CN114202417A - 异常交易检测方法、装置、设备、介质和程序产品 - Google Patents

异常交易检测方法、装置、设备、介质和程序产品 Download PDF

Info

Publication number
CN114202417A
CN114202417A CN202111454564.9A CN202111454564A CN114202417A CN 114202417 A CN114202417 A CN 114202417A CN 202111454564 A CN202111454564 A CN 202111454564A CN 114202417 A CN114202417 A CN 114202417A
Authority
CN
China
Prior art keywords
transaction
data
training
detection
processing request
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
Application number
CN202111454564.9A
Other languages
English (en)
Inventor
邓美林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202111454564.9A priority Critical patent/CN114202417A/zh
Publication of CN114202417A publication Critical patent/CN114202417A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种异常交易检测方法，可以应用于人工智能技术领域。该方法包括：响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据，将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系，根据所述当前交易数据的检测结果，处理所述交易处理请求。本公开还提供了一种异常交易检测装置、设备、存储介质和程序产品，可提升检测异常交易的准确率。

Description

异常交易检测方法、装置、设备、介质和程序产品
技术领域
本公开涉及人工智能领域，更具体地涉及一种异常交易检测方法、装置、设备、介质和程序产品。
背景技术
随着互联网的兴起，越来越多的银行金融、电商物流等传统商业交易转移到线上，随之而来的这些便捷的支付交易技术也伴随着交易欺诈和资金盗取的风险，因此，需要对异常交易进行检测，降低用户资金被盗风险，保障交易的安全性。
目前通常采用简单的设定额度范围的方式来对异常交易进行检测，例如将额度范围设置为1000，即当用户单日转账金额超过1000则报警拦截，但是这种一刀切的方法很容易造成误判，准确性较低。
发明内容
鉴于上述问题，本公开提供了一种异常交易检测方法、装置、设备、介质和程序产品。
根据本公开的第一个方面，提供了一种异常交易检测方法，包括：
响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据；
将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系；
根据所述当前交易数据的检测结果，处理所述交易处理请求。
在本公开一实施例中，所述方法还包括：
训练预设的卷积神经网络，得到所述预先训练好的交易检测模型，所述交易检测模型包括输入层、多对的Inception卷积层和池化层、至少一个全连接层和输出层，所述Inception卷积层用于实现卷积核尺寸转换。
所述训练预设的卷积神经网络包括：
对所述预设的卷积神经网络中的收敛精度控制参数，采用APSO算法进行调节，所述收敛精度控制参数包括卷积层的卷积核函数、全连接层的连接权值函数、卷积层的神经元数和最大训练精度误差均值。
在本公开一实施例中，所述卷积核输出结果y满足：
Figure BDA0003385813050000021
其中，x表示m×n的二维向量，ωij表示长宽分别为i，j的卷积核，f(.)表示激活函数，b表示余项。
在本公开一实施例中，所述激活函数采用relu函数。
在本公开一实施例中，所述预设的卷积神经网络中的相邻神经元之间的转换表达式满足：
Figure BDA0003385813050000022
其中，yj表示CNN网络第j个神经元的输出，f1(.)表示相邻神经元进行传递的全连接函数，
Figure BDA0003385813050000023
表示第i，j个神经元之间的连接权值，不相邻为0，bj为第j个神经元传递的误差值。
在本公开一实施例中，所述训练预设的卷积神经网络还包括：
利用所述APSO算法初始化所述卷积神经网络的初始连接权值，并使用共轭梯度下降法训练所述卷积神经网络的误差精度。
在本公开一实施例中，所述训练预设的卷积神经网络，得到所述预先训练好的交易检测模型包括：
获取与所述用户相关的历史交易数据；
对所述历史交易数据进行预处理，得到训练数据；
利用所述训练数据训练所述预设的卷积神经网络，得到所述预先训练好的交易检测模型。
在本公开一实施例中，所述对所述历史交易数据进行预处理，得到训练数据包括：
对所述历史交易数据进行冗余清洗，得到第一数据；
利用Smote算法，对所述第二数据进行缺失值补充，得到第三数据；
对所述第三数据进行关联性分析，得到所述训练数据。
在本公开一实施例中，所述根据所述当前交易的检测结果，处理所述交易处理请求包括：
在所述当前交易的检测结果为异常的情况下，拦截所述交易处理请求，并将所述交易处理请求中携带的当前交易数据存入预设的异常样本库。
