WO2017143932A1 - 基于样本聚类的欺诈交易检测方法 - Google Patents

基于样本聚类的欺诈交易检测方法 Download PDF

Info

Publication number
WO2017143932A1
WO2017143932A1 PCT/CN2017/073579 CN2017073579W WO2017143932A1 WO 2017143932 A1 WO2017143932 A1 WO 2017143932A1 CN 2017073579 W CN2017073579 W CN 2017073579W WO 2017143932 A1 WO2017143932 A1 WO 2017143932A1
Authority
WO
WIPO (PCT)
Prior art keywords
sample
transaction
samples
neural network
clustering
Prior art date
Application number
PCT/CN2017/073579
Other languages
English (en)
French (fr)
Inventor
赵金涛
曾利彬
候玲
邱雪涛
葛鸣铭
Original Assignee
中国银联股份有限公司
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 中国银联股份有限公司 filed Critical 中国银联股份有限公司
Publication of WO2017143932A1 publication Critical patent/WO2017143932A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification

Definitions

  • the present invention relates to a fraudulent transaction detection method, and more particularly to a fraud detection method based on sample clustering.
  • the security information interaction process that is, the information exchange process that requires high security, such as the payment transaction process in the financial field.
  • the detection of fraudulent transactions is becoming more and more important.
  • the present invention proposes a sample cluster-based fraud transaction detecting method capable of more accurately identifying fraudulent transactions.
  • a method for detecting fraudulent transactions based on sample clustering includes:
  • the step (A1) further comprises: (1) extracting fraudulent transactions and normal transaction data samples in the same time period T1 from the database as a set of original training data samples, and Defrauding the fraudulent transaction and normal transaction data for a period of time T2 after the time period T1 in the database as a set of original test data samples, wherein each sample in the original training data sample set and the original test data sample set is a data table a record consisting of a plurality of fields; (2) determining, according to a predetermined decision rule, whether each of the original training data sample set and the original test data sample set belongs to a normal transaction, thereby from the original The training data sample set and the original test data sample set are used to filter and remove samples that are abnormal transactions.
  • the step (A1) further comprises: clustering the samples in the original training data sample set from which the samples belonging to the abnormal transaction have been removed to obtain the clustered training data.
  • the step (A1) further comprises: (1) adding the filtered samples belonging to the abnormal transaction to each of the clustered training data sample sets, by This constitutes a set of extended training data samples consisting of n extended packets, denoted as ⁇ B 1 , . . .
  • the step (A1) further comprises: performing an original training with the foregoing for the sample that has been removed for the abnormal transaction, for the original test data sample set from which the sample belonging to the abnormal transaction has been removed. Clustering, extension, and similar clustering, expansion, and WEO value calculation and replacement operations for the collection of data samples to obtain the final test sample set.
  • the step (A3) further comprises: (1) determining, for each transaction record to be detected, whether it belongs to an abnormal transaction using the predetermined determination rule, and if it belongs to If the transaction is abnormal, further detection is stopped. Otherwise, proceed to step (2); (2) use all current working neural network models to jointly determine whether the transaction record to be detected belongs to an abnormal transaction by voting as follows:
  • the steps (A1) and (A2) are performed periodically to be able to identify the latest type of fraudulent transaction.
  • the sample cluster-based fraud transaction detection method disclosed by the present invention has the advantage of being able to more accurately identify fraudulent transactions.
  • FIG. 1 is a flow chart of a fraud detection method based on sample clustering according to an embodiment of the present invention Figure.
  • the method for detecting fraudulent transactions based on sample clustering includes the following steps: (A1) collecting and constructing a training sample group and a test sample group based on a sample clustering algorithm; (A2) utilizing the training The sample set and the test sample set construct and test a plurality of neural network models; (A3) detecting potential fraudulent transactions based on the trained and detected plurality of neural network models.
  • the step (A1) further comprises: (1) extracting the same time period T1 (for example, 1 month or 1 year) from the database.
  • the fraudulent transaction and normal transaction data samples are used as the original training data sample set TrainData, and fraudulent transactions and normal transaction data of a period T2 (for example, 1 month or 1 year) after the time period T1 are extracted from the database as original Testing a data sample set TestData, wherein each sample in the original training data sample set TrainData and the original test data sample set TestData is a record composed of a plurality of fields in the data table; (2) according to a predetermined determination The rule determines whether each sample in the original training data sample set TrainData and the original test data sample set TestData belongs to a normal transaction, thereby screening and removing from the original training data sample set TrainData and the original test data sample set TestData A sample of an abnormal transaction.
  • the step (A1) further comprises: clustering the samples in the original training data sample set TrainData from which the samples belonging to the abnormal transaction have been removed.
  • the class eg, using the Kmeans clustering algorithm to obtain a clustered set of training data samples consisting of n packets, denoted as ⁇ A 1 , . . . , A n ⁇ , where n ⁇ 1.
  • the step (A1) further comprises: (1) adding the filtered samples belonging to the abnormal transaction (ie, fraudulent transaction samples) to the Each of the clustered training data sample sets, thereby forming a set of extended training data samples consisting of n extended packets, denoted as ⁇ B 1 , . . .
  • the step (A1) further comprises: performing, on the original test data sample set TestData of the sample that has been removed from the abnormal transaction, with the foregoing The clustering, extension, and similar clustering, expansion, and WEO value calculation and replacement operations of the original training data sample set TrainData of the samples belonging to the abnormal transaction are removed to obtain the final test sample set.
  • the steps (A1) and (A2) are periodically performed to be able to identify the latest type of fraudulent transaction.
  • sample clustering-based fraud transaction detection method disclosed by the present invention has the following advantages: capable of more accurately identifying fraudulent transactions.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

