CN116562901B - 基于机器学习的反欺诈规则自动生成方法 - Google Patents
基于机器学习的反欺诈规则自动生成方法 Download PDFInfo
- Publication number
- CN116562901B CN116562901B CN202310749934.4A CN202310749934A CN116562901B CN 116562901 B CN116562901 B CN 116562901B CN 202310749934 A CN202310749934 A CN 202310749934A CN 116562901 B CN116562901 B CN 116562901B
- Authority
- CN
- China
- Prior art keywords
- fraud
- model
- data
- training
- rules
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010801 machine learning Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000012954 risk control Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Finance (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的反欺诈规则自动生成方法，涉及计算机技术领域，包括S1：数据预处理；S2：特征工程；S3：特征编码；S4：模型训练；S5：模型评估；S6：反欺诈规则的自动化生成；S7：规则测试。通过利用机器学习的方法可以高效地从大量的数据中自动学习和发现不同的欺诈模式，该方法可以更好地识别全球不同的欺诈行为，检测和预测各种欺诈手段，避免了传统规则的局限性，同时预防欺诈行为可以提高交易的安全性，提高企业信用度，减少交易损失，反欺诈模型训练过程中，能对模型不断进行迭代优化，逐步提高诊断准确性和实时性，反欺诈模型在训练时可根据欺诈类型和数据特征进行区分和训练，具备更高的准确性和有效性。
Description
技术领域
本发明涉及计算机技术领域，具体为一种基于机器学习的反欺诈规则自动生成方法。
背景技术
传统的反欺诈规则是基于专家经验生成的，然而新的互联网欺诈模式不断出现，专家经验也有限，专家规则很难有效识别新的欺诈模式，因此需要基于机器学习的方法来生成反欺诈规则，达到从海量的数据中识别新的欺诈模式，与专家规则进行有效的互补。
遂有本案产生。
本申请提出一种基于机器学习的反欺诈规则自动生成方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于机器学习的反欺诈规则自动生成方法，以解决上述背景技术中提出的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于机器学习的反欺诈规则自动生成方法，包括以下步骤：
S1：数据预处理，收集大量的历史数据，将大量历史数据导入到反欺诈系统中，并进行数据清洗、去除噪声、处理缺失值的预处理操作，使数据更加干净、准确、完整，同时并保留重要的特征属性数据，导入模型训练数据集，为后续特征提取和训练模型做好准备；
S2：特征工程，根据反欺诈的特征要求和目标，通过特征工程来筛选出具有代表性和对欺诈诊断有帮助或有显著影响的关键特征；
随后，根据经验并结合机器学习领域专家，再进行数据源和特征提取；
S3：特征编码，根据特征选择得到的特征，对每个特征进行二进制编码或数值离散化的特征处理方法，以便机器学习算法能够准确、快速地识别和处理不同类型的特征输入；
S4：模型训练，建立合适的机器学习模型，对已经预处理和编码好的特征进行训练，比如分类、决策树、支持向量机、神经网络、深度学习的模型，不断调整模型参数和训练方法，以提高训练过程的效率和准确性，为反欺诈模型提供良好的特征输入数据，构件出反欺诈模型；
其中，对数据中的欺诈行为进行预测和分类，根据数据的特征和欺诈的类型，为不同欺诈行为训练不同的模型，对用户的行为进行评估并预判欺诈行为的可能性；
S5：模型评估，使用交叉验证的模型评价方法，对训练好的机器学习模型进行评估和调整，包括准确性、精准性、召回率和F1分数的指标，以选择最优的模型和特征输入，并根据数据准确性和降低误报率进行调整；
S6：反欺诈规则的自动化生成，在训练模型之后，用无监督学习或深度学习技术从模型中抽取特征，同时基于该特征生成阀值来划分欺诈行为；
使用增强学习技术，基于特征及模型评估结果，自动选择更有效的规则，构建反欺诈规则的库；
S7：规则测试，在自动生成的规则库中，基于测试集中不同样例的特征数据，针对规则库进行评估和测试，从而最终得到一组有效的规则，可用于实时监控用户交易行为。
作为本发明再进一步的方案：所述步骤S3中，将数据集根据欺诈类型分为不同的训练集和测试集，其中训练集用于模型训练，测试集用于测试模型的泛化能力和准确性。