在本公开一实施例中，所述根据所述当前交易的检测结果，处理所述交易处理请求包括：
在所述当前交易的检测结果为正常的情况下，处理所述交易处理请求，并根据所述交易处理请求中携带的当前交易数据，更新所述用户的个人交易画像。
本公开的第二方面提供了一种交易异常检测装置，包括：
获取模块，用于响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据；
输入模块，用于将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系；
处理模块，用于根据所述当前交易数据的检测结果，处理所述交易处理请求。
在本公开一实施例中，所述装置还包括：
训练模块，用于训练预设的卷积神经网络，得到所述预先训练好的交易检测模型，所述交易检测模型包括输入层、多对的Inception卷积层和池化层、全连接层和输出层，所述Inception卷积层用于实现卷积核尺寸转换。
在本公开一实施例中，所述训练模块具体用于对所述预设的卷积神经网络中的收敛精度控制参数，采用APSO算法进行调节，所述收敛精度控制参数包括卷积层的卷积核函数、全连接层的连接权值函数、卷积层的神经元数和最大训练精度误差均值。
在本公开一实施例中，所述卷积核输出结果y满足：
Figure BDA0003385813050000041
其中，x表示m×n的二维向量，ωij表示长宽分别为i，j的卷积核，f(.)表示激活函数，b表示余项。
在本公开一实施例中，所述激活函数采用relu函数。
在本公开一实施例中，所述预设的卷积神经网络中的相邻神经元之间的转换表达式满足：
Figure BDA0003385813050000042
其中，yj表示CNN网络第j个神经元的输出，f1(.)表示相邻神经元进行传递的全连接函数，
Figure BDA0003385813050000043
表示第i，j个神经元之间的连接权值，不相邻为0，bj为第j个神经元传递的误差值。
在本公开一实施例中，所述训练模块具体用于利用所述APSO算法初始化所述卷积神经网络的初始连接权值，并使用共轭梯度下降法训练所述卷积神经网络的误差精度。
在本公开一实施例中，所述训练模块具体用于获取与所述用户相关的历史交易数据；对所述历史交易数据进行预处理，得到训练数据；利用所述训练数据训练所述预设的卷积神经网络，得到所述预先训练好的交易检测模型。
在本公开一实施例中，所述对所述历史交易数据进行预处理，得到训练数据包括：对所述历史交易数据进行冗余清洗，得到第一数据；利用Smote算法，对所述第二数据进行缺失值补充，得到第三数据；对所述第三数据进行关联性分析，得到所述训练数据。
在本公开一实施例中，处理模块具体用于在所述当前交易的检测结果为异常的情况下，拦截所述交易处理请求，并将所述交易处理请求中携带的当前交易数据存入预设的异常样本库。
在本公开一实施例中，处理模块具体用于在所述当前交易的检测结果为正常的情况下，处理所述交易处理请求，并根据所述交易处理请求中携带的当前交易数据，更新所述用户的个人交易画像。
本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述异常交易检测法。
本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述异常交易检测方法。
本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述异常交易检测方法。
根据本公开实施例，利用交易检测模型，在用于发出交易处理请求后，响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据，将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系，根据所述当前交易数据的检测结果，处理所述交易处理请求。采用模型的方式针对不同用户建立不同的模型，灵活的识别出异常交易。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的异常交易检测方法、装置、设备、介质和程序产品的应用场景图；
图2示意性示出了根据本公开实施例的异常交易检测方法的流程图；
图3示意性示出了根据本公开实施例的交易检测模型的结构图；
图4示意性示出了根据本公开实施例的APSO算法的流程图；
图5示意性示出了根据本公开实施例的基于APSO算法进行异常交易检测的流程图；
图6示意性示出了根据本公开实施例的对历史交易数据进行预处理的流程图；
图7示意性示出了根据本公开实施例的交易异常检测装置的结构图；
图8示意性示出了根据本公开实施例的交易异常检测装置的结构图；以及
图9示意性示出了根据本公开实施例的适于实现交易异常检测方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
在本开中，用户的个人交易画像通过用户的历史正常交易信息生成，例如，在信用卡交易中，可收集用户的多次正常交易记录，使用时段、交易类别、地理信息、收款对象、交易金额阈值等交易相关信息生成个人交易画像，如用户一段时间内信用卡的常用交易方式(如POS刷卡或微信支付宝支付)、经常使用时段(如08:00-22:00)、交易金额阈值(根据每个人的交易习惯和信用卡剩余额度计算出单次交易最大阈值)和交易类别(如商场消费或扫码支付)等个人交易信息。
本公开的实施例提供了一种异常交易检测方法，包括：响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据，将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系，根据所述当前交易的检测结果，处理所述交易处理请求。
