CN116681512A - 信用卡欺诈行为检测方法及装置 - Google Patents

信用卡欺诈行为检测方法及装置 Download PDF

Info

Publication number
CN116681512A
CN116681512A CN202310682731.8A CN202310682731A CN116681512A CN 116681512 A CN116681512 A CN 116681512A CN 202310682731 A CN202310682731 A CN 202310682731A CN 116681512 A CN116681512 A CN 116681512A
Authority
CN
China
Prior art keywords
credit card
fraud detection
behavior data
fraud
detection model
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
CN202310682731.8A
Other languages
English (en)
Inventor
程飞
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 CN202310682731.8A priority Critical patent/CN116681512A/zh
Publication of CN116681512A publication Critical patent/CN116681512A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06N3/09—Supervised 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请提供一种信用卡欺诈行为检测方法及装置，可用于深度学习领域，该方法包括：获取待处理信用卡的目标行为类型的行为数据；应用预设的信用卡欺诈行为检测模型和行为数据，得到待处理信用卡对应的欺诈行为检测结果；其中，预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：目标行为类型对应的历史行为数据，目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自的历史行为数据。本申请能够提高信用卡欺诈行为检测过程中特征选择的可靠性，进而能够提高信用卡欺诈行为检测的准确性和效率。

Description

信用卡欺诈行为检测方法及装置
技术领域
本申请涉及深度学习技术领域，尤其涉及一种信用卡欺诈行为检测方法及装置。
背景技术
随着信用卡支付的推广，信用卡欺诈行为也时有发生。信用卡欺诈行为包括网络钓鱼、身份盗窃、盗刷、使用丢失或被盗的卡片、卡片克隆等。
目前，常见的信用卡欺诈检测方式包括：基于机器学习和深度学习检测信用卡欺诈行为。但是，信用卡行为数据通常具有大量的特征和高维度，这增加了模型的计算复杂度和训练时间。特别是在深度学习方法中，需要大量的计算资源和时间来训练和优化深层神经网络模型，影响信用卡欺诈行为检测的效率。
发明内容
针对现有技术中的至少一个问题，本申请提出了一种信用卡欺诈行为检测方法及装置，能够提高信用卡欺诈行为检测过程中特征选择的可靠性，进而能够提高信用卡欺诈行为检测的准确性和效率。
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，本申请提供一种信用卡欺诈行为检测方法包括：
获取待处理信用卡对应的目标行为类型的行为数据；
应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；
其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
在一个实施例中，在所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果之前，还包括：
获取批量原始训练样本，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据；
应用竞争型群体优化算法对批量原始训练样本进行特征选择处理，确定目标行为类型。
在一个实施例中，所述的信用卡欺诈行为检测方法，还包括：
获取批量原始训练样本各自对应的实际欺诈行为标签，所述实际欺诈行为标签包括：欺诈行为风险标签和正常行为标签；
从每个原始训练样本中获得所述目标行为类型对应的历史行为数据并确定为训练样本，并将该原始训练样本对应的实际欺诈行为标签确定为该训练样本对应的实际欺诈行为标签；
应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型。
在一个实施例中，所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果，包括：
将所述行为数据输入预设的信用卡欺诈行为检测模型，若根据该预设的信用卡欺诈行为检测模型的输出结果确定所述待处理信用卡对应的欺诈行为检测结果为存在欺诈行为，则输出所述待处理信用卡对应的预警信息。