一种基于样本聚类的欺诈交易检测方法，能够对欺诈交易进行更准确的识别。所述方法包括：基于样本聚类算法采集并构建训练样本组和测试样本组（A1）；利用所述训练样本组和测试样本组构建并测试多个神经网络模型（A2）；基于所述经训练和检测的多个神经网络模型检测潜在的欺诈交易（A3）。

Description

基于样本聚类的欺诈交易检测方法 技术领域
本发明涉及欺诈交易检测方法，更具体地，涉及基于样本聚类的欺诈交易检测方法。
背景技术
目前，随着计算机和网络应用的日益广泛以及不同领域的业务种类的日益丰富，针对安全性信息交互过程(即对安全性要求较高的信息交互过程，例如金融领域中的支付交易过程)中的欺诈交易进行检测变的越来越重要。
在现有的技术方案中，通常将历史交易数据直接作为训练数据对机器学习模型进行训练以使其能够随后检测欺诈交易。
然而，上述现有的技术方案存在如下问题：由于历史交易数据通常具有严重的数据不平衡性(即非正常交易的比率过低，例如小于0.1BP(BP指万分之一))，由此，训练数据的严重不平衡性会导致机器学习模型的分类判别总是倾向于多数类，即模型总是倾向将交易判别为正常交易，由此导致针对欺诈交易的检测操作的准确性较低。
因此，存在如下需求：提供能够更准确的识别欺诈交易的基于样本聚类的欺诈交易检测方法。
发明内容
为了解决上述现有技术方案所存在的问题，本发明提出了能够更准确的识别欺诈交易的基于样本聚类的欺诈交易检测方法。
本发明的目的是通过以下技术方案实现的：
一种基于样本聚类的欺诈交易检测方法，所述基于样本聚类的欺诈交易检测方法包括：
(A1)基于样本聚类算法采集并构建训练样本组和测试样本组；
(A2)利用所述训练样本组和测试样本组构建并测试多个神经网络模型；
(A3)基于所述经训练和检测的多个神经网络模型检测潜在的欺诈交易。
在上面所公开的方案中，优选地，所述步骤(A1)进一步包括：(1)从数据库中提取同一时间段T1内的欺诈交易和正常交易数据样本作为原始训练数据样本集合，并从所述数据库中提取所述时间段T1之后一段时间T2的欺诈交易和正常交易数据作为原始测试数据样本集合，其中，所述原始训练数据样本集合和原始测试数据样本集合中的每个样本是数据表中的由多个字段构成的一个纪录，；(2)根据预定的判定规则确定所述原始训练数据样本集合和原始测试数据样本集合中的每个样本是否属于正常交易，由此从所述原始训练数据样本集合和原始测试数据样本集合中筛选和去除属于非正常交易的样本。
在上面所公开的方案中，优选地，所述步骤(A1)进一步包括：将已去除属于非正常交易的样本的原始训练数据样本集合中的样本进行聚类，以获得经聚类的训练数据样本集合，其由n个分组构成，被表示为；{A1,...,An}，其中n≥1。
在上面所公开的方案中，优选地，所述步骤(A1)进一步包括：(1)将筛选出的属于非正常交易的样本加入经聚类的训练数据样本集合中的每个分组中，由此构成由n个扩展分组构成的扩展训练数据样本集合，被表示为；{B1,...,Bn}，其中n≥1；(2)针对每个扩展分组，根据每个样本中的特定字段中的字符型变量的值对该扩展分组中的样本分组以获得多个子分组，其中，每个子分组所包含的样本的数量相等或实质上相等；(3)针对每个扩展分组，根据下式计算该扩展分组中的每个子分组的WEO值：WOE＝log(子分组内目标样本占比/子分组内非目标样本占比)，其中，子分组内目标样本占比＝子分组内目标样本数/整体目标样本数，子分组内非目标样本占比＝子分组内非目标样本数/整体非目标样本数，随后用计算出的WEO值替换该子分组中的每个样本的所述特定字段的值，以生成由n个分组构成最终的训练样本组，其被表示为；{C1,...,Cn}；