图1示意性示出了根据本公开实施例的异常交易检测方法、装置、介质和程序产品的应用场景图。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其它设备、系统、环境或场景。需要说明的是，本公开实施例提供的异常交易检测方法和装置可用于人工智能领域在异常行为检测相关方面，也可用于除人工智能领域之外的多种领域，如金融领域，本公开实施例提供的异常交易检测方法和装置的应用领域不做限定。
如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以接收交易处理请求、模型训练请求等，并对接收交易处理请求、模型训练请求进行处理，服务器可以是后台管理服务器、服务器集群等(仅为示例)。后台管理服务器可以对接收到的交易处理请求等数据进行分析等处理，并将处理结果反馈给终端设备。
需要说明的是，本公开实施例所提供的异常交易检测方法一般可以由服务器105执行。相应地，本公开实施例所提供的异常交易检测装置一般可以设置于服务器105中。本公开实施例所提供的异常交易检测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的异常交易检测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景，通过图2～图6对公开实施例的异常交易检测方法进行详细描述。
图2示意性示出了根据本公开实施例的异常交易检测方法的流程图。如图2所示，该实施例的异常交易检测包括操作S210～操作S230。
在操作S210，响应于用户发送的交易处理请求，获取该交易处理请求携带当前交易数据；
在操作S220，将该当前交易数据输入给预先训练好的交易检测模型，得到该当前交易的检测结果，该交易检测模型用于表征交易数据和交易的检测结果之间的对应关系；
在操作S230，根据该当前交易数据的检测结果，处理该交易处理请求。
在本公开中，当前交易数据是指通过当前交易的交易内容信息，如交易账户、交易类别、时间戳和支付金额等能够定位当前交易的数据。可以包括交易金额、交易类别、收款账户、交易时间戳等所有与当前交易有关的数据。
在本公开在，交易检测模型输出的检测结果可以是直接判定该当前交易数据是否为异常交易数据的结果，即输出结果为“是异常交易数据”、“不是异常交易数据”，也可以是输出一个是异常交易数据的概率值，本公开对此不做限定。
在本公开中，利用交易检测模型，在用于发出交易处理请求后，响应于用户发送的交易处理请求，获取该交易处理请求携带当前交易数据，将该当前交易数据输入给预先训练好的交易检测模型，得到该当前交易的检测结果，该交易检测模型用于表征交易数据和交易的检测结果之间的对应关系，根据该当前交易数据的检测结果，处理该交易处理请求。采用模型的方式针对不同用户建立不同的模型，灵活的识别出异常交易。
在本公开一实施例中，图2所示的异常交易检测方法还包括：训练预设的卷积神经网络，得到该预先训练好的交易检测模型。图3示意性示出了根据本公开实施例的交易检测模型的结构图。如图3所示，该交易检测模型包括输入层、多对的Inception卷积层和池化层、至少一个全连接层和输出层，该Inception卷积层用于实现卷积核尺寸转换。其中，Inception卷积层和池化层的对数图3中以两对为例，更多的还可以是3对、5对、10对等等，本公开不做限定。全连接层的个数图3中以一个为例，更多的还可以是2个、5个、10个等等，本公开不做限定。
在本公开中，输入层的作用是接收交易数据，对交易数据进行处理，得到符合传输规范的交易数据，并向卷积层传输该交易数据，该层的每一个输入数据对应一个神经元节点，假设经过融合后的交易数据有m维，对应m维输入向量为X＝(x1，x2，...xm)T。
在本公开中，Inception卷积层包括多层自学习卷积核，Inception卷积层能够实现卷积核尺寸转换作用，比如构建多小尺度卷积核替代大尺度卷积核，并且Inception卷积层的多层稀疏重叠具有优化运算效率的作用。卷积核在卷积层中采用参数共享的方式来控制自有参数的数目，同深度切片的所有神经元共享相同的餐数据，因此卷积层的每个深度切片中的前项可通过计算为神经元的权值与输入体积的卷积。然后可以转化为矩阵，矩阵的元素为对应的卷积结果，例如假设有一个5×5的矩阵图像，使用一个3×3的卷积核进行卷积得到一个3×3的特征图。本公开中卷积核输出结果y满足：
Figure BDA0003385813050000101
其中，x表示m×n的二维向量，ωij表示长宽分别为i，j的卷积核，f(.)表示激活函数，b表示余项。激活函数采用relu函数，relu函数表达式如下：
Figure BDA0003385813050000102
在本公开中，全连接层的作用是关联相邻神经元，提高卷积神经网络的映射能力，预设的卷积神经网络中的相邻神经元之间的转换表达式满足：
Figure BDA0003385813050000103
其中，yj表示CNN网络第j个神经元的输出，f1(.)表示相邻神经元进行传递的全连接函数，
Figure BDA0003385813050000104
表示第i，j个神经元之间的连接权值，不相邻为0，bj为第j个神经元传递的误差值。
在本公开中，输出层可以采用Sfotmax函数解决多分类输出回归问题。CNN网络的Softmax算法本质是完成分类概率最大的损失函数，通过对函数区log获得，在此基础上构造代价函数Li来实现卷积神经网络的训练和学习。其代价函数Li表达式如下所示：
Figure BDA0003385813050000105
Figure BDA0003385813050000106
在式(4)中，m为神经元的总个数，yi表示第i个输出类型，k为所有输出类别之和，p(yi|xi；z)代表通过Softmax算法转化为第i个输出类型的损失概率，Li为第i个输出类型的平均代价函数。Softmax计算公式下所示：
