CN111798244B - 交易欺诈行为监测方法及装置 - Google Patents
交易欺诈行为监测方法及装置 Download PDFInfo
- Publication number
- CN111798244B CN111798244B CN202010613385.4A CN202010613385A CN111798244B CN 111798244 B CN111798244 B CN 111798244B CN 202010613385 A CN202010613385 A CN 202010613385A CN 111798244 B CN111798244 B CN 111798244B
- Authority
- CN
- China
- Prior art keywords
- transaction
- model
- fraud
- historical
- transaction information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000013507 mapping Methods 0.000 claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims description 46
- 238000001914 filtration Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010187 selection method Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种交易欺诈行为监测方法及装置,其中,该方法包括:获取目标用户的目标交易信息组;应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组;将所述交易特征向量组输入当前的交易反欺诈模型,并将所述当前的交易反欺诈模型的输出作为所述目标用户的欺诈行为监测结果,其中,所述当前的交易反欺诈模型为应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新后得到的,且该前一交易反欺诈模型为预先训练得到的无监督学习模型。本申请能够在提高交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种交易欺诈行为监测方法及装置。
背景技术
随着金融业的快速发展,针对交易过程的欺诈行为也与之俱来,导致犯罪事件日趋严重,影响银行等金融部门的安全和利益,因此,监测交易欺诈行为是银行等金融部门所面临的长期而艰巨的任务。
目前的交易欺诈行为监测方法主要是应用传统的反欺诈模型进行监测,该反欺诈模型是基于的分类算法的机器学习模型,分类算法可以是逻辑回归和随机森林算法等,并且需要人工周期性地对大量账户进行反欺诈模型训练。
应用分类算法需要对样本进行提前标注,因此反欺诈模型的训练过程为离线训练过程,随着欺诈手段不断更新,离线训练的反欺诈模型很有可能无法及时地获取到最新的信息,无法适应实时的交易场景,进而导致交易欺诈行为监测的实时性较低;除此之外,随着在线支付变得越来越频繁,单账户的交易行为也有可能随着时间的变化而不断变化,现有技术中人工周期性地对大量账户的进行反欺诈模型训练,忽略了单账户的交易行为随时间变化的情况并且耗时耗力效率低,进而导致交易欺诈行为监测的准确性较低。
发明内容
针对现有技术中的问题,本申请提出了一种交易欺诈行为监测方法及装置,能够在提高交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性。
为了解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种交易欺诈行为监测方法,包括:
获取目标用户的目标交易信息组;
应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组;
将所述交易特征向量组输入当前的交易反欺诈模型,并将所述当前的交易反欺诈模型的输出作为所述目标用户的欺诈行为监测结果,其中,所述当前的交易反欺诈模型为应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新后得到的,且该前一交易反欺诈模型为预先训练得到的无监督学习模型。
进一步地,所述获取目标用户的目标交易信息组包括:
获取目标用户的初始交易信息组并应用预设的过滤模型得到所述初始交易信息组对应的目标交易特征变量组,该过滤模型为预先训练得到的基于过滤式选择方法的有监督学习模型;根据所述目标交易特征变量组和初始交易信息组,获得所述目标用户对应的目标交易信息组
进一步地,在所述应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组之前,还包括:
获取多个历史用户各自对应的历史交易信息组;
应用各组所述历史交易信息组对所述特征映射模型进行训练,该特征映射模型为基于自组织特征映射神经网络的无监督学习模型。
进一步地,在所述将所述交易特征向量组输入当前的交易反欺诈模型之前,还包括:
获取多个历史用户各自对应的历史交易信息组并应用所述预设的特征映射模型得到各组所述历史交易信息组分别对应的历史交易特征向量组;
应用各个所述历史交易特征向量组对所述交易反欺诈模型进行训练,该交易反欺诈模型为基于最大期望算法的隐马尔科夫模型。
第二方面,本申请提供一种交易欺诈行为监测装置,包括:
第一获取模块,用于获取目标用户的目标交易信息组;
特征映射模块,用于应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组;
监测模块,用于将所述交易特征向量组输入当前的交易反欺诈模型,并将所述当前的交易反欺诈模型的输出作为所述目标用户的欺诈行为监测结果,其中,所述当前的交易反欺诈模型为应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新后得到的,且该前一交易反欺诈模型为预先训练得到的无监督学习模型。
进一步地,所述第一获取模块,包括:过滤单元,用于获取目标用户的初始交易信息组并应用预设的过滤模型得到所述初始交易信息组对应的目标交易特征变量组,该过滤模型为预先训练得到的基于过滤式选择方法的有监督学习模型;获取单元,用于根据所述目标交易特征变量组和初始交易信息组,获得所述目标用户对应的目标交易信息组。
进一步地,所述的交易欺诈行为监测装置还包括:第二获取模块,用于获取多个历史用户各自对应的历史交易信息组;第一训练模块,用于应用各组所述历史交易信息组对所述特征映射模型进行训练,该特征映射模型为基于自组织特征映射神经网络的无监督学习模型。
进一步地,所述的交易欺诈行为监测装置还包括:第三获取模块,用于获取多个历史用户各自对应的历史交易信息组并应用所述预设的特征映射模型得到各组所述历史交易信息组分别对应的历史交易特征向量组;第二训练模块,用于应用各个所述历史交易特征向量组对所述交易反欺诈模型进行训练,该交易反欺诈模型为基于最大期望算法的隐马尔科夫模型。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的交易欺诈行为监测方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现任一项所述的交易欺诈行为监测方法。
由上述技术方案可知,本申请提供一种交易欺诈行为监测方法及装置。其中,该方法包括:获取目标用户的目标交易信息组;应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组;将所述交易特征向量组输入当前的交易反欺诈模型,并将所述当前的交易反欺诈模型的输出作为所述目标用户的欺诈行为监测结果,其中,所述当前的交易反欺诈模型为应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新后得到的,且该前一交易反欺诈模型为预先训练得到的无监督学习模型;能够实现交易反欺诈模型的在线实时优化,优化过程准确且高效,进而能够在提高交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性;具体地,在特征选择过程中采用与后续学习器无关的过滤式特征选择方法,适合无监督的场景;在特征映射过程中选择的是自组织特征映射神经网络,更适合大维度数据集;在隐马尔科夫模型的参数计算中采用非监督的EM算法,更加适合实时交易场景;能够提高交易欺诈行为监测方法应用场景的广泛性,提高交易欺诈行为监测的实时性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例中交易欺诈行为监测方法的流程示意图;
图2是本申请另一实施例中交易欺诈行为监测方法的流程示意图;
图3是本申请实施例中交易欺诈行为监测方法步骤301和步骤302的流程示意图;
图4是本申请实施例中交易欺诈行为监测方法步骤401和步骤402的流程示意图;
图5是本申请实施例中交易欺诈行为监测装置的结构示意图;
图6是本申请实施例中第一获取模块的结构示意图;
图7是本申请具体应用实例中在线实时欺诈行为识别装置的结构示意图;
图8是本申请具体应用实例中应用特征提取单元的流程示意图;
图9是本申请具体应用实例中应用模型预训练单元的流程示意图;
图10是本申请具体应用实例中应用模型的在线自更新单元的流程示意图;
图11为本申请实施例的电子设备9600的系统构成示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了在提高交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性,本申请提供一种交易欺诈行为监测方法及装置,能够基于自组织特征映射神经网络和隐马尔科夫模型实现账户级的在线实时反欺诈过程;首先利用过滤式选择方法对特征进行筛选,然后利用自组织特征映射方法对账户交易特征进行映射,将每一笔交易的特征映射结果作为隐马尔科夫模型的变量对账户的交易行为进行建模,还可以实现模型的在线自更新。
为了在提高交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性,本申请实施例提供一种交易欺诈行为监测装置,该装置可以是一服务器或客户端设备,所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备和智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表和智能手环等。
