[发明专利]一种集成学习反欺诈测试方法及系统

说明书

本发明公开了一种集成学习反欺诈测试方法，旨在克服现有技术中互联网金融行业风控和反欺诈技术的上述不足之处，提供应用集成学习技术对用户和交易行为进行风控测试。该方法包括以下步骤：抽取训练样本集，对训练样本集中的用户信息提取特征；训练基分类器，对特征视图采用多项分类算法训练获得基分类器集合；利用集成学习方法处理所述基分类器集合，得到集成的分类模型；用所述集成的分类模型对测试样本进行分类，得到测试结果，再用另一个机器学习算法集成得到最终结果。本发明实施例同时一种基于上述方法的集成学习反欺诈测试系统。本发明能有效的测试互联网交易中欺诈用户，同时具备较好的泛化性和更高的稳定性。

技术领域

本发明涉及征信反欺诈技术领域，尤其涉及一种反欺诈方法及系统。

背景技术

随着互联网金融行业发展，通过互联网渠道进行金融服务交易的情况越来越普及。对于互联网交易双方来说能够正确评估交易风险，预防金融欺诈等情况的发生风控工作尤为重要。

对于互联网金融用户的征信审查和反欺诈测试，需要审核用户的各类征信和评价材料，从而评估交易风险，保证金融平台利益。目前相应的风险审查工作还不同程度的需要人工接入，因此限制了业务开展的效率和稳定性。

发明内容

本发明是为了克服现有技术中互联网金融行业风控和反欺诈技术的上述不足之处，提供应用集成学习技术对用户和交易行为进行风控测试的一种集成学习反欺诈测试方法以及实现该方法的集成学习反欺诈测试系统。

为实现上述目的，本发明采用以下技术方案：

本发明实施例提供的一种学习反欺诈测试方法，所述方法包括以下步骤：抽取训练样本集，对训练样本集中的用户信息提取特征；训练基分类器，对特征视图采用多项分类算法训练获得基分类器集合；利用集成学习方法处理所述基分类器集合，得到集成的分类模型；从测试样本集提取出与所述特征视图相应的特征；根据提取到的测试样本集的特征，用所述集成的分类模型对测试样本进行分类，得到测试结果。

作为优选，所述特征视图包括用户信用卡数据特征、征信报告特征、运营商数据特征、应用列表子模型特征中一项或多项的组合。

作为优选，所述的应用列表子模型特征的提取步骤包括：获取用户手机的应用列表子模型，对所述应用列表子模型进行稀疏特征处理获得应用列表子模型子模型特征。

作为优选，所述的多项分类算法包括C4.5决策树算法、Random Forest随机森林算法、SVM算法、Logistic Regression逻辑回归算法、GBDT算法、Rotation Forest旋转森林算法、Adaboosting算法。

作为优选，所述集成学习方法包括Voting算法、Stacking算法和EnsembleSelection算法。

本发明实施例同时提供一种有监督集成学习反欺诈测试系统，其特征是，所述系统包括：训练样本模块，用于抽取训练样本集，对训练样本集中的用户信息提取特征视图；基分类器训练模块，用于训练基分类器，对特征视图采用多项分类算法训练获得基分类器集合；分类模型模块，用于利用集成学习方法处理所述基分类器集合，得到集成的分类模型；特征提取模块，用于测试样本集提取出与所述特征视图相应的特征；测试模块，用于根据提取到的测试样本集的特征，用所述集成的分类模型对测试样本进行分类，得到测试结果。

作为优选，所述特征视图包括用户信用卡数据特、征信报告特、运营商数据特、应用列表子模型特中一项或多项的组合。

作为优选，所述的应用列表子模型特是对所述应用列表子模型进行稀疏特征处理获得应用列表子模型特。

作为优选，所述的多项分类算法包括C4.5决策树算法、Random Forest随机森林算法、SVM算法、Logistic Regression逻辑回归算法、GBDT算法、Rotation Forest旋转森林算法、Adaboosting算法。