有些事件是真实发生的，即历史虚拟用户对历史虚拟物品的评分真实存在，这些事件构成的子集记作Ω^g，剩余的子集记作Ωⁱ，则Ω＝Ω^g∪Ωⁱ。显然，Ω^g上的随机偏好事件比Ωⁱ上更加可信，我们引入指数权重系数来区分它们，为数学表达式(5)。

Pr(Ω)＝Pr(Ω^g)^α×Pr(Ωⁱ)^β      (5)

其中，0＜β＜α＜1，且α+β＝1。数学表达式(5)就是我们解决多重上下文虚拟推荐系统问题的目标函数。

再者，将目标函数等价为具有计算可行性的最终训练目标函数，并根据概率梯度下降算法获取最终训练目标函数参数的概率梯度下降迭代公式。更进一步地，对于偏好事件集上的任一事件

结合表达式(1)所示的等价关系，定义其发生的概率，为数学表达式(6)。

其中，σ(x)为逻辑回归函数，即

它的作用是将任意实数转化为0和1之间的概率值。

为了最大限度保持历史虚拟物品的评分排序，我们对数学表达式(6)做进一步改进，为数学表达式(7)。

为了计算的可行性，将公式(5)等价为公式(8)，得到最终的训练目标函数，为数学表达式(8)。

其中

是模型的参数集；目标函数加上参数集的二范数作为正则项，目的是为了防止训练过程中产生过拟合现象。

我们采用概率梯度下降(Stochastic Gradient Descent)算法训练模型，计算目标函数对任一事件

参数的梯度，为数学表达式(9)。

其中，我们有

并且

以及

这里我们用I(x,y)表示指数函数，即当x·y≥0时，I(x,y)＝1；否则，I(x,y)＝-1。

在计算梯度之后，我们可以得到对任一参数θ∈Θ概率梯度下降迭代公式，为数学表达式(10)，其中μ为学习率。

最后根据目标函数(5)和概率梯度下降迭代公式(10)获取多重上下文虚拟推荐系统的最优参数集Θ^*，进而根据公式(2)得到实例化的评分函数。

应用本发明实施例网络欺诈交易检测方法，从问题转化的角度出发，将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题，为个体行为画像提供了全新的思路，降低了对欺诈交易检测难度，解决了在线交易领域，由于个体历史数据稀缺、标签分布不均衡以及数据属性异构等原因导致个体行为画像难度大，欺诈交易检测存在较大难度的问题。

实施例二

为解决现有技术中存在的上述技术问题，本发明实施例提供了一种网络欺诈交易检测装置。

图4示出了本发明实施例二网络欺诈交易检测装置结构示意图；参考图4所示，本发明实施例多重上下文推荐的欺诈交易检测装置包括属性划分模块、问题转化模块、评分计算模块和欺诈交易判定模块。

属性划分模块用于获取待检测交易的交易数据，对交易数据进行属性划分获取上下文属性集和行为属性集，将上下文属性集作为泛化个体，将行为属性集作为原型交易；

问题转化模块用于将泛化个体和原型交易分别映射为多重上下文虚拟推荐系统的虚拟用户和虚拟物品；

评分计算模块用于基于多重上下文虚拟推荐系统的最终评分函数计算虚拟物品的评分；

欺诈交易判定模块用于根据虚拟物品的评分判断待检测交易是否为欺诈交易。

应用本发明实施例网络欺诈交易检测装置，从问题转化的角度出发，将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题，为个体行为画像提供了全新的思路，降低了对欺诈交易检测难度，解决了在线交易领域，由于个体历史数据稀缺、标签分布不均衡以及数据属性异构等原因导致个体行为画像难度大，欺诈交易检测存在较大难度的问题。

实施例三

为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种存储介质，其存储有计算机程序，该计算机程序被处理器执行时可实现实施例一中网络欺诈交易检测方法中的所有步骤。

网络欺诈交易检测方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同，在此不在对其进行赘述。

需要说明的是：存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

实施例四

为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种终端。

图5示出了本发明实施例四终端结构示意图，参照图5，本实施例终端包括相互连接的处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使终端执行时可实现实施例一网络欺诈交易检测方法中的所有步骤。

网络欺诈交易检测方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同，在此不在对其进行赘述。

需要说明的是，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。同理处理器也可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (11)

1.一种网络欺诈交易检测方法，包括：

获取待检测交易的交易数据，对所述交易数据进行属性划分以获取上下文属性集和行为属性集，将所述上下文属性集作为泛化个体，将所述行为属性集作为原型交易；

将所述泛化个体映射为多重上下文虚拟推荐系统的虚拟用户，将所述原型交易映射为多重上下文虚拟推荐系统的虚拟物品；

基于多重上下文虚拟推荐系统的最终评分函数计算所述虚拟用户对虚拟物品的评分；

所述虚拟用户对虚拟物品的评分判断所述待检测交易是否为欺诈交易。

2.根据权利要求1所述的检测方法，其特征在于，所述多重上下文虚拟推荐系统的最终评分函数获取方式包括：

获取历史交易数据集，对所述历史交易数据集中每组历史交易数据分别进行属性划分，获取对应的历史上下文属性集和历史行为属性集，并确定每组历史交易数据的交易性质，将其作为对应的历史交易标签，同时将所述历史上下文属性集作为历史泛化个体，将所述历史行为属性集作为历史原型交易；

基于历史泛化个体概念、历史原型交易概念和历史交易标签概念将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题；

采用嵌入的方法对多重上下文虚拟推荐系统的评分函数进行建模，并基于所有组历史交易数据对应的所述历史上下文属性集、所述历史行为属性集和所述历史交易标签对模型进行训练和优化，获取多重上下文虚拟推荐系统的最终评分函数。

3.根据权利要求2所述的检测方法，其特征在于，基于历史泛化个体概念、历史原型交易概念和历史交易标签概念将欺诈交易检测问题转化为多重上下文虚拟推荐系统问题步骤包括：

将所述历史泛化个体映射为多重上下文虚拟推荐系统中的历史虚拟用户，将所述历史原型交易映射为多重上下文虚拟推荐系统中的历史虚拟物品，将所述历史交易标签映射集为多重上下文虚拟推荐系统中的历史虚拟评分。

4.根据权利要求2所述的检测方法，其特征在于，采用嵌入的方法对多重上下文虚拟推荐系统的评分函数进行建模，并基于所有对应的所述历史上下文属性集、所述历史行为属性集和所述历史交易标签对模型进行训练和优化，获取多重上下文虚拟推荐系统的最终评分函数步骤包括：

基于预设限定条件构建多重上下文虚拟推荐系统的初始评分函数；

基于所述初始评分函数构建多重上下文虚拟推荐系统中历史虚拟用户集对应的偏好事件集，并计算所述偏好事件集的联合概率，以作为解决多重上下文虚拟推荐系统问题的目标函数；

将所述目标函数等价为具有计算可行性的最终训练目标函数，并根据概率梯度下降算法获取所述最终训练目标函数参数的概率梯度下降迭代公式；

基于所述目标函数和所述概率梯度下降迭代公式获取多重上下文虚拟推荐系统的最终评分函数。

5.根据权利要求4所述的检测方法，其特征在于，基于预设限定条件构建多重上下文虚拟推荐系统的初始评分函数步骤包括：

基于预设限定条件定义多重上下文虚拟推荐系统的初始评分函数；

采用嵌入的方法分别将多重上下文虚拟推荐系统中的历史虚拟用户和历史虚拟物品映射为向量形式，并基于历史虚拟用户和历史虚拟物品映射的向量形式构建多重上下文虚拟推荐系统的初始评分函数。

6.根据权利要求5所述的检测方法，其特征在于，所述预设限定条件为：设定所述历史虚拟用户集U_C中的任一历史虚拟用户u_C∈U_C，所述历史虚拟物品集中的任意两个不同历史虚拟物品e_p和历史虚拟物品e_q，定义偏序e_p>_uC e_q，以使得历史虚拟用户u_C对历史虚拟物品e_p的评分高于对历史虚拟物品e_q的评分。

7.根据权利要求6所述的检测方法，其特征在于，所述初始评分函数为：

其中，向量

对应于第j个上下文属性，J表示行为属性个数，A_e,j(j＝1,2,…,J)对应于第j个行为属性，函数g(x,y)表示向量的內积，且g(x,y)＝x·y。

8.根据权利要求1所述的检测方法，其特征在于，根据所述虚拟用户对虚拟物品的评分判断所述待检测交易是否为欺诈交易步骤包括：

判断所述虚拟用户对虚拟物品评分是否大于等于预设阈值，若是则判断所述待检测交易为合法交易，否则判断所述待检测交易为欺诈交易。

9.一种网络欺诈交易检测装置，其特征在于，包括属性划分模块、问题转化模块、评分计算模块和欺诈交易判定模块；

所述属性划分模块，用于获取待检测交易的交易数据，对所述交易数据进行属性划分获取上下文属性集和行为属性集，将所述上下文属性集作为泛化个体，将所述行为属性集作为原型交易；

所述问题转化模块，用于将所述泛化个体映射为多重上下文虚拟推荐系统的虚拟用户，将所述原型交易映射为多重上下文虚拟推荐系统的虚拟物品；

所述评分计算模块，用于基于多重上下文虚拟推荐系统的最终评分函数计算所述虚拟用户对虚拟物品的评分；

所述欺诈交易判定模块，用于根据所述虚拟用户对虚拟物品的评分判断所述待检测交易是否为欺诈交易。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至8中任一项所述网络欺诈交易检测。

11.一种终端，其特征在于，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；

所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至8中任一项网络欺诈交易检测方法。

Images