作为本发明再进一步的方案：所述步骤S3中，对于某些非结构化数据，如社交网络信息、图片和音频，利用自然语言处理(NLP)技术和深度学习方法进行特征提取和处理。
作为本发明再进一步的方案：所述步骤S6中，使用训练好的反欺诈模型对用户行为进行评估和分类，根据用户行为特征及模型评估结果，预判欺诈行为的可能性，并通过阈值分析得到判断结果。
作为本发明再进一步的方案：所述步骤S6中，将反欺诈模型与实际应用相结合，对已知和未知的欺诈行为进行检测和预测，进行有效的反欺诈和风险控制，并不断进行模型调整和更新，以提高反欺诈系统的性能和精度。
作为本发明再进一步的方案：所述步骤S6中，对于存在欺诈行为的用户，使用反欺诈模型寻找对应的欺诈特征，并输出欺诈诊断结果，提供给客户端或其他关联系统。
作为本发明再进一步的方案：所述步骤S6中，根据欺诈行为的反馈数据，不断加入新数据进行迭代优化，不断调整反欺诈模型以提高准确性和有效性。
作为本发明再进一步的方案：所述步骤S4中，在模型训练过程中，基于选出的特征和历史数据进行机器学习模型训练，采用监督学习，半监督或无监督学习方法，通过选择合适的特征与属性、算法应用构建反欺诈模型。
作为本发明再进一步的方案：所述步骤S7中，在自动生成的规则库中，针对规则进行评估和测试，包括误报率、漏报率、准确率的指标，从而最终得到一组有效的规则，实时监控用户交易行为；
同时需要不断对规则库进行优化和迭代，以应对新的欺诈模式。
作为本发明再进一步的方案：所述步骤S7中，将自动生成的反欺诈规则应用于实际中，实时监测用户的交易行为，同时预判欺诈可能性，通过规则库判别欺诈行为，降低欺诈风险，保障交易安全。
与现有技术相比，本发明提供了一种基于机器学习的反欺诈规则自动生成方法，具备以下有益效果：
1、通过利用机器学习的方法可以高效地从大量的数据中自动学习和发现不同的欺诈模式，该方法可以更好地识别全球不同的欺诈行为，检测和预测各种欺诈手段，避免了传统规则的局限性，同时预防欺诈行为可以提高交易的安全性，提高企业信用度，减少交易损失。
2、反欺诈模型训练过程中，一方面，可以对模型不断进行迭代和优化，逐步提高诊断准确性和实时性，反欺诈模型在训练时可根据欺诈类型和数据特征进行区分和训练，具备更高的准确性和有效性，该方法可以有效地从大量的数据中自动学习和发现不同的欺诈模式，特征的训练选择为巧妙设计，能减小模型计算量和噪点，模型可用于实时预测，对有意欺诈和误判欺诈的常见情况基本无误。另一方面，能高效地从大量的数据中自动学习和发现不同的欺诈模式，以达到更加广泛和细致的应用，根据训练使用时长，增强其反欺诈识别能力；其次能根据实时背景，自动更新规则和特征，以保持整个系统的时效性，还能将自动生成的反欺诈规则应用于实际中，实时监测用户的交易行为，同时预判欺诈可能性，通过规则库判别欺诈行为，降低欺诈风险，保障交易安全。
附图说明
图1为本发明基于机器学习的反欺诈规则自动生成方法流程示意图；
图2为本发明基于机器学习的反欺诈规则自动生成方法中特征编码步骤的示意图；
图3为本发明基于机器学习的反欺诈规则自动生成方法中模型训练步骤的示意图；
图4为本发明基于机器学习的反欺诈规则自动生成方法中反欺诈规则的自动化生成步骤的示意图；
图5为本发明基于机器学习的反欺诈规则自动生成方法中规则测试的示意图；
图6为本发明基于机器学习的反欺诈规则自动生成方法中电子设备存储介质的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
请参阅图1～6所示，本申请的一个实施例中提供了一种基于机器学习的反欺诈规则自动生成方法，包括以下步骤：
S1：数据预处理，收集大量的历史数据，将大量历史数据导入到反欺诈系统中，并进行数据清洗、去除噪声、处理缺失值等预处理操作，使数据更加干净、准确、完整，同时并保留重要的特征属性数据，导入模型训练数据集，为后续特征提取和训练模型做好准备；
并针对消费者欺诈、金融欺诈、信用卡欺诈等欺诈行为进行预处理；
S2：特征工程，根据反欺诈的特征要求和目标，通过特征工程来筛选出具有代表性和对欺诈诊断有帮助或有显著影响的关键特征；
这些关键特征包括各类信息、财务、消费、社交等不同类型的数据信息；
在特征选择过程中，首先通过数据挖掘技术对数据进行分析，然后选择出具有代表性的特征因素；
随后，根据经验并结合机器学习领域专家，再进行数据源和特征提取；
特征包括个人基本信息、交易信息、信用信息、社交媒体信息等，以便训练机器学习模型；
S3：特征编码，根据特征选择得到的特征，对每个特征进行二进制编码或数值离散化等特征处理方法，以便机器学习算法能够准确、快速地识别和处理不同类型的特征输入；
S4：模型训练，建立合适的机器学习模型，对已经预处理和编码好的特征进行训练，比如分类、决策树、支持向量机、神经网络、深度学习等模型，不断调整模型参数和训练方法，以提高训练过程的效率和准确性，为反欺诈模型提供良好的特征输入数据，构件出反欺诈模型；
这其中有些特征为非有效性特征，在模型预测时会进行自动裁减；