Figure BDA0003385813050000111
其中，pi表示输入数据属于第i个输出类型的概率，N是输入的样本总数。
根据本公开实施例，训练得到的交易检测模型能够高速并行的进行大规模数据融合，并且具有自学习自适应性优良、时效性快捷、拓扑结构稳定等优良特性。
在本公开一实施例中，训练预设的卷积神经网络，得到该预先训练好的交易检测模型包括：获取与该用户相关的历史交易数据，对该历史交易数据进行预处理，得到训练数据，利用该训练数据训练该预设的卷积神经网络，得到该预先训练好的交易检测模型。
在本公开中，历史交易数据可以划分为多个类别，例如可以包括历史消费数据、第三方支付数据和征信数据等，例如在信用卡交易中，历史消费数据主要是指采集当前账户的历史消费涉及信用卡消费的相关交易记录(包括话费充值、水电煤气在线支付记录、支付宝微信付款等在线交易信息)。第三方支付数据主要是指用户绑定当前信用卡账号所有涉及第三方在线消费记录，通过查询第三方调用接口和返回信息得到；特别的关于用户的征信数据是需要纳入数据采集范围的，因为用户的借贷情况和逾期记录是参考构建当前用户交易信息要素的重要佐证记录，通过征信系统查询获得。
在本公开一实施例中，训练预设的卷积神经网络包括：对该预设的卷积神经网络中的收敛精度控制参数，采用APSO算法进行调节，该收敛精度控制参数包括卷积层的卷积核函数wij、全连接层的连接权值函数
Figure BDA0003385813050000112
卷积层的神经元数m和最大训练精度误差均值σ∈(0.0035，0.25)。
在本公开一实施例中，训练预设的卷积神经网络还包括：利用该APSO算法初始化该卷积神经网络的初始连接权值，并使用共轭梯度下降法训练该卷积神经网络的误差精度。
图4示意性示出了根据本公开实施例的APSO算法的流程图。如图4所示，该APSO算法主要包含3部分：(1)AP聚类初始化粒子群M完成聚类；(2)粒子群搜索寻找最优解时引入高斯变异，加速收敛更新粒子群状态；(3)更新粒子群的速度和位置，得到最优解。具体的，APSO算法实现步骤如下：
Step1：初始化粒子群M的位置xi和速度νi，表达式如式(6)所示：
νi＝(vi1，vi2，...vim)T 式(6)
在式(6)中，xi表示第i个粒子当前位置，vi表示第i个粒子当前运动速度，不在位置k的速度为0。
Step2：利用AP聚类，计算粒子群相似度矩阵S、归置度矩阵A、吸引度矩阵R，选择点k为聚类中心，相关公式如式(7)所示：
Figure BDA0003385813050000121
Step3：根据相似度确定偏置参数pk，k∈[1，2，...n]，然后更新吸引度矩阵R，计算公式如式(8)所示；
Figure BDA0003385813050000122
Step4：根据吸引度矩阵R更新归置度A，表达式如式(9)所示：
Figure BDA0003385813050000123
Step5：得到AP聚类结果，判断粒子群聚类是否达到精度预期或超过迭代要求。
Step6：在寻找粒子群最优解时引入高斯变异因子。得到交易数据集的粒子群个体适应值g(xi)，变异概率p(xi)，种群M最大适应值gmax(xi)，粒子群平均适应值gavg(xi)，变异因子概率计算公式如式(10)所示：
Figure BDA0003385813050000131
在式(10)中，α1，α2∈(0，1)，计算后α1，α2分别为0.87和0.5。
Step7：在粒子群算法寻找全局最优解后期引入高斯变异加速收敛，粒子群的运动速度会影响种群的收敛性，采用粒子运动速度的个体适应度的正态分布均值和加权极值，令g(xi)表示个体适应值，所以适应值函数均值和方差计算公式式(11)所示：
Figure BDA0003385813050000132
式(11)中，粒子运动浓度的均值和方差作为高斯变异加权的对应值。然后取得所有适应度的最小值为gmin＝min{g(x1)，g(x2)，...g(xm}，将其作为高斯加权中心值。然后计算出粒子群的高斯加权全局最优因子：
Figure BDA0003385813050000133
Step8：将改进粒子群算法的所有粒子自适应极值最优g(xi)best和全局高斯加权因子
Figure BDA0003385813050000134
进行加权平均，得出的值作为粒子群的全局最优解gbest，表达式如(4-24)所示：
Figure BDA0003385813050000135
完成上述步骤后，APSO算法的收敛性和准确性都得到提高，可以在后续的交易检测模型提高卷积层的效率和收敛性。
图5示意性示出了根据本公开实施例的基于APSO算法进行异常交易检测的流程图。如图5所示，基于APSO算法进行异常交易检测方法的实现步骤如下：
Step1：将经过数据融合的交易数据集划分为测试数据和训练数据(7∶3)，并初始化粒子种群M、粒子位置xi、粒子速度yi表达式如(4-25)所示：
xi＝(xi1，xi2，...xim)T，vi＝(vi1，vi2，…vim)T 式(14)
Step2：计算交易要素的粒子群个体粒子的运动状态并对其进行降序排序得到最小适应值gmin，计算公式如(4-26)所示：
Figure BDA0003385813050000141
Step3：使用AP聚类算法对粒子群进行聚类划分得出种群差异度A(i，k)，并且引入变异因子，重要公式如(4-27)、(4-28)所示：
Figure BDA0003385813050000142
R(i，k)＝λ*R(i，k)old+(1-λ)*R(i，k)new 式(16)
Figure BDA0003385813050000143
A(i，k)＝λ*A(i，k)old+(1-λ)*A(i，k)new
Step4：计算高斯加权得出蚁群全局最优信息素和路径解gbest，并根据个体信息素更新迭代粒子状态的速速vi和位置xi，最优解求解公式如(4-29)所示：