在上面所公开的方案中，优选地，所述步骤(A1)进一步包括：对已去除属于非正常交易的样本的原始测试数据样本集合执行与前述针对已去除属于非正常交易的样本的原始训练数据样本集合的聚类、扩展以及WEO值计算和替换操作相似的聚类、扩展以及WEO值计算和替换操作，以获得最终的测试样本组。
在上面所公开的方案中，优选地，所述步骤(A2)进一步包括：(1)分别使用对所述训练样本组对预定的神经网络算法进行训练，以构建多个神经网络模型；(2)使用所述测试样本组对每个神经网络模型进行测试，并统计每个神经网络模型的检测准确率ri,i＝1,...，n，如果某个ri小于阈值β，则将该ri对应的神经网络模型舍弃，否则将该ri对应的神经网络模型作为工作神经网络模型，其中，假设符合条件的神经网络模型数量为l，则其对应的检测准确率分别为ri,i＝1,...,l。
在上面所公开的方案中，优选地，所述步骤(A3)进一步包括：(1)针对每个待检测交易纪录，使用所述预定的判定规则确定其是否属于非正常交易，并且如果其属于非正常交易，则停止进行进一步的检测，否则，进入步骤(2)；(2)使用当前所有工作神经网络模型以如下这样的投票方式共同确定该待检测交易纪录是否属于非正常交易：假设每个工作神经网络模型的输出为yi,i＝1,...,l，则每个工作神经网络模型的权重为qi,i＝1,...,l，其中，qi按下列公式计算：
Figure PCTCN2017073579-appb-000001
由此，所述多个工作神经网络模型针对该待检测交易纪录的投票结果Result为：
Figure PCTCN2017073579-appb-000002
在上面所公开的方案中，优选地，所述步骤(A1)和(A2)被周期性地执行，以便能够识别最新类型的欺诈交易。
本发明所公开的基于样本聚类的欺诈交易检测方法具有下列优点：能够对欺诈交易进行更准确的识别。
附图说明
结合附图，本发明的技术特征以及优点将会被本领域技术人员更好地理解，其中：
图1是根据本发明的实施例的基于样本聚类的欺诈交易检测方法的流程 图。
具体实施方式
图1是根据本发明的实施例的基于样本聚类的欺诈交易检测方法的流程图。如图1所示，本发明所公开的基于样本聚类的欺诈交易检测方法包括下列步骤：(A1)基于样本聚类算法采集并构建训练样本组和测试样本组；(A2)利用所述训练样本组和测试样本组构建并测试多个神经网络模型；(A3)基于所述经训练和检测的多个神经网络模型检测潜在的欺诈交易。
优选地，在本发明所公开的基于样本聚类的欺诈交易检测方法中，所述步骤(A1)进一步包括：(1)从数据库中提取同一时间段T1(例如1个月或者1年)内的欺诈交易和正常交易数据样本作为原始训练数据样本集合TrainData，并从所述数据库中提取所述时间段T1之后一段时间T2(例如1个月或者1年)的欺诈交易和正常交易数据作为原始测试数据样本集合TestData，其中，所述原始训练数据样本集合TrainData和原始测试数据样本集合TestData中的每个样本是数据表中的由多个字段构成的一个纪录，；(2)根据预定的判定规则确定所述原始训练数据样本集合TrainData和原始测试数据样本集合TestData中的每个样本是否属于正常交易，由此从所述原始训练数据样本集合TrainData和原始测试数据样本集合TestData中筛选和去除属于非正常交易的样本。
优选地，在本发明所公开的基于样本聚类的欺诈交易检测方法中，所述步骤(A1)进一步包括：将已去除属于非正常交易的样本的原始训练数据样本集合TrainData中的样本进行聚类(例如采用Kmeans聚类算法)，以获得经聚类的训练数据样本集合，其由n个分组构成，被表示为；{A1,...,An}，其中n≥1。
