CN112053219A - 一种基于ocsvm的消费金融欺诈行为检测方法 - Google Patents
一种基于ocsvm的消费金融欺诈行为检测方法 Download PDFInfo
- Publication number
- CN112053219A CN112053219A CN202010785587.7A CN202010785587A CN112053219A CN 112053219 A CN112053219 A CN 112053219A CN 202010785587 A CN202010785587 A CN 202010785587A CN 112053219 A CN112053219 A CN 112053219A
- Authority
- CN
- China
- Prior art keywords
- data
- ocsvm
- application
- fraud
- training
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 230000006399 behavior Effects 0.000 claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 42
- 238000012795 verification Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于OCSVM的消费金融欺诈行为检测方法,包括以下步骤;数据采集模块:在客户端申请页面嵌入SDK采集申请页面上所有的点击行为,然后通过界面配置的方式对关键行为进行定义,或通过部署在网络节点上的流量SDK采集设备样本数据,采集的数据包括:用户身份信息、工作家庭联系人信息填写及修改次数和时长、人脸识别及身份证上传次数和时长等操作埋点数据。有益效果:若待检测申请用户数据位于超球面外,则说明该数据是异常数据,被检测用户判定为疑似欺诈申请用户,由此达到线上申请用户行为的实时异常检测和欺诈识别,提高了欺诈申请的检测效率和准确率,克服了现有识别技术的缺陷,适合当前大数据风控的需求。
Description
技术领域
本发明涉及金融消费风控技术领域,具体来说,涉及一种基于OCSVM的消费金融欺诈行为检测方法。
背景技术
国家金融与发展实验室发布的《2019年中国消费金融发展报告》显示,目前我国消费金融获得率偏低,未来五年还有较大发展空间。根据商务部有关报告显示,2018年我国消费金融市场(不含房贷)规模8.45万亿元,市场渗透率22.36%,预计2020年市场规模将达到12万亿元,渗透率逐渐提高至25.05%。近年来消费金融市场呈现爆炸式的增长,百度、阿里、微博、小米和平安等巨头公司相继入局消费金融,随着政府加强对金融监控及助贷收紧,P2P、网贷等公司向消费金融业务靠拢。
在现有技术中,由于实际大部分的检测数据都具有较强的非线性特性,基于线性模型的PCA不能很好满足实际应用的要求,在基于非线性模型的异常检测算法中,比较常用的有ICA(independent component analysis,独立成分分析)和KNN(K-Nearest Neighbor,K最邻近法),但在当前大数据背景下,被检测数据呈现高维稀疏,且分布不平衡,不满足高斯分布,异常数据的数量远远低于正常数据数量,对于此类做不出有关分布特点假设的数据,在现有技术中异常检测效率比较低。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于OCSVM的消费金融欺诈行为检测方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于OCSVM的消费金融欺诈行为检测方法,包括以下步骤;
S1:数据采集模块:在客户端申请页面嵌入SDK采集页面上所有的点击行为,然后通过界面配置的方式对关键行为进行定义,或通过部署在网络节点上的流量SDK采集设备样本数据,采集的数据包括:用户身份信息、工作家庭联系人信息填写及修改次数和时长、人脸识别及身份证上传次数和时长、借款用途额度及分期期限的选择次数和时长、还款方式及绑卡次数和时长等其他申请操作行为埋点数据,将获取的客户申请操作原始数据按照申请时间进行排序构建样本数据集;
S2、数据预处理模块:主要包括数值化处理和数据归一化;
S3、样本集切分模块:正常申请的训练集、模型优化的验证集和待检测的测试集;
S4、OCSVM训练模块:将正常数据样本通过核函数将低维样本空间变换到高维特征空间,在特征空间中求解一个最优超平面实现目标数据与坐标原点的最大分离,训练只包含正常用户的历史行为数据的训练集作为OCSVM训练的输入样本,得到OCSVM分类器作为初步特征轮廓,采用LIBSVM训练OCSVM的步骤如下:
S5、OCSVM验证模块:训练集验证集构造的最优超平面得到将正常数据集包围起来建立了检测数据的分类面,分类面在验证集上进行交叉验证,通过网格化搜索法不断地改变核函数和惩罚参数继续调优;
S6、OCSVM检测模块:将训练验证后OCSVM模型部署在客户端申请平台,对实时申请的客户数据获取、数值化及归一化处理后输入训练好的OCSVM模型,通过LIBSVM的预测函数svmpredict来预测待检测用户是否存在欺诈风险。
优选的,步骤S2包括以下步骤;
S21、数值化处理:样本数据集含有的部分申请行为属性为非数值形式,如单位性质、借款用途、绑卡的开户行等,数据间具有不一致性,不能被模型直接识别,可通过独热编码(One-Hot编码)方法做数值化处理;
S22、数据标准化处理:通常采用离差(Min-Max)标准化法来对数值归一化处理,将所要处理的数据映射到[0,1]区间,可减少不同特征之间的相互影响及不一致性,Min-Max标准化的公式如下:
其中x'是归一化后的值,xmin是特征中的最小值,xmax是特征中的最大值,x为特征的初始值。
优选的,步骤S3样本集切分包括以下步骤;
S31、训练集:选取正常申请及还款状态的客户作为正常客户划分为训练集,用来训练模型;
S32、验证集:选取被审批系统欺诈规则命中及借款后逾期失联的客户作为欺诈用户,和正常申请用户按照随机比例作为多个交叉验证集,用于模型的选择优化;
S33、测试集:实时申请客户作为待检测的测试集,将优化后的模型部署至平台检测申请用户欺诈,并与欺诈规则及第三方多头借贷数据比较,验证模型的准确率及泛化能力。
优选的,步骤S4包括以下步骤;
S41、LIBSVM单分类设置:通过调整训练函数svmtrain的输入参数分类种类t=2实现核函数的调用及SVM单分类功能;
S42、非线性转换问题转换为线性问题:对于非线性分类问题,将原始空间样本通过径向基核函数映射到高维特征空间,可将非线性问题转换为线性问题,径向基核函数如下:K(u,v)=exp(-g*||u-v||2),其中,g为核参数,u和v是原始空间输入向量;
在训练中,利用网格搜索法与10折交叉验证实现核函数参数与OCSVM训练函数系数的选取及参数寻优得到训练模型,即正常申请用户的初步特征轮廓。
优选的,步骤S5包括以下步骤:
S51、将OCSVM训练模块学习的分类面作为标准,验证集作为输入,检测正常申请数据是否位于分类面内,疑似欺诈数据是否位于分类面外,并进行误判修正,对疑似异常欺诈进行判断,确定其是否为真实异常点;
S52、通过调整合适的核函数、核参数及控制变量,确保正常状态及欺诈样本识别准确率较高;
S53、训练学习验证之后得到OCSVM最优参数和分类器模型构成数据库用户行为模式库,用于检测实时申请用户是否具有欺诈行为。
优选的,步骤S5包括以下步骤:
S61、在LIBSVM工具包中,用于预测未知行为样本的函数为svmpredict,OCSVM分类器判别函数为:
其中,x_d为待检测样本;xi为支持向量;n为支持向量的数目;ai为拉格朗日乘子;K(xi,xd)表示核函数,ρ为超平面截距。
优选的,所述检测结果判别标准如svmpredict(x_d)所示:
若svmpredict(x_d)=1,则实时用户申请行为在分类面内,判别为正常用户申请行为;
若svmpredict(x_d)=-1,则实时用户申请行为在分类面外,判别为异常用户行为,即疑似欺诈申请;
利用训练验证得到的分类器对待检测的申请样本进行判别,实现用户实时申请行为的异常检测,并对OCSVM模型的检测性能进行评估。
本发明的有益效果为:从数据采集、数据预处理、样本集切分、OCSVM训练、验证优化到最终利用OCSVM模型测试检测,与现有技术的异常检测算法不同,通过构造一个最小超球面将正常申请数据集包围起来,将欺诈申请用户排除在该超球面外,若待检测申请用户数据位于超球面外,则说明该数据是异常数据,被检测用户疑似为欺诈申请用户,由此达到线上申请用户行为的实时异常检测和欺诈识别,提高了欺诈申请的检测效率和准确率,克服了现有识别技术的缺陷,适合当前大数据风控的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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是根据本发明实施例的一种基于OCSVM的消费金融欺诈行为检测方法的欺诈行为检测方法的技术流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于OCSVM的消费金融欺诈行为检测方法。
实施例一:
如图1所示,根据本发明实施例的基于OCSVM的消费金融欺诈行为检测方法,包括以下步骤:
S1:数据采集模块:在客户端申请页面嵌入SDK采集页面上所有的点击行为,然后通过界面配置的方式对关键行为进行定义,或通过部署在网络节点上的流量SDK采集设备样本数据,采集的数据包括:用户身份信息、工作家庭联系人信息填写及修改次数和时长、人脸识别及身份证上传次数和时长、借款用途额度及分期期限的选择次数和时长、还款方式及绑卡次数和时长等其他申请操作行为埋点数据,将获取的客户申请操作原始数据按照申请时间进行排序构建样本数据集;
S2、数据预处理模块:主要包括数值化处理和数据归一化;
S3、样本集切分模块:正常申请的训练集、模型优化的验证集和待检测的测试集;
S4、OCSVM训练模块:将正常数据样本通过核函数将低维样本空间变换到高维特征空间,在特征空间中求解一个最优超平面实现目标数据与坐标原点的最大分离,训练只包含正常用户的历史行为数据的训练集作为OCSVM训练的输入样本,得到OCSVM分类器作为初步特征轮廓,采用LIBSVM训练OCSVM的步骤如下:
S5、OCSVM验证模块:训练集验证集构造的最优超平面得到将正常数据集包围起来建立了检测数据的分类面,分类面在验证集上进行交叉验证,通过网格化搜索法不断地改变核函数和惩罚参数继续调优;
S6、OCSVM检测模块:将训练验证后OCSVM模型部署在客户端申请平台,对实时申请的客户数据获取、数值化及归一化处理后输入训练好的OCSVM模型,通过LIBSVM的预测函数svmpredict来预测待检测用户是否存在欺诈风险。
实施例二;
如图1所示,步骤S2包括以下步骤:
S21、数值化处理:样本数据集含有的部分申请行为属性为非数值形式,如单位性质、借款用途、绑卡的开户行等,数据间具有不一致性,不能被模型直接识别,可通过独热编码(One-Hot编码)方法做数值化处理;
S22、数据标准化处理:通常采用离差(Min-Max)标准化法来对数值归一化处理,将所要处理的数据映射到[0,1]区间,可减少不同特征之间的相互影响及不一致性,Min-Max标准化的公式如下:
其中x'是归一化后的值,xmin是特征中的最小值,xmax是特征中的最大值,x为特征的初始值。
优选的,步骤S3样本集切分包括以下步骤;
S31、训练集:选取正常申请及还款状态的客户作为正常客户划分为训练集,用来训练模型;
S32、验证集:选取被审批系统欺诈规则命中及借款后逾期失联的客户作为欺诈用户,和正常申请用户按照随机比例作为多个交叉验证集,用于模型的选择优化;
S33、测试集:实时申请客户作为待检测的测试集,将优化后的模型部署至平台检测申请用户欺诈,并与欺诈规则及第三方多头借贷数据比较,验证模型的准确率及泛化能力。
优选的,步骤S4包括以下步骤;
S41、LIBSVM单分类设置:通过调整训练函数svmtrain的输入参数分类种类t=2实现核函数的调用及SVM单分类功能;
S42、非线性转换问题转换为线性问题:对于非线性分类问题,将原始空间样本通过径向基核函数映射到高维特征空间,可将非线性问题转换为线性问题,径向基核函数如下:K(u,v)=exp(-g*||u-v||2),其中,g为核参数,u和v是原始空间输入向量;
在训练中,利用网格搜索法与10折交叉验证实现核函数参数与OCSVM训练函数系数的选取及参数寻优得到训练模型,即正常申请用户的初步特征轮廓。
优选的,步骤S5包括以下步骤:
S51、将OCSVM训练模块学习的分类面作为标准,验证集作为输入,检测正常申请数据是否位于分类面内,疑似欺诈数据是否位于分类面外,并进行误判修正,对疑似异常欺诈进行判断,确定其是否为真实异常点;
S52、通过调整合适的核函数、核参数及控制变量,确保正常状态及欺诈样本识别准确率较高;
S53、训练学习验证之后得到OCSVM最优参数和分类器模型构成数据库用户行为模式库,用于检测实时申请用户是否具有欺诈行为。
优选的,步骤S5包括以下步骤:
S61、在LIBSVM工具包中,用于预测未知行为样本的函数为svmpredict,OCSVM分类器判别函数为:
其中,x_d为待检测样本;xi为支持向量;n为支持向量的数目;ai为拉格朗日乘子;K(xi,xd)表示核函数,ρ为超平面截距。
实施例三;
如图1所示,所述检测结果判别标准如svmpredict(x_d)所示:
若svmpredict(x_d)=1,则实时用户申请行为在分类面内,判别为正常用户申请行为;
若svmpredict(x_d)=-1,则实时用户申请行为在分类面外,判别为异常用户行为,即疑似欺诈申请;
利用训练验证得到的分类器对待检测的申请样本进行判别,实现用户实时申请行为的异常检测,并对OCSVM模型的检测性能进行评估。