在一个实施例中，所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果包括：
将所述行为数据输入所述预设的信用卡欺诈行为检测模型，经由所述预设的信用卡欺诈行为检测模型的卷积层、池化层、全连接层和归一化指数函数层，得到所述待处理信用卡对应的欺诈行为检测结果。
在一个实施例中，所述应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型，包括：
应用训练样本集分别对多个分类算法进行训练，得到多个初始信用卡欺诈行为检测模型，所述训练样本集包括：批量训练样本及其各自对应的实际欺诈行为标签；
获取验证样本集，所述验证样本集包括：批量验证样本及其各自对应的实际欺诈行为标签，每个验证样本包括：所述目标行为类型对应的历史行为数据；
应用所述验证样本集分别对各个初始信用卡欺诈行为检测模型进行验证，将准确率最高的初始信用卡欺诈行为检测模型确定为所述信用卡欺诈行为检测模型。
在一个实施例中，所述深度学习算法为深度卷积神经网络算法。
第二方面，本申请提供一种信用卡欺诈行为检测装置，包括：
获取模块，用于获取待处理信用卡对应的目标行为类型的行为数据；
检测模块，用于应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；
其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
在一个实施例中，所述的信用卡欺诈行为检测装置还包括：
获取原始训练样本模块，用于获取批量原始训练样本，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据；
特征选择模块，用于应用竞争型群体优化算法对批量原始训练样本进行特征选择处理，确定目标行为类型。
在一个实施例中，所述的信用卡欺诈行为检测装置还包括：
获取标签模块，用于获取批量原始训练样本各自对应的实际欺诈行为标签，所述实际欺诈行为标签包括：欺诈行为风险标签和正常行为标签；
确定模块，用于从每个原始训练样本中获得所述目标行为类型对应的历史行为数据并确定为训练样本，并将该原始训练样本对应的实际欺诈行为标签确定为该训练样本对应的实际欺诈行为标签；
训练模块，用于应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型。
在一个实施例中，所述检测模块包括：
输入单元，用于将所述行为数据输入预设的信用卡欺诈行为检测模型，若根据该预设的信用卡欺诈行为检测模型的输出结果确定所述待处理信用卡对应的欺诈行为检测结果为存在欺诈行为，则输出所述待处理信用卡对应的预警信息。
在一个实施例中，所述检测模块包括：
检测单元，用于将所述行为数据输入所述预设的信用卡欺诈行为检测模型，经由所述预设的信用卡欺诈行为检测模型的卷积层、池化层、全连接层和归一化指数函数层，得到所述待处理信用卡对应的欺诈行为检测结果。
在一个实施例中，所述训练模块，包括：
训练单元，用于应用训练样本集分别对多个分类算法进行训练，得到多个初始信用卡欺诈行为检测模型，所述训练样本集包括：批量训练样本及其各自对应的实际欺诈行为标签；
获取验证样本单元，用于获取验证样本集，所述验证样本集包括：批量验证样本及其各自对应的实际欺诈行为标签，每个验证样本包括：所述目标行为类型对应的历史行为数据；
验证单元，用于应用所述验证样本集分别对各个初始信用卡欺诈行为检测模型进行验证，将准确率最高的初始信用卡欺诈行为检测模型确定为所述信用卡欺诈行为检测模型。
在一个实施例中，所述深度学习算法为深度卷积神经网络算法。
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信用卡欺诈行为检测方法。
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，所述指令被处理器执行时实现所述的信用卡欺诈行为检测方法。
由上述技术方案可知，本申请提供一种信用卡欺诈行为检测方法及装置。其中，该方法包括：获取待处理信用卡对应的目标行为类型的行为数据；应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据，能够提高信用卡欺诈行为检测过程中特征选择的可靠性，进而能够提高信用卡欺诈行为检测的准确性和效率。
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是本申请实施例中的信用卡欺诈行为检测方法的第一流程示意图；
图2是本申请实施例中的信用卡欺诈行为检测方法的第二流程示意图；
图3是本申请实施例中的信用卡欺诈行为检测方法的第三流程示意图；
图4是本申请应用实例中的信用卡欺诈行为检测方法的逻辑示意图；
图5是本申请实施例中的信用卡欺诈行为检测装置的第一结构示意图；
图6是本申请实施例中的信用卡欺诈行为检测装置的第二结构示意图；
图7为本申请实施例的电子设备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。
为了便于对本方案的理解，以下对与本方案相关的技术术语进行说明。
竞争性群体优化：是一种基于自然界中生物进化的算法，它模拟了生物进化的过程来寻找最优解。在这个过程中，算法将一个初始的群体分成两个子群体，并通过竞争来筛选出最优秀的个体。