优选地，在本发明所公开的基于样本聚类的欺诈交易检测方法中，所述步骤(A1)进一步包括：(1)将筛选出的属于非正常交易的样本(即欺诈交易样本)加入经聚类的训练数据样本集合中的每个分组中，由此构成由n个扩展分组构成的扩展训练数据样本集合，被表示为；{B1,...,Bn}，其中n≥1；(2)针对每个扩展分组，根据每个样本中的特定字段中的字符型变量的值对该扩展分组中的样本分组以获得多个子分组，其中，每个子分组所包含的样本的数量 相等或实质上相等(即接近相等)；(3)针对每个扩展分组，根据下式计算该扩展分组中的每个子分组的WEO(Weight of Evidence)值：WOE＝log(子分组内目标样本占比/子分组内非目标样本占比)，其中，子分组内目标样本占比＝子分组内目标样本数/整体目标样本数，子分组内非目标样本占比＝子分组内非目标样本数/整体非目标样本数(目标样本是指子分组内所包含的欺诈交易样本)，随后用计算出的WEO值替换该子分组中的每个样本的所述特定字段的值，以生成由n个分组构成最终的训练样本组，其被表示为；{C1,...,Cn}；
优选地，在本发明所公开的基于样本聚类的欺诈交易检测方法中，所述步骤(A1)进一步包括：对已去除属于非正常交易的样本的原始测试数据样本集合TestData执行与前述针对已去除属于非正常交易的样本的原始训练数据样本集合TrainData的聚类、扩展以及WEO值计算和替换操作相似的聚类、扩展以及WEO值计算和替换操作，以获得最终的测试样本组。
优选地，在本发明所公开的基于样本聚类的欺诈交易检测方法中，所述步骤(A2)进一步包括：(1)分别使用对所述训练样本组对预定的神经网络算法(其支持向量机)进行训练，以构建多个神经网络模型(例如n个神经网络模型)；(2)使用所述测试样本组对每个神经网络模型进行测试，并统计每个神经网络模型的检测准确率ri,i＝1,...,n，如果某个ri小于阈值β，则将该ri对应的神经网络模型舍弃，否则将该ri对应的神经网络模型作为工作神经网络模型，其中，假设符合条件的神经网络模型数量为l，则其对应的检测准确率分别为ri,i＝1,...,l。
优选地，在本发明所公开的基于样本聚类的欺诈交易检测方法中，所述步骤(A3)进一步包括：(1)针对每个待检测交易纪录，使用所述预定的判定规则确定其是否属于非正常交易(即欺诈交易)，并且如果其属于非正常交易，则停止进行进一步的检测，否则，进入步骤(2)；(2)使用当前所有工作神经网络模型以如下这样的投票方式共同确定该待检测交易纪录是否属于非正常交易：假设每个工作神经网络模型的输出为yi,i＝1,...,l，则每个工作神经网络模型的权重为qi,i＝1,...,l，其中，qi按下列公式计算：
Figure PCTCN2017073579-appb-000003
由此，所述多个工作神经网络模型针对该待检测交易纪录的投票结果Result为：
Figure PCTCN2017073579-appb-000004
优选地，在本发明所公开的基于样本聚类的欺诈交易检测方法中，所述步骤(A1)和(A2)被周期性地执行，以便能够识别最新类型的欺诈交易。
由上可见，本发明所公开的基于样本聚类的欺诈交易检测方法具有下列优点：能够对欺诈交易进行更准确的识别。
尽管本发明是通过上述的优选实施方式进行描述的，但是其实现形式并不局限于上述的实施方式。应该认识到：在不脱离本发明主旨和范围的情况下，本领域技术人员可以对本发明做出不同的变化和修改。