综上所述,借助于本发明的上述技术方案,从数据采集、数据预处理、样本集切分、OCSVM训练、验证优化到最终利用OCSVM模型测试检测,与现有技术的异常检测算法不同,基于OCSVM的消费金融欺诈行为检测方法的最大特点是通过构造一个最小超球面将正常申请数据集包围起来,将欺诈申请用户排除在该超球面外,若待检测申请用户数据位于超球面外,则说明该数据是异常数据,被检测用户疑似为欺诈申请用户,由此达到线上申请用户行为的实时异常检测和欺诈识别,提高了欺诈申请的检测效率和准确率,克服了现有识别技术的缺陷,适合当前大数据风控的需求。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于OCSVM的消费金融欺诈行为检测方法,其特征在于,包括以下步骤;
S1:数据采集模块:在客户端申请页面嵌入SDK采集页面上所有的点击行为,然后通过界面配置的方式对关键行为进行定义,或通过部署在网络节点上的流量SDK采集设备样本数据,采集的数据包括:用户身份信息、工作家庭联系人信息填写及修改次数和时长、人脸识别及身份证上传次数和时长、借款用途额度及分期期限的选择次数和时长、还款方式及绑卡次数和时长等申请操作行为埋点数据,将获取的客户申请操作原始数据按照申请时间进行排序构建样本数据集;
S2、数据预处理模块:主要包括数值化处理和数据归一化;
S3、样本集切分模块:正常申请的训练集、模型优化的验证集和待检测的测试集;
S4、OCSVM训练模块:将正常数据样本通过核函数将低维样本空间变换到高维特征空间,在特征空间中求解一个最优超平面实现目标数据与坐标原点的最大分离,训练只包含正常用户的历史行为数据的训练集作为OCSVM训练的输入样本,得到OCSVM分类器作为初步特征轮廓,采用LIBSVM训练OCSVM的步骤如下:
S5、OCSVM验证模块:训练集验证集构造的最优超平面得到将正常数据集包围起来建立了检测数据的分类面,分类面在验证集上进行交叉验证,通过网格化搜索法不断地改变核函数和惩罚参数继续调优;
S6、OCSVM检测模块:将训练验证后OCSVM模型部署在客户端申请平台,对实时申请的客户数据获取、数值化及归一化处理后输入训练好的OCSVM模型,通过LIBSVM的预测函数svmpredict来预测待检测用户是否存在欺诈风险。
3.根据权利要求2所述的一种基于OCSVM的消费金融欺诈行为检测方法,其特征在于,步骤S3样本集切分包括以下步骤;
S31、训练集:选取正常申请及还款状态的客户作为正常客户划分为训练集,用来训练模型;
S32、验证集:选取被审批系统欺诈规则命中及借款后逾期失联的客户作为欺诈用户,和正常申请用户按照随机比例作为多个交叉验证集,用于模型的选择优化;
S33、测试集:实时申请客户作为待检测的测试集,将优化后的模型部署至平台检测申请用户欺诈,并与欺诈规则及第三方多头借贷数据比较,验证模型的准确率及泛化能力。
4.根据权利要求3所述的一种基于OCSVM的消费金融欺诈行为检测方法,其特征在于,步骤S4包括以下步骤;
S41、LIBSVM单分类设置:通过调整训练函数svmtrain的输入参数分类种类t=2实现核函数的调用及SVM单分类功能;
S42、非线性转换问题转换为线性问题:对于非线性分类问题,将原始空间样本通过径向基核函数映射到高维特征空间,可将非线性问题转换为线性问题,径向基核函数如下:K(u,v)=exp(-g*||u-v||2),其中,g为核参数,u和v是原始空间输入向量;
在训练中,利用网格搜索法与10折交叉验证实现核函数参数与OCSVM训练函数系数的选取及参数寻优得到训练模型,即正常申请用户的初步特征轮廓。
5.根据权利要求4所述的一种基于OCSVM的消费金融欺诈行为检测方法,其特征在于,步骤S5包括以下步骤:
S51、将OCSVM训练模块学习的分类面作为标准,验证集作为输入,检测正常申请数据是否位于分类面内,疑似欺诈数据是否位于分类面外,并进行误判修正,对疑似异常欺诈进行判断,确定其是否为真实异常点;
S52、通过调整合适的核函数、核参数及控制变量,确保正常状态及欺诈样本识别准确率较高;
S53、训练学习验证之后得到OCSVM最优参数和分类器模型构成数据库用户行为模式库,用于检测实时申请用户是否具有欺诈行为。
7.根据权利要求6所述的一种基于OCSVM的消费金融欺诈行为检测方法,其特征在于,所述检测结果判别标准如svmpredict(x_d)所示:
若svmpredict(x_d)=1,则实时用户申请行为在分类面内,判别为正常用户申请行为;
若svmpredict(x_d)=-1,则实时用户申请行为在分类面外,判别为异常用户行为,即疑似欺诈申请;
利用训练验证得到的分类器对待检测的申请样本进行判别,实现用户实时申请行为的异常检测,并对OCSVM模型的检测性能进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010785587.7A CN112053219A (zh) | 2020-08-06 | 2020-08-06 | 一种基于ocsvm的消费金融欺诈行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010785587.7A CN112053219A (zh) | 2020-08-06 | 2020-08-06 | 一种基于ocsvm的消费金融欺诈行为检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112053219A true CN112053219A (zh) | 2020-12-08 |