适应度值：是指在优化问题中，用来评估一个个体(或解决方案)优劣程度的指标。
指令的质量：指的是在机器学习或深度学习任务中提供给模型的指导或指示的质量。这包括用于训练和测试模型的标签、注释或任务说明等。
修正线性单元：是一种常用的人工神经网络激活函数，用于引入非线性特性和增强网络的表示能力。
随着虚拟商业和互联网的快速发展，电子商务经历了巨大的变革，并创造了更为巨大的价值。现在，全球市场化经济不断发展，享有更多的自由和面临更激烈的竞争。电子商务也使得互联网和银行部门的相关应用创新更简单和易实现。它使用户的生活变得简单﹐无论是消费者还是企业主。同时它在竞争更加激烈的全球经济中很重要，对于电子商务或数字巿场﹐在线支付是必不可少的。
电子商务规模的不断扩大﹐笔记本电脑、移动电话、POS机等联网设备的使用﹐在线支付使你可以在任何时候进行交易，更为方便和高效。它有两种执行方法﹐即在线和离线电子支付。虚拟支付为支付程序，即在线支付，它需要账户所有者的姓名、密码、卡号、余额和其他敏感信息。实体支付为离线支付，即线下支付，它需要持卡人在场和密码。这些信息的泄露很容易导致欺诈行为，通常欺诈所需的第一项内容是持卡人的信用卡号码。这些欺诈行为可以通过各种方式进行。信用卡欺诈经常使用的技术包括网络钓鱼、身份盗窃、盗刷、使用丢失或被盗的卡片、卡片克隆等。除了这些技术之外，还有其他机制使信用卡欺诈成为可能﹐如恶意软件或键盘记录器，它们可以在在线交易中窃取信用卡信息，或扫描仪用于读取你的信用卡信息。虽然在线支付不需要签名或卡的PIN码﹐但它窃取信息过程更容易。大多数网站都在窃取信用卡信息后并将其出售给第三方，许多欺诈者都在暗网上，因此很难被抓住。
现有的信用卡欺诈分类方法主要分为规则、数学统计、机器学习和深度学习这四大类。其中基于规则的方法：即使用预定义的规则和规则集来检测信用卡欺诈行为。这些规则可以基于特定的模式、异常交易行为或其他欺诈指标。例如，当一张信用卡在短时间内进行多笔高额交易时，可能触发欺诈规则。其中基于统计模型的方法：即使用统计模型来分析信用卡交易数据并检测异常模式。常用的统计模型包括聚类分析、异常检测和时间序列分析。通过比较实际交易数据与预期模型之间的差异，可以发现潜在的欺诈行为。其中机器学习方法：机器学习方法在信用卡欺诈分类中得到广泛应用。这些方法使用历史交易数据作为训练集，通过学习正常和欺诈交易之间的模式差异，来检测新的交易是否为欺诈。常见的机器学习算法包括支持向量机、随机森林、逻辑回归和神经网络等。最后是基于深度学习的方法：深度学习是机器学习的一个分支，通过使用多层神经网络进行特征提取和模式学习，可以更准确地识别信用卡欺诈。常用的深度学习算法包括卷积神经网络、循环神经网络和生成对抗网络等。
尽管目前信用卡欺诈分类方法在识别欺诈行为方面取得了一定的成功，但它们也存在一些缺点和挑战，包括：
1)数据不平衡：信用卡欺诈交易相对于正常交易来说是非常罕见的，导致了数据集的严重不平衡。这会导致模型对欺诈类别的识别能力不足，容易出现误分类和漏报的问题。欺诈模式的变化：欺诈者不断改变他们的欺诈模式和策略，以逃避被检测。这使得传统的基于规则或统计模型的方法在应对新型欺诈行为时表现不佳，需要不断更新和调整模型。
2)特征工程的挑战：在机器学习方法中，对于信用卡欺诈分类任务，选择和提取有效的特征是一项具有挑战性的任务。需要对交易数据进行适当的特征工程，以捕捉欺诈行为的模式。这需要领域专业知识和经验。高维数据和计算复杂度：信用卡交易数据通常具有大量的特征和高维度，这增加了模型的计算复杂度和训练时间。特别是在深度学习方法中，需要大量的计算资源和时间来训练和优化深层神经网络模型。误报率和漏报率的权衡：在欺诈分类中，需要平衡误报率(将正常交易错误地分类为欺诈)和漏报率(未能正确地将欺诈交易标识为欺诈)之间的权衡。降低误报率可能导致较高的漏报率，而降低漏报率可能增加误报率。
3)数据质量和隐私问题：准确的信用卡欺诈分类方法需要高质量、准确的交易数据。然而，存在数据缺失、错误数据和不完整数据等质量问题。此外，对于使用个人交易数据进行分类的方法，保护用户隐私是一个重要的考虑因素。
最近的研究中提到了利用基于机器学习的方法构建的数据库，其中包含了真实的信用卡交易历史。然而，由于某些数据集存在不平衡的情况，这些方法的检测得分仍然需要改进。在各种不同的数据集上，只有少数方法能够产生显著的结果。之前部署的系统中所采用的分类方法存在一个问题，即无法理解冗长陈述。这种错误的普遍存在可能导致错误的分类结果。由于高计算成本和低精确度，现有方法的效果并不理想。同时，数据的数量和指令的质量也带来了困难。因此，考虑到这些限制，可以通过竞争群体优化构建一种基于深度学习的有效混合模型。
在数字化环境中，欺诈检测被认为是一个必要的过程，本发明重点研究欺诈检测的分类活动，提出了一种信用卡欺诈行为检测方法及装置，基于竞争性群体优化的深度卷积神经网络对正常交易和欺诈交易进行分类，可以通过使用三个不同的数据集对所提出的技术进行评估，结果显示CSO-DCNN模型在准确率、平均绝对误差MAE和均方误差MSE方面优于现有的DCNN模型。在信用卡欺诈数据集上，CSO-DCNN模型的准确率提高到了98.20％，MAE降低至0.131，MSE降低至0.263。在抵押欺诈和保险欺诈数据集上，CSO-DCNN模型也展现出更好的性能。综合而言，所提出的CSO-DCNN模型在欺诈检测方面表现出优势，具有较高的准确性和较低的误差率。