Claims (8)

  1. 一种基于样本聚类的欺诈交易检测方法，所述基于样本聚类的欺诈交易检测方法包括：
    (A1)基于样本聚类算法采集并构建训练样本组和测试样本组；
    (A2)利用所述训练样本组和测试样本组构建并测试多个神经网络模型；
    (A3)基于所述经训练和检测的多个神经网络模型检测潜在的欺诈交易。
  2. 根据权利要求1所述的基于样本聚类的欺诈交易检测方法，其特征在于，所述步骤(A1)进一步包括：(1)从数据库中提取同一时间段T1内的欺诈交易和正常交易数据样本作为原始训练数据样本集合，并从所述数据库中提取所述时间段T1之后一段时间T2的欺诈交易和正常交易数据作为原始测试数据样本集合，其中，所述原始训练数据样本集合和原始测试数据样本集合中的每个样本是数据表中的由多个字段构成的一个纪录，；(2)根据预定的判定规则确定所述原始训练数据样本集合和原始测试数据样本集合中的每个样本是否属于正常交易，由此从所述原始训练数据样本集合和原始测试数据样本集合中筛选和去除属于非正常交易的样本。
  3. 根据权利要求2所述的基于样本聚类的欺诈交易检测方法，其特征在于，所述步骤(A1)进一步包括：将已去除属于非正常交易的样本的原始训练数据样本集合中的样本进行聚类，以获得经聚类的训练数据样本集合，其由n个分组构成，被表示为；{A1,...,An}，其中n≥1。
  4. 根据权利要求3所述的基于样本聚类的欺诈交易检测方法，其特征在于，所述步骤(A1)进一步包括：(1)将筛选出的属于非正常交易的样本加入经聚类的训练数据样本集合中的每个分组中，由此构成由n个扩展分组构成的扩展训练数据样本集合，被表示为；{B1,...,Bn}，其中n≥1；(2)针对每个扩展分组，根据每个样本中的特定字段中的字符型变量的值对该扩展分组中的样本分组以获得多个子分组，其中，每个子分组所包含的样本的数量相等或实质上相等；(3)针对每个扩展分组，根据下式计算该扩展分组中的每个子分组的WEO值：WOE＝log(子分组内目标样本占比/子分组内非目标样本占比)，其中，子分组内目标样本占比＝子分组内目标样本数/整体目标样本数，子分组内 非目标样本占比＝子分组内非目标样本数/整体非目标样本数，随后用计算出的WEO值替换该子分组中的每个样本的所述特定字段的值，以生成由n个分组构成最终的训练样本组，其被表示为；{C1,...,Cn}。
  5. 根据权利要求4所述的基于样本聚类的欺诈交易检测方法，其特征在于，所述步骤(A1)进一步包括：对已去除属于非正常交易的样本的原始测试数据样本集合执行与前述针对已去除属于非正常交易的样本的原始训练数据样本集合的聚类、扩展以及WEO值计算和替换操作相似的聚类、扩展以及WEO值计算和替换操作，以获得最终的测试样本组。
  6. 根据权利要求5所述的基于样本聚类的欺诈交易检测方法，其特征在于，所述步骤(A2)进一步包括：(1)分别使用对所述训练样本组对预定的神经网络算法进行训练，以构建多个神经网络模型；(2)使用所述测试样本组对每个神经网络模型进行测试，并统计每个神经网络模型的检测准确率ri,i＝1,...,n，如果某个ri小于阈值β，则将该ri对应的神经网络模型舍弃，否则将该ri对应的神经网络模型作为工作神经网络模型，其中，假设符合条件的神经网络模型数量为l，则其对应的检测准确率分别为ri,i＝1,...,l。
  7. 根据权利要求6所述的基于样本聚类的欺诈交易检测方法，其特征在于，所述步骤(A3)进一步包括：(1)针对每个待检测交易纪录，使用所述预定的判定规则确定其是否属于非正常交易，并且如果其属于非正常交易，则停止进行进一步的检测，否则，进入步骤(2)；(2)使用当前所有工作神经网络模型以如下这样的投票方式共同确定该待检测交易纪录是否属于非正常交易：假设每个工作神经网络模型的输出为yi,i＝1,...,l，则每个工作神经网络模型的权重为qi,i＝1,...,l，其中，qi按下列公式计算：
    Figure PCTCN2017073579-appb-100001
    由此，所述多个工作神经网络模型针对该待检测交易纪录的投票结果Result为：
    Figure PCTCN2017073579-appb-100002
  8. 根据权利要求7所述的基于样本聚类的欺诈交易检测方法，其特征在于， 所述步骤(A1)和(A2)被周期性地执行，以便能够识别最新类型的欺诈交易。
PCT/CN2017/073579 2016-02-26 2017-02-15 基于样本聚类的欺诈交易检测方法 WO2017143932A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610107473.0 2016-02-26
CN201610107473.0A CN105787743A (zh) 2016-02-26 2016-02-26 基于样本聚类的欺诈交易检测方法