其中，对数据中的欺诈行为进行预测和分类，根据数据的特征和欺诈的类型，为不同欺诈行为训练不同的模型，对用户的行为进行评估并预判欺诈行为的可能性；
S5：模型评估，使用交叉验证等模型评价方法，对训练好的机器学习模型进行评估和调整，包括准确性、精准性、召回率和F1分数等指标，以选择最优的模型和特征输入，并根据数据准确性和降低误报率进行调整；
S6：反欺诈规则的自动化生成，在训练模型之后，用无监督学习或深度学习技术从模型中抽取特征，同时基于该特征生成阀值来划分欺诈行为；
使用增强学习技术，基于特征及模型评估结果，自动选择更有效的规则，构建反欺诈规则的库；
S7：规则测试，在自动生成的规则库中，基于测试集中不同样例的特征数据，针对规则库进行评估和测试，从而最终得到一组有效的规则，可用于实时监控用户交易行为。
综上所述，通过利用机器学习的方法可以高效地从大量的数据中自动学习和发现不同的欺诈模式，有着更加广泛和细致的应用；该方法可以更好地识别全球不同的欺诈行为，检测和预测各种欺诈手段，避免了传统规则的局限性；同时预防欺诈行为可以提高交易的安全性，提高企业信用度，减少交易损失。
请着重参阅图2所示，在所述步骤S3中，将数据集根据欺诈类型分为不同的训练集和测试集，其中训练集用于模型训练，测试集用于测试模型的泛化能力和准确性。
对于某些非结构化数据，如社交网络信息、图片和音频等，利用自然语言处理(NLP)技术和深度学习方法进行特征提取和处理。
请着重参阅图3所示，所述步骤S4中，在模型训练过程中，基于选出的特征和历史数据进行机器学习模型训练，采用监督学习，半监督或无监督学习方法，通过选择合适的特征与属性、算法应用构建反欺诈模型。
本实施例中，可以高效地从大量的数据中自动学习和发现不同的欺诈模式，反欺诈模型训练过程中，可以对模型不断进行迭代和优化，逐步提高诊断准确性和实时性。
反欺诈模型在训练时可根据欺诈类型和数据特征进行区分和训练，具备更高的准确性和有效性，该方法可以有效地从大量的数据中自动学习和发现不同的欺诈模式，特征的训练选择为巧妙设计，能减小模型计算量和噪点，模型可用于实时预测，对有意欺诈和误判欺诈的常见情况基本无误。
请着重参阅图4所示，所述步骤S6中，使用训练好的反欺诈模型对用户行为进行评估和分类，根据用户行为特征及模型评估结果，预判欺诈行为的可能性，并通过阈值分析得到判断结果。
将反欺诈模型与实际应用相结合，对已知和未知的欺诈行为进行检测和预测，进行有效的反欺诈和风险控制，并不断进行模型调整和更新，以提高反欺诈系统的性能和精度。
对于存在欺诈行为的用户，使用反欺诈模型寻找对应的欺诈特征，并输出欺诈诊断结果，提供给客户端或其他关联系统。
根据欺诈行为的反馈数据，不断加入新数据进行迭代优化，不断调整反欺诈模型以提高准确性和有效性。
本实施例中，能高效地从大量的数据中自动学习和发现不同的欺诈模式，以达到更加广泛和细致的应用，根据训练使用时长，增强其反欺诈识别能力；根据实时背景，自动更新规则和特征，以保持整个系统的时效性。
请着重参阅图5所示，所述步骤S7中，在自动生成的规则库中，针对规则进行评估和测试，包括误报率、漏报率、准确率等指标，从而最终得到一组有效的规则，实时监控用户交易行为；同时需要不断对规则库进行优化和迭代，以应对新的欺诈模式。
本实施例中，将自动生成的反欺诈规则应用于实际中，实时监测用户的交易行为，同时预判欺诈可能性，通过规则库判别欺诈行为，降低欺诈风险，保障交易安全。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于机器学习的反欺诈规则自动生成方法，其特征在于：包括以下步骤：
S1：数据预处理，收集大量的历史数据，将大量历史数据导入到反欺诈系统中，并进行数据清洗、去除噪声、处理缺失值的预处理操作，使数据更加干净、准确、完整，同时并保留重要的特征属性数据，导入模型训练数据集，为后续特征提取和训练模型做好准备；
S2：特征工程，根据反欺诈的特征要求和目标，通过特征工程来筛选出具有代表性和对欺诈诊断有帮助或有显著影响的关键特征；
随后，根据经验并结合机器学习领域专家，再进行数据源和特征提取；
S3：特征编码，根据特征选择得到的特征，对每个特征进行二进制编码或数值离散化的特征处理方法；
S4：模型训练，建立合适的机器学习模型，对已经预处理和编码好的特征进行训练，分类、决策树、支持向量机、神经网络或深度学习的模型，不断调整模型参数和训练方法，为反欺诈模型提供良好的特征输入数据，构件出反欺诈模型；
其中，对数据中的欺诈行为进行预测和分类，根据数据的特征和欺诈的类型，为不同欺诈行为训练不同的模型，对用户的行为进行评估并预判欺诈行为的可能性；
S5：模型评估，使用交叉验证的模型评价方法，对训练好的机器学习模型进行评估和调整，包括准确性、精准性、召回率和F1分数的指标，以选择最优的模型和特征输入，并根据数据准确性和降低误报率进行调整；
S6：反欺诈规则的自动化生成，在训练模型之后，用无监督学习或深度学习技术从模型中抽取特征，同时基于该特征生成阀值来划分欺诈行为；
使用增强学习技术，基于特征及模型评估结果，自动选择更有效的规则，构建反欺诈规则的库；