在线支付在当今的全球计算世界中扮演着重要角色，它们使用卡用户的凭证完成申请并进行付款。因此，在在线系统中检测尽可能多的欺诈行为，开发最佳方法至关重要。使用准确性、平均绝对误差MAE和均方误差MSE来评估所提出的方法与现有方法的性能。通过性能结果表明，所提出的技术在准确性方面优于现有方法。所提出的方法在三个数据集上均实现了最高的准确性，即DCNN。最高的准确性表明所提出的方法在识别网络攻击方面取得了成功。此外，所提出的方法在平均绝对误差方面表现出较低的误差率，优于现有方法。
需要说明的是，本申请公开的信用卡欺诈行为检测方法及装置可用于金融技术领域，也可用于除金融技术领域之外的任意领域，本申请公开的信用卡欺诈行为检测方法及装置的应用领域不做限定。本申请各实施例的技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。
具体通过下述各个实施例进行说明。
为了提高信用卡欺诈行为检测过程中特征选择的可靠性，进而提高信用卡欺诈行为检测的准确性和效率，本实施例提供一种执行主体是信用卡欺诈行为检测装置的信用卡欺诈行为检测方法，该信用卡欺诈行为检测装置包括但不限于服务器，如图1所示，该方法具体包含有如下内容：
步骤100：获取待处理信用卡对应的目标行为类型的行为数据。
具体地，所述目标行为类型可以包括：持卡人的年龄、婚姻状态、受教育程度、职业、职务。行为类型可以相当于特征。
步骤200：应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
具体地，所述原始行为类型中包含有所述目标行为类型。例如，所述原始行为类型包括：持卡人的年龄、婚姻状态、受教育程度、职业、职务、网上购物或线下POS消费的金额、时间、当前余额、30天内交易次数，目标行为类型包括：持卡人的年龄、婚姻状态、受教育程度、职业、职务。欺诈行为检测结果可以包括：存在欺诈行为或者不存在欺诈行为。
可以利用竞争型群体优化算法进行特征选择；高效的竞争型群体优化算法CSO用于解决庞大的优化模型，并通过从选定的竞争者中学习的方式进行优化。在每次迭代中，种群中的粒子被动态地分成两部分，并实现粒子之间的双边竞争。在N维空间中，G个粒子被初始化。适应度函数通过验证适应度值来评估特征，并获取潜在响应中的最大值。为了计算适应度函数，随机选择了项，并生成了这些随机选择项的可行解。MAD值在以下公式中进行估计，如下所示：
其中，fe表示特征的数量，g表示从用户推文中检索到的评论，vexyg表示群体智能路径向量的结果，sg表示包含x个特征的分割组的数量；用户推文可以来源于购物平台和社交平台等，人们经常会在购物平台和社交平台上发表关于购物体验的评论和看法。通过收集这些评论数据即用户推文，可以更好地了解消费者对于电子商务平台的评价和反馈。这些评论数据可以用于欺诈检测模型的训练和测试，将用户推文作为评论数据集，并通过计算MAD值来评估每个特征之间的得分和距离。例如，一些消费者可能会在评论中提到他们的信用卡信息被盗用或者他们遭遇了欺诈行为。通过收集这些评论数据，并将其作为欺诈检测模型的训练和测试数据集，可以帮助提高模型的准确性和可靠性。
采用MAD作为适应度函数的主要目标是确定每个个体部分的得分以及它们之间的距离。在搜索的特定区域中，解决方案选择具有最高MAD适应度值的特征。满足适应度函数的概念被称为赢家，而不满足适应度函数的概念被称为输家。竞争中的赢家将立即进入下一次迭代，而输家将学习赢家所发现的信息。被随机指定为输家的个体将通过改变速度来调整其位置。通过确定赢家的位置，输家可以相对于赢家确定自己的位置。同时，位置和速度将根据以下方程描述：
获胜的群体表示为失败的群体表示为/>平均位置为/>对于p-t，影响由参数p调节。迭代表示为t，随机向量表示为RG_1^t、RG_2^t、RG_3^t，取值范围在[0,1]n之间。根据失败群体中的值，速度和位置将进行更新，得到新的位置。使用方程对新生成的群体进行函数值评估，并将适应度最高的群体传递给获胜者。CSO算法的优点在于提高准确性，进而提高检测和确定精度的效率，减少卡欺诈的发生，并检测潜在的欺诈活动，即使在大规模数据集中，通过更高效的分类减轻预算上的压力，并降低进行网络支付时的欺诈风险。
具体地，所述深度学习算法可以为深度卷积神经网络算法，可以利用深度卷积神经网络进行分类。
深度卷积神经网络采用修正线性单元作为学习率，用于帮助分类最佳特征。DCNN由特征提取和分类阶段组成。特征学习阶段包括卷积层和池化层，分类阶段包括全连接层和Softmax层。深度CNN能够学习图像特征并进行直接分类。
卷积层：通过多个滤波器在输入数据上滑动，将每个滤波器输出的结果进行逐元素乘法和聚合。该层的输出被计算为输入的响应率。下一层使用归一化累积值作为输入的组件。卷积层的输出将完善其他模式的数据。在卷积层中，可以设置零填充、步幅和滤波器大小来进行操作。修正线性单元ReLU作为激活函数，加快了概率上升梯度的收敛速度。ReLU的构造简单，并利用了阈值处理，即将激活函数的输出转换为零。当输入为负数时，输出为零；当输入为正数时，输出为输入值。ReLUAFn的表达式如下：