Family
ID=73601537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010785587.7A Pending CN112053219A (zh) | 2020-08-06 | 2020-08-06 | 一种基于ocsvm的消费金融欺诈行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112053219A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057941A (zh) * | 2023-09-14 | 2023-11-14 | 上海甄汇信息科技有限公司 | 基于多维度数据分析的异常消费检测方法 |
CN118569906A (zh) * | 2024-07-24 | 2024-08-30 | 江苏环迅信息科技有限公司 | 基于大数据分析的潜在客户挖掘与主动注册引导方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439964A (zh) * | 2013-08-13 | 2013-12-11 | 清华大学 | 一种ocsvm监控模型的在线更新系统及方法 |
CN105703963A (zh) * | 2014-11-26 | 2016-06-22 | 中国科学院沈阳自动化研究所 | 基于pso-ocsvm的工业控制系统通信行为异常检测方法 |
CN107229849A (zh) * | 2016-03-24 | 2017-10-03 | 全球能源互联网研究院 | 面向电力信息内外网边界的数据库用户行为安全审计方法 |
US20170329314A1 (en) * | 2014-11-26 | 2017-11-16 | Shenyang Institute Of Automation, Chinese Academy Of Sciences | Modbus tcp communication behaviour anomaly detection method based on ocsvm dual-outline model |
CN108009911A (zh) * | 2017-11-29 | 2018-05-08 | 上海出版印刷高等专科学校 | 一种识别p2p网络借贷借款人违约风险的方法 |
CN108389122A (zh) * | 2018-02-12 | 2018-08-10 | 中科柏诚科技(北京)股份有限公司 | 一种互联网贷款系统及方法 |
-
2020
- 2020-08-06 CN CN202010785587.7A patent/CN112053219A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439964A (zh) * | 2013-08-13 | 2013-12-11 | 清华大学 | 一种ocsvm监控模型的在线更新系统及方法 |
CN105703963A (zh) * | 2014-11-26 | 2016-06-22 | 中国科学院沈阳自动化研究所 | 基于pso-ocsvm的工业控制系统通信行为异常检测方法 |
US20170329314A1 (en) * | 2014-11-26 | 2017-11-16 | Shenyang Institute Of Automation, Chinese Academy Of Sciences | Modbus tcp communication behaviour anomaly detection method based on ocsvm dual-outline model |
CN107229849A (zh) * | 2016-03-24 | 2017-10-03 | 全球能源互联网研究院 | 面向电力信息内外网边界的数据库用户行为安全审计方法 |
CN108009911A (zh) * | 2017-11-29 | 2018-05-08 | 上海出版印刷高等专科学校 | 一种识别p2p网络借贷借款人违约风险的方法 |
CN108389122A (zh) * | 2018-02-12 | 2018-08-10 | 中科柏诚科技(北京)股份有限公司 | 一种互联网贷款系统及方法 |