在实际应用中,进行交易反欺诈的部分可以在如上述内容所述的服务器侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
具体通过下述各个实施例进行说明。
为了在提高交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性,本实施例提供一种执行主体是交易欺诈行为监测装置的交易欺诈行为监测方法,如图1所示,该方法具体包含有如下内容:
步骤101:获取目标用户的目标交易信息组。
具体地,所述目标交易信息可以包含有:交易金额、交易时间、交易地点和操作习惯等信息,目标交易信息组可以存储在本地数据库中或数据库服务器中;能够实现对目标用户的单次交易过程进行欺诈行为监测,该单次交易过程可以是目标用户的当前交易过程。
步骤102:应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组。
具体地,将所述目标交易信息输入所述预设的特征映射模型,并将该特征映射模型的输出结果作为所述目标交易信息组对应的交易特征向量组。
步骤103:将所述交易特征向量组输入当前的交易反欺诈模型,并将所述当前的交易反欺诈模型的输出作为所述目标用户的欺诈行为监测结果,其中,所述当前的交易反欺诈模型为应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新后得到的,且该前一交易反欺诈模型为预先训练得到的无监督学习模型。
可以理解的是,在步骤103之后还包含有:应用当前的交易特征向量组对当前的交易反欺诈模型进行在线更新。具体地,所述欺诈行为监测结果包含有:正常交易监测结果和欺诈交易监测结果。在步骤103之后可以包含有:若所述欺诈行为监测结果为欺诈交易判定结果,则将该欺诈行为监测结果输出并中止当前交易过程。所述前一历史交易特征向量组为将前一次交易欺诈行为监测过程中的交易信息输入所述预设的特征映射模型后,该预设的特征映射模型的输出。
由上述描述可知,本实施例提供的交易欺诈行为监测方法,通过应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新,能够减少反欺诈模型更新过程中的数据量并且能够保证数据的实时性,进而能够提高交易反欺诈模型更新的实时性和效率。
为了进一步获取目标交易信息组的准确性,进而提高交易欺诈行为监测的效率和准确性,在本申请一个实施例中,参见图2,步骤100包含有:
步骤201:获取目标用户的初始交易信息组并应用预设的过滤模型得到所述初始交易信息组对应的目标交易特征变量组,该过滤模型为预先训练得到的基于过滤式选择方法的有监督学习模型。
步骤202:根据所述目标交易特征变量组和初始交易信息组,获得所述目标用户对应的目标交易信息组。
具体地,可以依次判断所述初始交易信息组中是否存在与所述目标交易特征变量组匹配的交易信息,若是,则将该对应的交易信息组成所述目标交易信息组;若多个初始交易信息组均存在与所述目标交易特征变量组匹配的交易信息,则可以组成多个目标交易信息组;过滤式选择Relief方法是一种有监督的特征抽取方法。在步骤201之前还可以包含有:特征变量的初步选择与数据清洗;根据业务经验挑选初始交易信息。初始交易信息可以作为风险监控的变量。将提取后的变量横向拼接成一个大宽表,并对缺失值进行处理。对于连续性变量,用最小值-1进行填充,对于类别型变量,用众数进行填充。
为了进一步提高过滤模型的可靠性,在一个具体应用实例中,在步骤201之前还包含有:获取多组初始历史交易信息组和各组历史信息组各自对应的交易标签,该交易标签包括:欺诈交易标签和正常交易标签,应用各组所述初始历史交易信息组和各组历史信息组各自对应的交易标签对所述过滤模型进行训练。
为了进一步提高特征映射模型的可靠性,进而提高交易欺诈行为监测的实时性和准确性,在本申请一个实施例中,参见图3,在步骤102之前,还包含有:
步骤301:获取多个历史用户各自对应的历史交易信息组。
步骤302:应用各组所述历史交易信息组对所述特征映射模型进行训练,该特征映射模型为基于自组织特征映射神经网络的无监督学习模型。
其中,可以将多个历史用户各自对应的历史初始交易信息组输入所述过滤模型,将该过滤模型的输出作为各个历史初始交易信息组各自对应的历史交易信息组;应用所述过滤模型输出的各个历史交易信息组对所述特征映射模型进行训练,能够进一步提高特征映射模型训练的效率和准确性。
可以理解的是,由于隐马尔科夫模型只能处理一维数据,通过应用所述特征映射模型获得交易信息组对应的交易特征向量组,能够实现交易反欺诈模型的应用。可以应用上一步处理过的大量历史数据进行自组织特征映射网络的训练,自组织映射是一种无监督学习的神经网络。
为了进一步提高交易反欺诈模型的可靠性,进而有效提高应用交易反欺诈模型交易欺诈行为监测的准确性和实时性,在本申请一个实施例中,参见图4,在步骤103之前,还包括:
步骤401:获取多个历史用户各自对应的历史交易信息组并应用所述预设的特征映射模型得到各组所述历史交易信息组分别对应的历史交易特征向量组。