AFn＝max(0，t)
当AFn值达到零时，梯度过程停止学习，并在此时启动Leaky ReLU。Leaky ReLU的功能由以下公式表示：
其中，o被设定为预设参数，并赋予值0.01。
池化层：池化层减少了输出的维度，其中使用最常见的最大池化技术来显示最大池化滤波器的值。最大池化是一种有效的方法，可以显著减小输入样本的大小。通过最大池化方法完成求和和合并过程。
全连接层：卷积层的结果显示，该层将来自高维属性的非线性数据进行整合。该层学习了该区域的非线性功能。
Softmax层：这一阶段涉及分类，输出单元使用softmax函数，将输出数据进行标准化指数化处理。这意味着输出的频率和功能是不同的。此外，逐渐增加的像素值将概率提高到最高程度。softmax的计算如下：
其中，zx表示softmax之前的输出计数，SOPx表示输出计数x的softmax输出，M表示该层中的总输出节点数。在这一层中，进行对分类器进行分类。
由上述描述可知，本实施例提供的信用卡欺诈行为检测方法，能够提高信用卡欺诈行为检测过程中特征选择的可靠性，进而能够提高信用卡欺诈行为检测的准确性和效率；能够及时检测当前可能已经存在的欺诈行为，并尽可能减少误报率和漏报率。
为了提高特征选取的可靠性，提高接下来信用卡欺诈行为检测模型训练的效率和可靠性，如图2所示，在一个实施例中，在步骤200之前，还包括：
步骤001：获取批量原始训练样本，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
具体地，所述历史行为数据可以是在获取目标行为类型对应的行为数据之前获得的原始行为类型对应的行为数据。
步骤002：应用竞争型群体优化算法对批量原始训练样本进行特征选择处理，确定目标行为类型。
为了提高信用卡欺诈行为检测模型训练的可靠性，进而提高应用信用卡欺诈行为检测模型的准确性，如图3所示，在一个实施例中，在步骤200之前，还包括：
步骤003：获取批量原始训练样本各自对应的实际欺诈行为标签，所述实际欺诈行为标签包括：欺诈行为风险标签和正常行为标签。
具体地，所述欺诈行为风险标签可以表示对应的训练样本实际存在欺诈行为，正常行为标签可以表示对应的训练样本实际不存在欺诈行为。
步骤004：从每个原始训练样本中获得所述目标行为类型对应的历史行为数据并确定为训练样本，并将该原始训练样本对应的实际欺诈行为标签确定为该训练样本对应的实际欺诈行为标签。
步骤005：应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型。
为了及时对信用卡欺诈行为预警，在一个实施例中，步骤200包括：
将所述行为数据输入预设的信用卡欺诈行为检测模型，若根据该预设的信用卡欺诈行为检测模型的输出结果确定所述待处理信用卡对应的欺诈行为检测结果为存在欺诈行为，则输出所述待处理信用卡对应的预警信息。
为了进一步提高确定欺诈行为检测结果的可靠性，在一个实施例中，步骤200包括：
将所述行为数据输入所述预设的信用卡欺诈行为检测模型，经由所述预设的信用卡欺诈行为检测模型的卷积层、池化层、全连接层和归一化指数函数层，得到所述待处理信用卡对应的欺诈行为检测结果。
为了提高获得信用卡欺诈行为检测模型的准确性，在一个实施例中，步骤005包括：
步骤051：应用训练样本集分别对多个分类算法进行训练，得到多个初始信用卡欺诈行为检测模型，所述训练样本集包括：批量训练样本及其各自对应的实际欺诈行为标签。
步骤052：获取验证样本集，所述验证样本集包括：批量验证样本及其各自对应的实际欺诈行为标签，每个验证样本包括：所述目标行为类型对应的历史行为数据。
步骤053：应用所述验证样本集分别对各个初始信用卡欺诈行为检测模型进行验证，将准确率最高的初始信用卡欺诈行为检测模型确定为所述信用卡欺诈行为检测模型。
具体地，应用所述验证样本集分别对各个初始信用卡欺诈行为检测模型进行验证，可以得到各个初始信用卡欺诈行为检测模型的准确率，将准确率最高的初始信用卡欺诈行为检测模型确定为所述信用卡欺诈行为检测模型。
如图4所示，为了进一步说明本方案，本申请提供一种信用卡欺诈行为检测的应用实例，在本应用实例中，该方法包括：获取数据集，即训练集；对训练集预处理；应用CSO算法对预处理后的训练集进行特征提取，应用特征提取后得到的训练集对DCNN分类模型进行训练，应用训练后的DCNN分类模型进行信用卡欺诈行为检测。
从软件层面来说，为了提高信用卡欺诈行为检测过程中特征选择的可靠性，进而提高信用卡欺诈行为检测的准确性和效率，本申请提供一种用于实现所述信用卡欺诈行为检测方法中全部或部分内容的信用卡欺诈行为检测装置的实施例，参见图5，所述信用卡欺诈行为检测装置具体包含有如下内容：
获取模块01，用于获取待处理信用卡对应的目标行为类型的行为数据；
检测模块02，用于应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
如图6所示，在一个实施例中，所述的信用卡欺诈行为检测装置还包括：
获取原始训练样本模块03，用于获取批量原始训练样本，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据；
特征选择模块04，用于应用竞争型群体优化算法对批量原始训练样本进行特征选择处理，确定目标行为类型。