Publications (1)

Publication Number Publication Date
WO2017143932A1 true WO2017143932A1 (zh) 2017-08-31

Family

ID=56402773

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/073579 WO2017143932A1 (zh) 2016-02-26 2017-02-15 基于样本聚类的欺诈交易检测方法

Country Status (2)

Country Link
CN (1) CN105787743A (zh)
WO (1) WO2017143932A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409502A (zh) * 2018-09-26 2019-03-01 深圳壹账通智能科技有限公司 反欺诈模型的生成方法、装置、设备及存储介质
CN111275447A (zh) * 2020-01-17 2020-06-12 同济大学 基于自动化特征工程的在线网络支付欺诈检测系统
CN112153000A (zh) * 2020-08-21 2020-12-29 杭州安恒信息技术股份有限公司 网络流量异常的检测方法、装置、电子装置和存储介质
CN112200583A (zh) * 2020-10-28 2021-01-08 交通银行股份有限公司 一种基于知识图谱的欺诈客户识别方法
CN113011886A (zh) * 2021-02-19 2021-06-22 腾讯科技（深圳）有限公司 帐号类型的确定方法和装置及电子设备
CN113056753A (zh) * 2018-11-21 2021-06-29 贝宝公司 基于交易后数据的机器学习

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787743A (zh) * 2016-02-26 2016-07-20 中国银联股份有限公司 基于样本聚类的欺诈交易检测方法
CN107657453B (zh) * 2016-07-25 2020-10-20 平安科技（深圳）有限公司 欺诈数据的识别方法及装置
CN109426965A (zh) * 2017-08-16 2019-03-05 上海诺悦智能科技有限公司 一种基于机器学习的可疑交易网络识别方法
CN110298663B (zh) * 2018-03-22 2023-04-28 中国银联股份有限公司 基于序列宽深学习的欺诈交易检测方法
CN108734304B (zh) * 2018-05-31 2022-04-19 创新先进技术有限公司 一种数据模型的训练方法、装置、及计算机设备
CN109034194B (zh) * 2018-06-20 2022-03-04 东华大学 基于特征分化的交易欺诈行为深度检测方法
CN109242499A (zh) * 2018-09-19 2019-01-18 中国银行股份有限公司 一种交易风险预测的处理方法、装置及系统
CN109389494B (zh) * 2018-10-25 2021-11-05 北京芯盾时代科技有限公司 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置
CN109886284B (zh) * 2018-12-12 2021-02-12 同济大学 基于层次化聚类的欺诈检测方法及系统
CN110046951A (zh) * 2018-12-29 2019-07-23 中国银联股份有限公司 一种交易行为判断方法和系统
CN111582879A (zh) * 2019-01-30 2020-08-25 浙江远图互联科技股份有限公司 一种基于遗传算法的医疗保险反欺诈识别方法
CN110570312B (zh) * 2019-09-17 2021-05-28 深圳追一科技有限公司 样本数据获取方法、装置、计算机设备和可读存储介质
CN110956543A (zh) * 2019-11-06 2020-04-03 上海应用技术大学 异常交易检测的方法
CN111144899B (zh) * 2019-12-04 2023-04-25 支付宝(杭州)信息技术有限公司 识别虚假交易的方法及装置和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050192824A1 (en) * 2003-07-25 2005-09-01 Enkata Technologies System and method for determining a behavior of a classifier for use with business data
CN104504362A (zh) * 2014-11-19 2015-04-08 南京艾柯勒斯网络科技有限公司 基于卷积神经网络的人脸检测方法
CN104850868A (zh) * 2015-06-12 2015-08-19 四川友联信息技术有限公司 一种基于k-means和神经网络聚类的客户细分方法
CN105787743A (zh) * 2016-02-26 2016-07-20 中国银联股份有限公司 基于样本聚类的欺诈交易检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050192824A1 (en) * 2003-07-25 2005-09-01 Enkata Technologies System and method for determining a behavior of a classifier for use with business data
CN104504362A (zh) * 2014-11-19 2015-04-08 南京艾柯勒斯网络科技有限公司 基于卷积神经网络的人脸检测方法
CN104850868A (zh) * 2015-06-12 2015-08-19 四川友联信息技术有限公司 一种基于k-means和神经网络聚类的客户细分方法
CN105787743A (zh) * 2016-02-26 2016-07-20 中国银联股份有限公司 基于样本聚类的欺诈交易检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIU, ZHAOLING ET AL.: "The Research of Bank Card Fraud Based on BP Neural Network", BUSINESS CHINA, 31 December 2009 (2009-12-31) *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409502A (zh) * 2018-09-26 2019-03-01 深圳壹账通智能科技有限公司 反欺诈模型的生成方法、装置、设备及存储介质
CN113056753A (zh) * 2018-11-21 2021-06-29 贝宝公司 基于交易后数据的机器学习
CN111275447A (zh) * 2020-01-17 2020-06-12 同济大学 基于自动化特征工程的在线网络支付欺诈检测系统
CN111275447B (zh) * 2020-01-17 2023-08-29 同济大学 基于自动化特征工程的在线网络支付欺诈检测系统
CN112153000A (zh) * 2020-08-21 2020-12-29 杭州安恒信息技术股份有限公司 网络流量异常的检测方法、装置、电子装置和存储介质
CN112153000B (zh) * 2020-08-21 2023-04-18 杭州安恒信息技术股份有限公司 网络流量异常的检测方法、装置、电子装置和存储介质
CN112200583A (zh) * 2020-10-28 2021-01-08 交通银行股份有限公司 一种基于知识图谱的欺诈客户识别方法
CN112200583B (zh) * 2020-10-28 2023-12-19 交通银行股份有限公司 一种基于知识图谱的欺诈客户识别方法
CN113011886A (zh) * 2021-02-19 2021-06-22 腾讯科技（深圳）有限公司 帐号类型的确定方法和装置及电子设备
CN113011886B (zh) * 2021-02-19 2023-07-14 腾讯科技（深圳）有限公司 帐号类型的确定方法和装置及电子设备