步骤402:应用各个所述历史交易特征向量组对所述交易反欺诈模型进行训练,该交易反欺诈模型为基于最大期望算法的隐马尔科夫模型。
其中,隐马尔科夫模型可以由一个五元组来描述,即(Q,O,A,B,π)。在交易反欺诈模型中,设Q={0,1}为隐藏状态集合,0代表该交易的隐藏状态为正常交易,1代表该交易的隐藏状态为欺诈交易;O={01,02,…,0k}为给定账户的随时间排列的观察状态集合,代表给定账户各项交易的特征类别;aij=P(Qt+1=qj|Qt=qi)为给定账户隐藏状态下的转移概率矩阵;B={bik},bik=P(Qt+t=vk|Qt=qi)为给定账户隐藏状态到输出状态的概率矩阵;π={πi},πi=P(Q1=qi)为隐藏状态的初始概率,令λ={A,B,π}为隐马尔科夫模型的参数,根据给定账户的历史交易特征(观察状态集合)来学习模型参数。
在本申请一个具体应用实例中,在步骤102之前还包含有:获取前一交易欺诈行为监测过程的前一交易信息组;应用所述前一交易信息组对预设的欺诈行为监测模型进行训练,该欺诈行为监测模型包括:所述预设的特征映射模型和当前的交易反欺诈模型。通过将所述预设的特征映射模型和当前的交易反欺诈模型作为一个整体进行模型训练,能够进一步提高模型训练的实时性、效率和准确性,进而能够提高交易欺诈行为监测的实时性和准确性。
从软件层面来说,为了在提高交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性,本申请提供一种用于实现所述交易欺诈行为监测方法中全部或部分内容的交易欺诈行为监测装置的实施例,参见图5,所述交易欺诈行为监测装置具体包含有如下内容:
第一获取模块51,用于获取目标用户的目标交易信息组;
特征映射模块52,用于应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组;
监测模块53,用于将所述交易特征向量组输入当前的交易反欺诈模型,并将所述当前的交易反欺诈模型的输出作为所述目标用户的欺诈行为监测结果,其中,所述当前的交易反欺诈模型为应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新后得到的,且该前一交易反欺诈模型为预先训练得到的无监督学习模型。
参见图6,在本申请一个实施例中,所述第一获取模块包含有:
过滤单元61,用于获取目标用户的初始交易信息组并应用预设的过滤模型得到所述初始交易信息组对应的目标交易特征变量组,该过滤模型为预先训练得到的基于过滤式选择方法的有监督学习模型。
获取单元62,用于根据所述目标交易特征变量组和初始交易信息组,获得所述目标用户对应的目标交易信息组。
在本申请一个实施例中,所述的交易欺诈行为监测装置,还包括:
第二获取模块,用于获取多个历史用户各自对应的历史交易信息组;
第一训练模块,用于应用各组所述历史交易信息组对所述特征映射模型进行训练,该特征映射模型为基于自组织特征映射神经网络的无监督学习模型。
在本申请一个实施例中,所述的交易欺诈行为监测装置,还包括:
第三获取模块,用于获取多个历史用户各自对应的历史交易信息组并应用所述预设的特征映射模型得到各组所述历史交易信息组分别对应的历史交易特征向量组;
第二训练模块,用于应用各个所述历史交易特征向量组对所述交易反欺诈模型进行训练,该交易反欺诈模型为基于最大期望算法的隐马尔科夫模型。
本说明书提供的交易欺诈行为监测装置的实施例具体可以用于执行上述交易欺诈行为监测方法的实施例的处理流程,其功能在此不再赘述,可以参照上述交易欺诈行为监测方法实施例的详细描述。
为了进一步说明本方案,本申请还提供一种在线实时欺诈行为识别装置,如图7所示,该装置包含有:特征提取单元1、模型预训练单元2和模型在线自更新单元3;具体描述如下:
特征提取单元1,用于根据业务经验挑选原始变量。在原始的交易信息中,像交易金额、交易时间、交易地点、操作习惯等都可以作为风险监控的变量。由于利用业务经验进行特征选择主观性较强,因此采用过滤式方法进行特征选择。在特征选择之后,采用自组织特征映射网络对交易记录进行映射,处理完毕后,每条交易记录就对应一个交易特征向量。
模型预训练单元2,用于根据大量的历史观察交易进行批量的模型预训练,预训练模型是后续进行在线实时更新的基础。
模型在线自更新单元3,用于基于预训练模型进行模型的在线实时自更新。模型的在线自更新单元包括对于新样本的隐藏状态的判别,即该交易是否为欺诈交易,以及对于隐马尔科夫模型参数的更新。
如图8所示,应用特征提取单元能够实现以下内容:
步骤S101:特征变量的初步选择与数据清洗。
根据业务经验挑选原始特征变量。在原始的交易信息中,如交易金额、交易时间、交易地点和操作习惯等都可以作为风险监控的特征变量。将提取后的特征变量横向拼接成一个大宽表,并对缺失值进行处理。对于连续性特征变量,用最小值-1进行填充;对于类别型特征变量,用众数进行填充。
步骤S102:采用Relief过滤式选择方法进行特征抽取。
Relief过滤式选择方法是一种有监督学习的特征抽取方法,需要选用有标签的历史数据进行特征选择。对于训练集{(x1,y1),(x2,y2),...,(xm,ym)},每个样本xi应用Relief方法先在xi的同类样本中寻找其最近邻xi,nh,再从xi的异类样本中寻找其最近邻xi,nm。j特征变量的相关统计量分量的计算公式为:
其中,表示样本xi在特征变量j上的取值,/>表示xi的同类样本中的最近邻xi,nh在特征变量j的取值,/>表示xi的异类样本中的最近邻xi,nm在特征变量j的取值;的值取决于特征变量j的类型,/>和/>已规范到[0,1]区间;/>的值取决于特征变量j的类型,/>和/>已规范到[0,1]区间。
指定阈值τ,选择比τ大的相关统计量分量所对应的特征变量。选出特征变量后,对大量历史数据,不需要标签进行特征抽取,特征抽取得到的历史数据可以用于步骤S103进行自组织特征映射网络的训练。
步骤S103:采用自组织特征映射网络进行特征映射,生成观察序列。
由于隐马尔科夫模型的观察值只能处理一维数据,因此应用步骤S102特征抽取得到的历史数据进行自组织特征映射网络的训练。自组织特征映射网络是一种无监督学习的神经网络,它的算法迭代过程如下:
1)初始化:权值向量使用较小的随机值进行初始化,并对输入的交易记录和权值向量做归一化处理:
X'=X/||X||
ω'i=ωi/||ωi||,1<=i<=m
其中,X'表示输入的交易记录归一化处理后的结果,ω'i表示权值向量归一化处理后的结果,X表示输入的交易记录,ωi表示权值向量,||X||和||ωi||分别为输入的样本向量和权值向量的欧几里得范数,m表示样本个数。
2)将样本向量输入网络:样本向量与权值向量做点积运算,点积值最大的输出神经元赢得竞争,记为获胜神经元。
3)更新权值向量:对获胜的神经元拓扑邻域内的神经元进行更新,并对学习后的权值向量重新归一化。
ω(t+1)=ω(t)+η(t,n)*(x-ω(t))
η(t,n)=η(t)e(-n)
其中,η(t)代表t时刻的学习速率,w(t)代表t时刻的权值向量,η(t)和w(t)随着模型的不断迭代而进行调整,在t时刻,这两个都是具体的数值,η(t,n)是关于训练时间t和与获胜神经元的拓扑距离n的函数。
4)更新学习速率η及拓扑邻域N,N会随时间增大距离变小。
5)判断是否收敛:如果学习速率η<=ηmin或者达到预设的迭代次数,结束算法。
算法收敛后,保存训练好的神经网络,后续的数据进入时将会首先利用训练好的映射网络进行特征映射。
如图9所示,应用模型预训练单元能够实现以下内容:
步骤S201:通过步骤S103训练好的映射网络得到大量历史数据的特征映射结果。
步骤S202:根据大量的历史观察交易信息进行批量的隐马尔科夫模型预训练。
其中,隐马尔科夫模型由初始概率分布、状态转移概率分布以及观测概率分布确定。
1)参数初始化
假设每个账户的隐藏状态有两个,每个隐藏状态的初始概率都为1/2,从一个隐藏状态跳到另一个隐藏状态的概率也为1/2(包括隐藏状态转移到本身的情况)。隐藏状态到输出状态的概率矩阵B,可以根据交易特征聚类类别的分布情况进行初始化赋值。
2)EM估计
给定观察序列O=o1,o2,...ok,调节模型参数λ,使得期望最大。
E步骤:
首先根据当前的参数λ计算向前变量αt(i)和向后变量βt+1(i):
αt(i)=P(o1,o2,...ok,qt=i|λ)
βt+1(i)=P(ot+1,ot+2,...ot+k|qt=i,λ)
其次计算账户在时间t+1位于状态qj的概率ξt(i,j):
然后计算账户在时间t位于状态qi的概率γt(i):
M步骤:
重新估计初始状态(t=1时刻隐藏状态qi的概率):
重新估计转移概率矩阵
重新估计输出概率矩阵,为账户从状态qj发出观测状态oκ的期望Q:
如果Ot≠oκ,则δ(Ot,oκ)=0;否则δ(Ot,oκ)=1。
3)根据当前的参数重复2)的步骤,不断迭代直至收敛。
如图10所示,应用模型的在线自更新单元能够实现以下内容:
步骤S301:对于新的交易样本,根据步骤S103训练出的特征映射网络对特征进行映射。
步骤S302:将新的交易样本特征加入到观察序列中。
步骤S303:根据给定账户的隐马尔科夫模型,判别该交易是否为欺诈交易。
具体地,采用维特比算法来推测最优的状态序列,最优状态序列的最后一个结点即为最新的交易状态,该最新的交易状态可以是正常交易状态或欺诈交易状态。从时刻t1开始,递推地计算在时刻t状态为i的各条部分路径的最大概率,直至得到时刻t=T状态为i的各条路径的最大概率。时刻t=T的最大概率即为最优路径的概率P*,最优路径的终结点也同时得到。之后,为了找出最优路径的各个结点,从终结点/>开始,由后向前逐步求得结点/>得到最优路径(即最优状态序列):/>
步骤S304:上报;对状态判别为欺诈交易的进行上报。
步骤S305:将当前交易加入到历史序列中;对于新的交易数据,不论模型判别为正常交易还是欺诈交易,都将该数据加入到对应的观察序列对模型进行更新。
步骤S306:隐马尔科夫模型更新。
1)参数初始化
取上一轮计算好的隐马尔科夫模型参数作为参数的初始值。
2)EM估计
仍然需要根据当前的参数λ计算向前变量αt(i),方法不变。但是由于实时情况下不能观测到后面的时间状态,因此向后变量βt+1(i)不能进行流式计算,这里设βt(i)=βt+1(i)=…=βT(i)=1。
E步骤:
期望的增量修正公式如下:
M步骤:
最大化计算的增量修正如下:
估计初始状态方法不变:
重新估计转移概率矩阵的流式修正公式:
重新估计输出概率矩阵的流式修正公式:
如果Ot≠oκ,则ψ(T,j,k)=0;否则ψ(T,j,k)=γt(j)。
3)循环计算直至收敛。
每进来一个新交易,就进行2)的步骤直至收敛得到一个新模型。
由上述描述可知,本申请提供的交易欺诈行为监测方法及装置,能够实现交易反欺诈模型的在线实时优化,优化过程准确且高效,进而能够在提高交交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性;具体地,在特征选择过程中采用与后续学习器无关的过滤式特征选择方法,适合非监督的场景;在特征映射过程中选择的是自组织特征映射神经网络,更适合大维度数据集;在隐马尔科夫模型的参数计算中采用非监督的EM算法,更加适合实时交易场景;能够提高交易欺诈行为监测方法应用场景的广泛性,提高交易欺诈行为监测方法的实时性。
从硬件层面来说,为了在提高交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性,本申请提供一种用于实现所述交易欺诈行为监测方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现所述交易欺诈行为监测装置以及用户终端等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例用于实现所述交易欺诈行为监测方法的实施例及用于实现所述交易欺诈行为监测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图11为本申请实施例的电子设备9600的系统构成的示意框图。如图11所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图11是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
在本申请一个或多个实施例中,交易反欺诈功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤101:获取目标用户的目标交易信息组。
步骤102:应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组。
步骤103:将所述交易特征向量组输入当前的交易反欺诈模型,并将所述当前的交易反欺诈模型的输出作为所述目标用户的欺诈行为监测结果,其中,所述当前的交易反欺诈模型为应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新后得到的,且该前一交易反欺诈模型为预先训练得到的无监督学习模型。
从上述描述可知,本申请的实施例提供的电子设备,能够在提高交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性。
在另一个实施方式中,交易欺诈行为监测装置可以与中央处理器9100分开配置,例如可以将交易欺诈行为监测装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现交易反欺诈功能。
如图11所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图11中所示的所有部件;此外,电子设备9600还可以包括图11中没有示出的部件,可以参考现有技术。
如图11所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
上述描述可知,本申请的实施例提供的电子设备,能够提高交易欺诈行为监测过程的实时性、准确性和效率,进而提高交易欺诈行为监测结果的准确性。
本申请的实施例还提供能够实现上述实施例中的交易欺诈行为监测方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的交易欺诈行为监测方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤101:获取目标用户的目标交易信息组。
步骤102:应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组。
步骤103:将所述交易特征向量组输入当前的交易反欺诈模型,并将所述当前的交易反欺诈模型的输出作为所述目标用户的欺诈行为监测结果,其中,所述当前的交易反欺诈模型为应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新后得到的,且该前一交易反欺诈模型为预先训练得到的无监督学习模型。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够在提高交易反欺诈模型的应用准确性的基础上,有效提高交易反欺诈模型的应用实时性,进而能够有效提高交易欺诈行为监测的实时性和准确性。
本申请中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请中应用了具体实施例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (4)
1.一种交易欺诈行为监测方法,其特征在于,包括:
获取目标用户的目标交易信息组;