在一个实施例中，所述的信用卡欺诈行为检测装置还包括：
获取标签模块，用于获取批量原始训练样本各自对应的实际欺诈行为标签，所述实际欺诈行为标签包括：欺诈行为风险标签和正常行为标签；
确定模块，用于从每个原始训练样本中获得所述目标行为类型对应的历史行为数据并确定为训练样本，并将该原始训练样本对应的实际欺诈行为标签确定为该训练样本对应的实际欺诈行为标签；
训练模块，用于应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型。
在一个实施例中，所述检测模块包括：
输入单元，用于将所述行为数据输入预设的信用卡欺诈行为检测模型，若根据该预设的信用卡欺诈行为检测模型的输出结果确定所述待处理信用卡对应的欺诈行为检测结果为存在欺诈行为，则输出所述待处理信用卡对应的预警信息。
在一个实施例中，所述检测模块包括：
检测单元，用于将所述行为数据输入所述预设的信用卡欺诈行为检测模型，经由所述预设的信用卡欺诈行为检测模型的卷积层、池化层、全连接层和归一化指数函数层，得到所述待处理信用卡对应的欺诈行为检测结果。
在一个实施例中，所述训练模块，包括：
训练单元，用于应用训练样本集分别对多个分类算法进行训练，得到多个初始信用卡欺诈行为检测模型，所述训练样本集包括：批量训练样本及其各自对应的实际欺诈行为标签；
获取验证样本单元，用于获取验证样本集，所述验证样本集包括：批量验证样本及其各自对应的实际欺诈行为标签，每个验证样本包括：所述目标行为类型对应的历史行为数据；
验证单元，用于应用所述验证样本集分别对各个初始信用卡欺诈行为检测模型进行验证，将准确率最高的初始信用卡欺诈行为检测模型确定为所述信用卡欺诈行为检测模型。
在一个实施例中，所述深度学习算法为深度卷积神经网络算法。
本说明书提供的信用卡欺诈行为检测装置的实施例具体可以用于执行上述信用卡欺诈行为检测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述信用卡欺诈行为检测方法实施例的详细描述。
从硬件层面来说，为了提高信用卡欺诈行为检测过程中特征选择的可靠性，进而提高信用卡欺诈行为检测的准确性和效率，本申请提供一种用于实现所述信用卡欺诈行为检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信用卡欺诈行为检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信用卡欺诈行为检测方法的实施例及用于实现所述信用卡欺诈行为检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7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7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7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，信用卡欺诈行为检测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100：获取待处理信用卡对应的目标行为类型的行为数据；
步骤200：应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
从上述描述可知，本申请的实施例提供的电子设备，能够提高信用卡欺诈行为检测过程中特征选择的可靠性，进而提高信用卡欺诈行为检测的准确性和效率。
在另一个实施方式中，信用卡欺诈行为检测装置可以与中央处理器9100分开配置，例如可以将信用卡欺诈行为检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信用卡欺诈行为检测功能。
如图7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7中所示的所有部件；此外，电子设备9600还可以包括图7中没有示出的部件，可以参考现有技术。
如图7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，能够提高信用卡欺诈行为检测过程中特征选择的可靠性，进而提高信用卡欺诈行为检测的准确性和效率。
本申请的实施例还提供能够实现上述实施例中的信用卡欺诈行为检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信用卡欺诈行为检测方法的全部步骤，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100：获取待处理信用卡对应的目标行为类型的行为数据；
步骤200：应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
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，能够提高信用卡欺诈行为检测过程中特征选择的可靠性，进而提高信用卡欺诈行为检测的准确性和效率。
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 (10)

1.一种信用卡欺诈行为检测方法，其特征在于，包括：
获取待处理信用卡对应的目标行为类型的行为数据；
应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；
其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
2.根据权利要求1所述的信用卡欺诈行为检测方法，其特征在于，在所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果之前，还包括：
获取批量原始训练样本，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据；
应用竞争型群体优化算法对批量原始训练样本进行特征选择处理，确定目标行为类型。
3.根据权利要求2所述的信用卡欺诈行为检测方法，其特征在于，还包括：
获取批量原始训练样本各自对应的实际欺诈行为标签，所述实际欺诈行为标签包括：欺诈行为风险标签和正常行为标签；
从每个原始训练样本中获得所述目标行为类型对应的历史行为数据并确定为训练样本，并将该原始训练样本对应的实际欺诈行为标签确定为该训练样本对应的实际欺诈行为标签；
应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型。
4.根据权利要求1所述的信用卡欺诈行为检测方法，其特征在于，所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果，包括：
将所述行为数据输入预设的信用卡欺诈行为检测模型，若根据该预设的信用卡欺诈行为检测模型的输出结果确定所述待处理信用卡对应的欺诈行为检测结果为存在欺诈行为，则输出所述待处理信用卡对应的预警信息。
5.根据权利要求1所述的信用卡欺诈行为检测方法，其特征在于，所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果包括：
将所述行为数据输入所述预设的信用卡欺诈行为检测模型，经由所述预设的信用卡欺诈行为检测模型的卷积层、池化层、全连接层和归一化指数函数层，得到所述待处理信用卡对应的欺诈行为检测结果。
6.根据权利要求3所述的信用卡欺诈行为检测方法，其特征在于，所述应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型，包括：
应用训练样本集分别对多个分类算法进行训练，得到多个初始信用卡欺诈行为检测模型，所述训练样本集包括：批量训练样本及其各自对应的实际欺诈行为标签；
获取验证样本集，所述验证样本集包括：批量验证样本及其各自对应的实际欺诈行为标签，每个验证样本包括：所述目标行为类型对应的历史行为数据；
应用所述验证样本集分别对各个初始信用卡欺诈行为检测模型进行验证，将准确率最高的初始信用卡欺诈行为检测模型确定为所述信用卡欺诈行为检测模型。
7.根据权利要求1所述的信用卡欺诈行为检测方法，其特征在于，所述深度学习算法为深度卷积神经网络算法。
8.一种信用卡欺诈行为检测装置，其特征在于，包括：
获取模块，用于获取待处理信用卡对应的目标行为类型的行为数据；
检测模块，用于应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；
其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
9.一种电子设备，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至7任一项所述的信用卡欺诈行为检测方法。
10.一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，所述指令被处理器执行时实现权利要求1至7任一项所述的信用卡欺诈行为检测方法。
CN202310682731.8A 2023-06-09 2023-06-09 信用卡欺诈行为检测方法及装置 Pending CN116681512A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310682731.8A CN116681512A (zh) 2023-06-09 2023-06-09 信用卡欺诈行为检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310682731.8A CN116681512A (zh) 2023-06-09 2023-06-09 信用卡欺诈行为检测方法及装置