Figure BDA0003385813050000144
Step5：更新最优解更新粒子群状态，速度和位置，然后采用共轭梯度下降(CG)法使得Inception-CNN网络加速收敛趋近粒子群最优分布。
Step6：判断改进粒子群的迭代结束条件，根据模型精度和最大迭代次数判断，达到预期精度输出最优粒子群参数模型，反之返回Step2。
Step7：根据最优参数建立交易检测模型，引入测试数据和训练数据。
Step8：将当前交易该z＝{z1，z2，...zn}T输入用户交易评估模型得到交易评估结果。
Step9：根据用户交易个人画像和交易异常检测结果进行正态拟合得到交易评估得分，然后进行对应策略控制。
图6示意性示出了根据本公开实施例的对历史交易数据进行预处理的流程图。如图6所示，主要包括：
在操作S610，对该历史交易数据进行冗余清洗，得到第一数据。
在操作S620，利用Smote算法，对该第二数据进行缺失值补充，得到第三数据。
在操作S630，对该第三数据进行关联性分析，得到该训练数据。
在本公开中，可以采用均方值法Mean-Poll进行冗余清洗，冗余清洗步骤包括：
(1)首先采用Mean-Poll简单过滤出可疑交易数据xj，j∈可疑交易申请序号，然后与异常样本库Y进行匹配过滤识别异常交易，采用关联相关度算法识别异常交易，相似度rij＞0.9为异常交易，直接拒绝返回并且将该条交易申请删除。相似度算法计算公式如式(19)所示：
Figure BDA0003385813050000151
公式(19)中，rij表示申请样本xj与异常样本yi的相关度，
Figure BDA0003385813050000152
表示申请样本X，异常样本Y的均值MP，σX表示申请样本X的标准差，σY表示异常样本Y的标准差。
(2)将采集得到的交易数据采用Mallat算法实现数据分解、预测和更新进行小波变换，经过小波变换后的数据更加离散化符合模型计算标准；
(3)将得到的小波系数采用Sigmod函数进行阈值处理；
(4)将经过阈值处理后的系数进行逆小波变化得到去冗余的交易数据。
Sigmod函数如公式(4-2)所示：
Figure BDA0003385813050000161
式(20)中，xi，μ，f(xi)分别表示阈值处理前的交易数据，交易数据均值、经过Sigmod变化后的交易数据。
在本公开中，可以采用过采样Smote算法进行缺失值补充，Smote算法的基本思想是对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中，缺失值补充步骤包括：
(1)对于不完整交易样本X＝{x1，x2，...xn}，以欧氏距离为标准计算它到交易样本集中所有样本的距离，得到其k近邻；
(2)根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于每一个交易样本xi，从具k近邻中随机选择若干个样本，假设选择的近邻为xj；
(3)对于每一个随机选出的近邻xj，分别与原样本按照式(21)构建新的样本得到补充缺失值后的交易数据。
xj＝xi+rand(0，1)*(xj-xi) 式(21)
在本公开中，可以采用信息熵进行交易关联性融合，关联性融合的步骤包括：
(1)选择计算交易样本xj的信息熵值Hj，如式(22)所示；
Figure BDA0003385813050000162
公式(4-3)中，rij，pij分别表示第j个数据与剩余数据集的相关性和不确定性概率。
(2)计算申请样本xj与剩余交易信息集的差异度gj，如式(23)所示；
gj＝(1-Hj)/(μ-En) 式(23)
式(23)中，En，μ分别表示所有数据的信息熵和熵均值。
(3)通过不确定性和差异度计算所有交易数据的关联性yi，然后进行排序得到融合后的交易要素集。
Figure BDA0003385813050000171
式(24)中，gj，pij分别表示差异度和不确定性。
在本公开一实施例中，操作S230根据该当前交易的检测结果，处理该交易处理请求包括：在该当前交易的检测结果为异常的情况下，拦截该交易处理请求，并将该交易处理请求中携带的当前交易数据存入预设的异常样本库。在该当前交易的检测结果为正常的情况下，处理该交易处理请求，并根据该交易处理请求中携带的当前交易数据，更新该用户的个人交易画像。
在本公开中，获取用户一段时间内的常用交易方式trade_type、信用卡类别card_type、常见交易时间trade_time、交易金额阈值trade_max_amount、上笔交易检测结果last_check_result、交易频次trade_rate和交易发生场所trade_area/trade_IP、收款对象账户gather_account等个人消费交易等信息，将其输入交易检测模型，可以得到个人交易画像。个人交易画像对应信息如表一所示：
表一
Figure BDA0003385813050000172
Figure BDA0003385813050000181
在本公开中，根据大数定律可知，用户的交易处理请求是符合正态分布的，因此，可根据交易控制策略表二所示，进行交易数据的检测结果的评估和对应控制。其中当交易数据的检测结果得分大于等于31.73，交易通过；交易评估得分属于(5.0，31.73)交易落在个人交易画像的±(σ，1.96σ)范围，标记为可疑交易，需要人工处理(如短信验证或者电话验证)；评估得分小于5分，识别为异常交易并且拦截。
表二
用户交易评估分数 概率P 交易异常检测结果 交易控制策略
-σ≤μ≤σ 68.27％ 正常 通过
μ∈±(σ，1.96σ) 24.73％ 存疑 人工介入
μ＜-1.96σ或μ＞1.96σ 5％ 异常 拦截
本公开实施例提供的异常交易检测方法，一方面采用异常交易检测模型进行异常交易检测，可以更精准的检测异常交易，根据检测结构进行交易拦截、交易处理和人工介入，减少异常交易带来的经济损失。另一方面可以基于异常交易检测模式生成用户的个人交易画像，对个人交易画像进行更新，从而准确出检测异常交易。
基于上述交易异常检测方法，本公开还提供了一种交易异常检测装置。以下将结合图7对该装置进行详细描述。
图7示意性示出了根据本公开实施例的交易异常检测装置的结构图。如图7所示，该实施例的交易异常检测装置700包括获取模块710、输入模块720和处理模块730。
获取模块710，用于响应于用户发送的交易处理请求，获取该交易处理请求携带当前交易数据；
输入模块720，用于将该当前交易数据输入给预先训练好的交易检测模型，得到该当前交易数据的检测结果，该交易检测模型用于表征交易数据和交易的检测结果之间的对应关系；
处理模块730，用于根据该当前交易数据的检测结果，处理该交易处理请求。
图8示意性示出了根据本公开实施例的交易异常检测装置的结构图。如图8所示，该实施例的交易异常检测装置700还包括：
训练模块740，用于训练预设的卷积神经网络，得到该预先训练好的交易检测模型，该交易检测模型包括输入层、多对的Inception卷积层和池化层、全连接层和输出层，该Inception卷积层用于实现卷积核尺寸转换。
其中，Inception卷积层和池化层的对数图3中以两对为例，更多的还可以是3对、5对、10对等等，本公开不做限定。全连接层的个数图3中以一个为例，更多的还可以是2个、5个、10个等等，本公开不做限定。
在本公开中，输入层的作用是接收交易数据，对交易数据进行处理，得到符合传输规范的交易数据，并向卷积层传输该交易数据，该层的每一个输入数据对应一个神经元节点，假设经过融合后的交易数据有m维，对应m维输入向量为X＝(x1，x2，...xm)T。
在本公开中，Inception卷积层包括多层自学习卷积核，Inception卷积层能够实现卷积核尺寸转换作用，比如构建多小尺度卷积核替代大尺度卷积核，并且Inception卷积层的多层稀疏重叠具有优化运算效率的作用。卷积核在卷积层中采用参数共享的方式来控制自有参数的数目，同深度切片的所有神经元共享相同的餐数据，因此卷积层的每个深度切片中的前项可通过计算为神经元的权值与输入体积的卷积。然后可以转化为矩阵，矩阵的元素为对应的卷积结果，例如假设有一个5×5的矩阵图像，使用一个3×3的卷积核进行卷积得到一个3×3的特征图。本公开中卷积核输出结果y满足式(1)。
在本公开中，全连接层的作用是关联相邻神经元，提高卷积神经网络的映射能力，预设的卷积神经网络中的相邻神经元之间的转换表达式满足式(3)。
在本公开中，输出层可以采用Sfotmax函数解决多分类输出回归问题。CNN网络的Softmax算法本质是完成分类概率最大的损失函数，通过对函数区log获得，在此基础上构造代价函数Li来实现卷积神经网络的训练和学习。其代价函数Li式(4)所示。
根据本公开实施例，训练得到的交易检测模型能够高速并行的进行大规模数据融合，并且具有自学习自适应性优良、时效性快捷、拓扑结构稳定等优良特性。
在本公开一实施例中，该训练模块740具体用于对该预设的卷积神经网络中的收敛精度控制参数，采用APSO算法进行调节，该收敛精度控制参数包括卷积层的卷积核函数、全连接层的连接权值函数、卷积层的神经元数和最大训练精度误差均值。
在本公开一实施例中，该卷积核输出结果y满足：
Figure BDA0003385813050000201
其中，x表示m×n的二维向量，ωij表示长宽分别为i，j的卷积核，f(.)表示激活函数，b表示余项。
在本公开一实施例中，该激活函数采用relu函数。
在本公开一实施例中，该预设的卷积神经网络中的相邻神经元之间的转换表达式满足：
Figure BDA0003385813050000202
其中，yj表示CNN网络第j个神经元的输出，f1(.)表示相邻神经元进行传递的全连接函数，
Figure BDA0003385813050000203
表示第i，j个神经元之间的连接权值，不相邻为0，bj为第j个神经元传递的误差值。
在本公开一实施例中，该训练模块740具体用于利用该APSO算法初始化该卷积神经网络的初始连接权值，并使用共轭梯度下降法训练该卷积神经网络的误差精度。
在本公开一实施例中，该训练模块740具体用于获取与该用户相关的历史交易数据；对该历史交易数据进行预处理，得到训练数据；利用该训练数据训练该预设的卷积神经网络，得到该预先训练好的交易检测模型。
在本公开一实施例中，该对该历史交易数据进行预处理，得到训练数据包括：对该历史交易数据进行冗余清洗，得到第一数据；利用Smote算法，对该第二数据进行缺失值补充，得到第三数据；对该第三数据进行关联性分析，得到该训练数据。
在本公开一实施例中，处理模块730具体用于在该当前交易的检测结果为异常的情况下，拦截该交易处理请求，并将该交易处理请求中携带的当前交易数据存入预设的异常样本库。
在本公开一实施例中，处理模块730具体用于在该当前交易的检测结果为正常的情况下，处理该交易处理请求，并根据该交易处理请求中携带的当前交易数据，更新该用户的个人交易画像。
根据本公开的实施例，获取模块710、输入模块720和处理模块730中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块710、输入模块720和处理模块730中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块710、输入模块720和处理模块730中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图9示意性示出了根据本公开实施例的适于实现异常交易检测方法的电子设备的方框图。
如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (17)

1.一种异常交易检测方法，包括：
响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据；
将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系；
根据所述当前交易数据的检测结果，处理所述交易处理请求。
2.根据权利要求1所述的异常交易检测方法，所述方法还包括：
训练预设的卷积神经网络，得到所述预先训练好的交易检测模型，所述交易检测模型包括输入层、多对的Inception卷积层和池化层、至少一个全连接层和输出层，所述Inception卷积层用于实现卷积核尺寸转换。
3.根据权利要求2所述的交易异常检测方法，所述训练预设的卷积神经网络包括：
对所述预设的卷积神经网络中的收敛精度控制参数，采用APSO算法进行调节，所述收敛精度控制参数包括卷积层的卷积核函数、全连接层的连接权值函数、卷积层的神经元数和最大训练精度误差均值。
4.根据权利要求2所述的异常交易检测方法，所述卷积核输出结果y满足：
Figure FDA0003385813040000011
其中，x表示m×n的二维向量，ωij表示长宽分别为i，j的卷积核，f(.)表示激活函数，b表示余项。
5.根据权利要求4所述的异常交易检测方法，所述激活函数采用relu函数。
6.根据权利要求4所述的异常交易检测方法，所述预设的卷积神经网络中的相邻神经元之间的转换表达式满足：
Figure FDA0003385813040000012
其中，yj表示CNN网络第j个神经元的输出，f1(.)表示相邻神经元进行传递的全连接函数，
Figure FDA0003385813040000021
表示第i，j个神经元之间的连接权值，不相邻为0，bj为第j个神经元传递的误差值。
7.根据权利要求3所述的异常交易检测方法，所述训练预设的卷积神经网络还包括：
利用所述APSO算法初始化所述卷积神经网络的初始连接权值，并使用共轭梯度下降法训练所述卷积神经网络的误差精度。
8.根据权利要求1至6任意一项所述的异常交易检测方法，所述训练预设的卷积神经网络，得到所述预先训练好的交易检测模型包括：
获取与所述用户相关的历史交易数据；
对所述历史交易数据进行预处理，得到训练数据；
利用所述训练数据训练所述预设的卷积神经网络，得到所述预先训练好的交易检测模型。
9.根据权利要求8所述的异常交易检测方法，所述对所述历史交易数据进行预处理，得到训练数据包括：
对所述历史交易数据进行冗余清洗，得到第一数据；
利用Smote算法，对所述第二数据进行缺失值补充，得到第三数据；
对所述第三数据进行关联性分析，得到所述训练数据。
10.根据权利要求1所述的交易异常检测方法，所述根据所述当前交易的检测结果，处理所述交易处理请求包括：
在所述当前交易的检测结果为异常的情况下，拦截所述交易处理请求，并将所述交易处理请求中携带的当前交易数据存入预设的异常样本库。
11.根据权利要求1所述的交易异常检测方法，所述根据所述当前交易的检测结果，处理所述交易处理请求包括：
在所述当前交易的检测结果为正常的情况下，处理所述交易处理请求，并根据所述交易处理请求中携带的当前交易数据，更新所述用户的个人交易画像。
12.一种交易异常检测装置，包括：
获取模块，用于响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据；
输入模块，用于将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系；
处理模块，用于根据所述当前交易数据的检测结果，处理所述交易处理请求。
13.根据权利要求12所述的异常交易检测装置，所述装置还包括：
训练模块，用于训练预设的卷积神经网络，得到所述预先训练好的交易检测模型，所述交易检测模型包括输入层、多对的Inception卷积层和池化层、全连接层和输出层，所述Inception卷积层用于实现卷积核尺寸转换。
14.根据权利要求13所述的交易异常检测装置，所述训练模块具体用于对所述预设的卷积神经网络中的收敛精度控制参数，采用APSO算法进行调节，所述收敛精度控制参数包括卷积层的卷积核函数、全连接层的连接权值函数、卷积层的神经元数和最大训练精度误差均值。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～11中任一项所述的方法。
16.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～11中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～11中任一项所述的方法。
CN202111454564.9A 2021-12-01 2021-12-01 异常交易检测方法、装置、设备、介质和程序产品 Pending CN114202417A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111454564.9A CN114202417A (zh) 2021-12-01 2021-12-01 异常交易检测方法、装置、设备、介质和程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111454564.9A CN114202417A (zh) 2021-12-01 2021-12-01 异常交易检测方法、装置、设备、介质和程序产品

Publications (1)

Publication Number Publication Date
CN114202417A true CN114202417A (zh) 2022-03-18

Family

ID=80649969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111454564.9A Pending CN114202417A (zh) 2021-12-01 2021-12-01 异常交易检测方法、装置、设备、介质和程序产品

Country Status (1)

Country Link
CN (1) CN114202417A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116185315A (zh) * 2023-04-27 2023-05-30 美恒通智能电子(广州)股份有限公司 一种基于人工智能的手持打印机数据监测预警系统及方法
CN116681434A (zh) * 2023-06-07 2023-09-01 科睿特软件集团股份有限公司 基于年卡防盗刷算法的行为管理系统及其方法
CN117455497A (zh) * 2023-11-12 2024-01-26 北京营加品牌管理有限公司 一种交易风险检测方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116185315A (zh) * 2023-04-27 2023-05-30 美恒通智能电子(广州)股份有限公司 一种基于人工智能的手持打印机数据监测预警系统及方法
CN116681434A (zh) * 2023-06-07 2023-09-01 科睿特软件集团股份有限公司 基于年卡防盗刷算法的行为管理系统及其方法
CN117455497A (zh) * 2023-11-12 2024-01-26 北京营加品牌管理有限公司 一种交易风险检测方法及装置

Similar Documents

Publication Publication Date Title
JP6913241B2 (ja) 信用力があると判定された消費者にローンを発行するシステムおよび方法
CN112733995B (zh) 训练神经网络的方法、行为检测方法及行为检测装置
CN114202417A (zh) 异常交易检测方法、装置、设备、介质和程序产品
US20210264448A1 (en) Privacy preserving ai derived simulated world
WO2021167858A1 (en) Transaction card system having overdraft capability
CN111814910B (zh) 异常检测方法、装置、电子设备及存储介质
US10909145B2 (en) Techniques for determining whether to associate new user information with an existing user
US20230252480A1 (en) Network based features for financial crime detection
AU2022424925A1 (en) Processing sequences of multi-modal entity features using convolutional neural networks
CN116664306A (zh) 风控规则的智能推荐方法、装置、电子设备及介质
US20240161117A1 (en) Trigger-Based Electronic Fund Transfers
CN111245815A (zh) 数据处理方法、装置、存储介质及电子设备
CN116308641A (zh) 产品推荐方法、训练方法、装置、电子设备和介质
CN114787846A (zh) 用于评估商家声誉的方法和系统
US11531887B1 (en) Disruptive prediction with ordered treatment candidate bins
CN116249987A (zh) 具有更新向量的基于图学习的系统
CN117540791B (zh) 一种对抗训练的方法及装置
US20240112092A1 (en) Counterfactual samples for maintaining consistency between machine learning models
CN118673530A (zh) 数据处理方法、装置、设备和存储介质
CN116975160A (zh) 交易数据处理方法、装置、设备、介质和产品
CN118118536A (zh) 推荐方法、装置、设备、介质及程序产品
CN114820164A (zh) 信用卡额度评估方法、装置、设备及介质
CN114998024A (zh) 基于点击率的产品推荐方法、装置、设备及介质
CN118504752A (zh) 交易风险预测模型的确定方法、交易风险预测方法及装置、设备、存储介质和程序产品
CN118679473A (zh) 用于分类模型的无监督训练期间的自适应特征优化的系统、方法和计算机程序产品

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