S7：规则测试，在自动生成的规则库中，基于测试集中不同样例的特征数据，针对规则库进行评估和测试，从而最终得到一组有效的规则，可用于实时监控用户交易行为；
所述步骤S3中，对于社交网络信息、图片和音频的非结构化数据，利用自然语言处理NLP技术和深度学习方法进行特征提取和处理；
所述步骤S6中，使用训练好的反欺诈模型对用户行为进行评估和分类，根据用户行为特征及模型评估结果，预判欺诈行为的可能性，并通过阈值分析得到判断结果；
所述步骤S6中，将反欺诈模型与实际应用相结合，对已知和未知的欺诈行为进行检测和预测，进行有效的反欺诈和风险控制，并不断进行模型调整和更新，以提高反欺诈系统的性能和精度；
所述步骤S6中，对于存在欺诈行为的用户，使用反欺诈模型寻找对应的欺诈特征，并输出欺诈诊断结果，提供给客户端或其他关联系统；
所述步骤S6中，根据欺诈行为的反馈数据，不断加入新数据进行迭代优化，不断调整反欺诈模型以提高准确性和有效性；
所述步骤S4中，在模型训练过程中，基于选出的特征和历史数据进行机器学习模型训练，采用监督学习，半监督或无监督学习方法，通过选择合适的特征与属性、算法应用构建反欺诈模型；
所述步骤S7中，在自动生成的规则库中，针对规则进行评估和测试，包括误报率、漏报率、准确率的指标，从而最终得到一组有效的规则，实时监控用户交易行为；
同时需要不断对规则库进行优化和迭代，以应对新的欺诈模式。
2.根据权利要求1所述的基于机器学习的反欺诈规则自动生成方法，其特征在于：所述步骤S3中，将数据集根据欺诈类型分为不同的训练集和测试集，其中训练集用于模型训练，测试集用于测试模型的泛化能力和准确性。
3.根据权利要求2所述的基于机器学习的反欺诈规则自动生成方法，其特征在于：所述步骤S7中，将自动生成的反欺诈规则应用于实际中，实时监测用户的交易行为，同时预判欺诈可能性，通过规则库判别欺诈行为，降低欺诈风险，保障交易安全。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310749934.4A CN116562901B (zh) | 2023-06-25 | 2023-06-25 | 基于机器学习的反欺诈规则自动生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310749934.4A CN116562901B (zh) | 2023-06-25 | 2023-06-25 | 基于机器学习的反欺诈规则自动生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116562901A CN116562901A (zh) | 2023-08-08 |
| CN116562901B true CN116562901B (zh) | 2024-04-02 |
Family
ID=87500326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310749934.4A Active CN116562901B (zh) | 2023-06-25 | 2023-06-25 | 基于机器学习的反欺诈规则自动生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116562901B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035003A (zh) * | 2018-07-04 | 2018-12-18 | 北京玖富普惠信息技术有限公司 | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 |
| CN109300028A (zh) * | 2018-09-11 | 2019-02-01 | 上海天旦网络科技发展有限公司 | 基于网络数据的实时反欺诈方法和系统及存储介质 |
| CN110084609A (zh) * | 2019-04-23 | 2019-08-02 | 东华大学 | 一种基于表征学习的交易欺诈行为深度检测方法 |
| CN110189134A (zh) * | 2019-05-17 | 2019-08-30 | 同济大学 | 基于疑似欺诈交易参照序位的网络支付反欺诈系统架构设计方法 |
| CN112767136A (zh) * | 2021-01-26 | 2021-05-07 | 天元大数据信用管理有限公司 | 基于大数据的信贷反欺诈识别方法、装置、设备及介质 |
| CN114298417A (zh) * | 2021-12-29 | 2022-04-08 | 中国银联股份有限公司 | 反欺诈风险评估方法、训练方法、装置及可读存储介质 |
-
2023