Also Published As

Publication number Publication date
CN105787743A (zh) 2016-07-20

Similar Documents

Publication Publication Date Title
WO2017143932A1 (zh) 基于样本聚类的欺诈交易检测方法
WO2017140222A1 (zh) 机器学习模型的建模方法及装置
CN109034194B (zh) 基于特征分化的交易欺诈行为深度检测方法
CN109729091A (zh) 一种基于多特征融合和CNN算法的LDoS攻击检测方法
CN105095238A (zh) 用于检测欺诈交易的决策树生成方法
CN109492026A (zh) 一种基于改进的主动学习技术的电信欺诈分类检测方法
CN103593470B (zh) 一种双度集成的不均衡数据流分类算法
CN111159243B (zh) 用户类型识别方法、装置、设备及存储介质
CN111539733B (zh) 基于全中心损失函数的欺诈交易识别方法、系统、装置
CN108268886B (zh) 用于识别外挂操作的方法及系统
CN107145778B (zh) 一种入侵检测方法及装置
CN110460605A (zh) 一种基于自动编码的异常网络流量检测方法
CN107392022A (zh) 爬虫识别、处理方法及相关装置
CN113645182B (zh) 一种基于二次特征筛选的拒绝服务攻击随机森林检测方法
CN111695597A (zh) 基于改进式孤立森林算法的信贷欺诈团伙识别方法和系统
CN112633337A (zh) 一种基于聚类和边界点的不平衡数据处理方法
CN104850868A (zh) 一种基于k-means和神经网络聚类的客户细分方法
CN102324007A (zh) 基于数据挖掘的异常检测方法
Abdelhamid et al. Automatic bank fraud detection using support vector machines
CN109886284A (zh) 基于层次化聚类的欺诈检测方法及系统
CN110992041A (zh) 在线欺诈检测的个体行为超球体构建方法
CN111753299A (zh) 一种基于分组集成的不平衡恶意软件检测方法
CN113537321A (zh) 一种基于孤立森林和x均值的网络流量异常检测方法
Choudhury et al. An efficient way to detect credit card fraud using machine learning methodologies
CN116821688A (zh) 基于聚类下采样技术处理信用卡欺诈交易中数据集的方法

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17755761

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17755761

Country of ref document: EP

Kind code of ref document: A1