Non-Patent Citations (3)
Title |
---|
姚远;翟佳;曹弋;: "基于量化特征的价格操纵行为监测模型研究", 系统工程理论与实践, no. 11 * |
李挺;洪镇南;刘智勇;肖体正;: "基于增量单类支持向量机的工业控制系统入侵检测", 信息与控制, no. 06 * |
王成;舒鹏飞;: "WEB:一种基于网络嵌入的互联网借贷欺诈预测方法", 大数据, no. 06 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057941A (zh) * | 2023-09-14 | 2023-11-14 | 上海甄汇信息科技有限公司 | 基于多维度数据分析的异常消费检测方法 |
CN117057941B (zh) * | 2023-09-14 | 2024-03-26 | 上海甄汇信息科技有限公司 | 基于多维度数据分析的异常消费检测方法 |
CN118569906A (zh) * | 2024-07-24 | 2024-08-30 | 江苏环迅信息科技有限公司 | 基于大数据分析的潜在客户挖掘与主动注册引导方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170083920A1 (en) | Hybrid method of decision tree and clustering technology | |
CN113435546B (zh) | 基于区分置信度水平的可迁移图像识别方法及系统 | |
CN112837069B (zh) | 基于区块链与大数据的安全支付方法及云平台系统 | |
CN112053223A (zh) | 一种基于ga-svm算法的互联网金融欺诈行为检测方法 | |
CN112989035A (zh) | 基于文本分类识别用户意图的方法、装置及存储介质 | |
CN110335144B (zh) | 个人电子银行账户安全检测方法及装置 | |
CN112053219A (zh) | 一种基于ocsvm的消费金融欺诈行为检测方法 | |
CN110674636A (zh) | 一种用电行为分析方法 | |
CN115238815A (zh) | 异常交易数据获取方法、装置、设备、介质和程序产品 | |
CN111833175A (zh) | 基于knn算法的互联网金融平台申请欺诈行为检测方法 | |
CN115186012A (zh) | 一种用电量数据检测方法、装置、设备及存储介质 | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
CN115081641A (zh) | 模型训练方法、评估结果的预测方法、设备及存储介质 | |
CN110020868A (zh) | 基于线上交易特征的反欺诈模块决策融合方法 | |
CN113408897A (zh) | 应用于大数据业务的数据资源共享方法及大数据服务器 | |
CN115759748A (zh) | 风险检测模型生成方法和装置、风险个体识别方法和装置 | |
CN115271442A (zh) | 基于自然语言评估企业成长性的建模方法及系统 | |
CN110956543A (zh) | 异常交易检测的方法 | |
Yang et al. | Non-intrusive load classification and recognition using soft-voting ensemble learning algorithm with decision tree, K-Nearest neighbor algorithm and multilayer perceptron | |
CN117974293A (zh) | 一种信用风险预测方法、装置及电子设备 | |
CN111639688B (zh) | 一种基于线性核svm的物联网智能模型的局部解释方法 | |
CN117408698A (zh) | 一种基于Transformer的对比多视图下庞氏骗局检测方法 | |
CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
CN115713399B (zh) | 一种结合第三方数据源的用户信用评估系统 | |
CN116468271A (zh) | 一种基于大数据的企业风险分析方法、系统及介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201208 |
|
WD01 | Invention patent application deemed withdrawn after publication |