- 2023-06-25 CN CN202310749934.4A patent/CN116562901B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035003A (zh) * | 2018-07-04 | 2018-12-18 | 北京玖富普惠信息技术有限公司 | 基于机器学习的反欺诈模型建模方法和反欺诈监控方法 |
| CN109300028A (zh) * | 2018-09-11 | 2019-02-01 | 上海天旦网络科技发展有限公司 | 基于网络数据的实时反欺诈方法和系统及存储介质 |
| CN110084609A (zh) * | 2019-04-23 | 2019-08-02 | 东华大学 | 一种基于表征学习的交易欺诈行为深度检测方法 |
| CN110189134A (zh) * | 2019-05-17 | 2019-08-30 | 同济大学 | 基于疑似欺诈交易参照序位的网络支付反欺诈系统架构设计方法 |
| CN112767136A (zh) * | 2021-01-26 | 2021-05-07 | 天元大数据信用管理有限公司 | 基于大数据的信贷反欺诈识别方法、装置、设备及介质 |
| CN114298417A (zh) * | 2021-12-29 | 2022-04-08 | 中国银联股份有限公司 | 反欺诈风险评估方法、训练方法、装置及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116562901A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11468260B2 (en) | Density based confidence measures of neural networks for reliable predictions | |
| US11093845B2 (en) | Tree pathway analysis for signature inference | |
| US8543522B2 (en) | Automatic rule discovery from large-scale datasets to detect payment card fraud using classifiers | |
| US20120173465A1 (en) | Automatic Variable Creation For Adaptive Analytical Models | |
| CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
| CN106960358A (zh) | 一种基于农村电子商务大数据深度学习的金融欺诈行为量化检测系统 | |
| KR102168198B1 (ko) | 기업 부도 예측 시스템 및 이의 동작 방법 | |
| CN117349782B (zh) | 智能数据预警决策树分析方法及系统 | |
| CN112767136A (zh) | 基于大数据的信贷反欺诈识别方法、装置、设备及介质 | |
| CN117220978B (zh) | 一种网络安全运营模型量化评估系统及评估方法 | |
| CN115438102A (zh) | 时空数据异常识别方法、装置和电子设备 | |
| CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
| CN116379360A (zh) | 一种基于知识迁移的掺氢天然气管道损伤预测方法及系统 | |
| CN117422181B (zh) | 一种基于模糊标签的代发客户流失预警方法及系统 | |
| CN115760127A (zh) | 一种基于规则注意力机制的交易欺诈检测方法及系统 | |
| CN110347669A (zh) | 基于流式大数据分析的风险防范方法 | |
| CN116562901B (zh) | 基于机器学习的反欺诈规则自动生成方法 | |
| CN115187266B (zh) | 基于记忆力变分自编码模型的信用卡欺诈检测方法及系统 | |
| CN115619539A (zh) | 贷前风险评价方法以及装置 | |
| CN116611911A (zh) | 基于支持向量机的信用风险预测方法及装置 | |
| CN115618297A (zh) | 识别异常企业的方法及其装置 | |
| CN113781056A (zh) | 预测用户欺诈行为的方法及装置 | |
| CN113935846A (zh) | 一种基于数理统计的金融风险预测评估系统及方法 | |
| US20230214842A1 (en) | Locating suspect transaction patterns in financial networks | |
| KR102409019B1 (ko) | 금융 거래 위험 평가 시스템과 방법 및 이를 위한 컴퓨터 프로그램 |
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 |