Publications (1)

Publication Number Publication Date
CN116681512A true CN116681512A (zh) 2023-09-01

Family

ID=87786890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310682731.8A Pending CN116681512A (zh) 2023-06-09 2023-06-09 信用卡欺诈行为检测方法及装置

Country Status (1)

Country Link
CN (1) CN116681512A (zh)

Similar Documents

Publication Publication Date Title
CN110009174B (zh) 风险识别模型训练方法、装置及服务器
CN111275546B (zh) 金融客户欺诈风险识别方法及装置
Modi et al. Review on fraud detection methods in credit card transactions
US12118552B2 (en) User profiling based on transaction data associated with a user
CN110147823B (zh) 一种风控模型训练方法、装置及设备
CN108596616B (zh) 用户数据真实性分析方法及装置、存储介质、电子设备
US20220269796A1 (en) Method and system for securely deploying an artificial intelligence model
Zhou et al. Fraud detection within bankcard enrollment on mobile device based payment using machine learning
CN111428217A (zh) 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质
Karthikeyan et al. An effective fraud detection using competitive swarm optimization based deep neural network
CN115409518A (zh) 用户交易风险预警方法及装置
CN116823428A (zh) 一种反欺诈检测方法、装置、设备及存储介质
CA3234914A1 (en) Multi-model system for electronic transaction authorization and fraud detection
CN111951008A (zh) 一种风险预测方法、装置、电子设备和可读存储介质
CN111784053A (zh) 交易风险检测方法、设备及可读存储介质
CN113887214B (zh) 基于人工智能的意愿推测方法、及其相关设备
CN115204322A (zh) 行为链路异常识别方法和装置
CN113706258B (zh) 基于组合模型的产品推荐方法、装置、设备及存储介质
CN116681512A (zh) 信用卡欺诈行为检测方法及装置
Sinčák Machine Learning Methods in Payment Card Fraud Detection
Bhavya et al. Credit Card Fraud Detection using Classification, Unsupervised, Neural Networks Models
Guo et al. Evaluation and Optimization of Machine Learning Algorithms in Personalized Marketing
CN110782342B (zh) 基于二分类模型验证新渠道特征工程正确性的方法及装置
Mutemi et al. A numeric-based machine learning design for detecting organized retail fraud in digital marketplaces
US20240185090A1 (en) Assessment of artificial intelligence errors using machine learning

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