应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组;
将所述交易特征向量组输入当前的交易反欺诈模型,并将所述当前的交易反欺诈模型的输出作为所述目标用户的欺诈行为监测结果,其中,所述当前的交易反欺诈模型为应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新后得到的,且该前一交易反欺诈模型为预先训练得到的无监督学习模型;
所述获取目标用户的目标交易信息组,包括:
获取目标用户的初始交易信息组并应用预设的过滤模型得到所述初始交易信息组对应的目标交易特征变量组,该过滤模型为预先训练得到的基于过滤式选择方法的有监督学习模型;
根据所述目标交易特征变量组和初始交易信息组,获得所述目标用户对应的目标交易信息组;
在所述应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组之前,还包括:
获取多个历史用户各自对应的历史交易信息组;
应用各组所述历史交易信息组对所述特征映射模型进行训练,该特征映射模型为基于自组织特征映射神经网络的无监督学习模型;
在所述将所述交易特征向量组输入当前的交易反欺诈模型之前,还包括:
获取多个历史用户各自对应的历史交易信息组并应用所述预设的特征映射模型得到各组所述历史交易信息组分别对应的历史交易特征向量组;
应用各个所述历史交易特征向量组对所述交易反欺诈模型进行训练,该交易反欺诈模型为基于最大期望算法的隐马尔科夫模型。
2.一种交易欺诈行为监测装置,其特征在于,包括:
第一获取模块,用于获取目标用户的目标交易信息组;
特征映射模块,用于应用预设的特征映射模型得到所述目标交易信息组对应的交易特征向量组;
监测模块,用于将所述交易特征向量组输入当前的交易反欺诈模型,并将所述当前的交易反欺诈模型的输出作为所述目标用户的欺诈行为监测结果,其中,所述当前的交易反欺诈模型为应用前一历史交易特征向量组对前一交易反欺诈模型进行在线更新后得到的,且该前一交易反欺诈模型为预先训练得到的无监督学习模型;
所述第一获取模块,包括:
过滤单元,用于获取目标用户的初始交易信息组并应用预设的过滤模型得到所述初始交易信息组对应的目标交易特征变量组,该过滤模型为预先训练得到的基于过滤式选择方法的有监督学习模型;
获取单元,用于根据所述目标交易特征变量组和初始交易信息组,获得所述目标用户对应的目标交易信息组;
所述的交易欺诈行为监测装置还包括:
第二获取模块,用于获取多个历史用户各自对应的历史交易信息组;
第一训练模块,用于应用各组所述历史交易信息组对所述特征映射模型进行训练,该特征映射模型为基于自组织特征映射神经网络的无监督学习模型;
所述的交易欺诈行为监测装置还包括:
第三获取模块,用于获取多个历史用户各自对应的历史交易信息组并应用所述预设的特征映射模型得到各组所述历史交易信息组分别对应的历史交易特征向量组;
第二训练模块,用于应用各个所述历史交易特征向量组对所述交易反欺诈模型进行训练,该交易反欺诈模型为基于最大期望算法的隐马尔科夫模型。
3.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1所述的交易欺诈行为监测方法。
4.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被执行时实现权利要求1所述的交易欺诈行为监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010613385.4A CN111798244B (zh) | 2020-06-30 | 2020-06-30 | 交易欺诈行为监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010613385.4A CN111798244B (zh) | 2020-06-30 | 2020-06-30 | 交易欺诈行为监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798244A CN111798244A (zh) | 2020-10-20 |
CN111798244B true CN111798244B (zh) | 2023-08-25 |
Family
ID=72809909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010613385.4A Active CN111798244B (zh) | 2020-06-30 | 2020-06-30 | 交易欺诈行为监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798244B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348321A (zh) * | 2020-10-21 | 2021-02-09 | 上海淇玥信息技术有限公司 | 风险用户的识别方法、装置及电子设备 |
CN112862009A (zh) * | 2021-03-29 | 2021-05-28 | 中信银行股份有限公司 | 一种基于流式计算的实时反欺诈数据处理方法及系统 |
CN113744054A (zh) * | 2021-09-02 | 2021-12-03 | 上海浦东发展银行股份有限公司 | 一种反欺诈方法、装置和设备 |
CN115409510B (zh) * | 2022-09-23 | 2023-05-30 | 杭州奇妙冒险网络科技有限公司 | 一种在线交易安全系统及方法 |
CN116579774B (zh) * | 2023-07-14 | 2024-01-12 | 深圳明辉智能技术有限公司 | 基于交叉加密的支付平台系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717638A (zh) * | 2018-05-18 | 2018-10-30 | 深圳壹账通智能科技有限公司 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
CN108960304A (zh) * | 2018-06-20 | 2018-12-07 | 东华大学 | 一种网络交易欺诈行为的深度学习检测方法 |
CN109493065A (zh) * | 2017-10-23 | 2019-03-19 | 中国银联股份有限公司 | 一种基于行为增量更新的欺诈交易检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253728A1 (en) * | 2017-03-02 | 2018-09-06 | International Business Machines Corporation | Optimizing fraud analytics selection |
-
2020
- 2020-06-30 CN CN202010613385.4A patent/CN111798244B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493065A (zh) * | 2017-10-23 | 2019-03-19 | 中国银联股份有限公司 | 一种基于行为增量更新的欺诈交易检测方法 |
CN108717638A (zh) * | 2018-05-18 | 2018-10-30 | 深圳壹账通智能科技有限公司 | 欺诈交易判断方法、装置、计算机设备和存储介质 |
CN108960304A (zh) * | 2018-06-20 | 2018-12-07 | 东华大学 | 一种网络交易欺诈行为的深度学习检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111798244A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111798244B (zh) | 交易欺诈行为监测方法及装置 | |
CN111861569B (zh) | 产品信息推荐方法及装置 | |
CN112231584B (zh) | 基于小样本迁移学习的数据推送方法、装置及计算机设备 | |
CN108564376A (zh) | 风险控制方法、装置、服务器及可读存储介质 | |
CN110832533A (zh) | 用于生成用户偏好内容的对抗式方法和系统 | |
CN107071193A (zh) | 互动应答系统接入用户的方法和装置 | |
CN108108743A (zh) | 异常用户识别方法和用于识别异常用户的装置 | |
CN112232947B (zh) | 贷中风险预测方法及装置 | |
CN107995370A (zh) | 通话控制方法、装置及存储介质和移动终端 | |
CN113129028A (zh) | 一种基于时序神经网络模型的欺诈用户检测系统 | |
CN113362852A (zh) | 一种用户属性识别方法和装置 | |
CN112766825A (zh) | 企业金融服务风险预测方法及装置 | |
CN112579773A (zh) | 风险事件分级方法及装置 | |
CN112581226A (zh) | 产品推荐方法及系统 | |
CN116797346A (zh) | 基于联邦学习的金融欺诈行为检测方法及系统 | |
CN110969441A (zh) | 基于深度学习的反欺诈模型处理方法及装置 | |
CN112528164A (zh) | 一种用户协同过滤召回方法及装置 | |
CN114090401B (zh) | 处理用户行为序列的方法及装置 | |
CN115269997A (zh) | 一种金融产品推荐方法及装置 | |
CN111931852B (zh) | 目标物的定价方法及装置 | |
CN113011195A (zh) | 基于预训练语言模型的推荐系统效果增强方法及装置 | |
CN112734565A (zh) | 流动性覆盖率预测方法及装置 | |
CN107122464A (zh) | 一种辅助决策系统及方法 | |
CN116452322A (zh) | 信用卡推荐方法及装置 | |
CN115984853A (zh) | 文字识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |