[发明专利]基于特征分化的交易欺诈行为深度检测方法

权利要求书

1.一种基于特征分化的交易欺诈行为深度检测方法，其特征在于，包括以下步骤：

步骤1、利用历史交易数据建立训练集，构建欺诈检测模型；

步骤2、利用分类器f(x)对训练集中的样本进行分类，对不同类别的样本分别采样；

步骤3、将采样得到的样本定义为训练交易数据，在原有交易属性特征基础上，采用基于交易时间的分化特征生成方法，衍生训练交易数据的分化特征，分化正常交易和欺诈交易之间的差异，生成输入特征集合；

将所述训练交易数据及所述实时输入的交易数据统一定义为交易记录，则所述分化特征生成方法包括以下步骤：

步骤3.1、基于时间窗聚合交易记录的特征，包括：

步骤3.1.1、设置时间窗t_p，选择时间窗t_p内产生的交易记录；

步骤3.1.2、考虑卡号或者账户对步骤3.1.1得到的交易记录进行分组；

步骤3.1.3、通过交易属性对分组后的交易记录进行二次分组；

步骤3.1.4、计算对应分组内的交易笔数和交易金额；

步骤3.1.5、衍生时间窗t_p下的交易笔数和交易金额的特征；

步骤3.1.6、改变时间窗t_p大小，重复步骤3.1.1到步骤3.1.5，直至遍历所有交易记录；

步骤3.2、建立交易时间的个体可信度ICD和群体可疑度GAD，包括：

步骤3.2.1、设置时间窗t_p，考虑客户编号为的客户过去时间窗t_p内的交易时间集合Time：

其中，M表示交易时间集合Time的大小；代表第l个交易记录的交易时间；代表客户编号为的客户的当前交易时间；是用来计算和之间时间差的函数；表示第l个交易记录的客户编号；

步骤3.2.2、设定聚簇数k，使用K-means算法对交易时间集合Time进行聚类，得到交易时间簇time_i，i＝1，2，...，k；

步骤3.2.3、统计每一个交易时间簇内的交易数量number_i，i＝1，2，..，k，对每一交易时间簇time_i赋予权重weight_i：

其中，N＝|Time|，表示交易时间集合中的数量；

步骤3.2.4、计算k个交易时间簇的交易时间的概率分布函数：

其中，μ(time_i)表示过去时间窗t_p内第i个交易时间簇time_i的均值；σ(time_i)表示过去时间窗t_p内第i个交易时间簇time_i的标准差；表示Von Mises的概率分布函数；

步骤3.2.5、设置置信度α，计算每一交易时间簇time_i当前客户编号为的交易时间的置信区间：

其中，表示表示对应的标准分数；

步骤3.2.6、观察当前实际交易时间是否在每一交易时间簇的置信区间内，若在则令p_i＝1，否则p_i＝0，计算ICD如下：

步骤3.2.7、抽取所有欺诈交易的交易时间集合，同样采取步骤3.2.2至步骤3.2.6，计算GAD如下：

其中，K是欺诈交易集合聚类的聚簇数，value_i是聚类后第i个簇被赋予的权重；

步骤3.2.8、衍生当前交易的交易时间可信度confidence：

confidence＝ICD-GAD

步骤4、更新欺诈检测模型；

步骤5、将输入特征集合输入到欺诈检测模型中进行模型参数的训练，确定构建模型的结构和参数，在验证数据集上评估当前模型的检测性能，相比上一次评估，如果当前性能提升大于设定阈值，则对于正确预测的样本，改变其权重使得在下一次训练有更低的概率被抽取，对于错误预测的样本，改变其权重使得下一次训练由更高的概率被抽取，根据更新后的权重更新分类器f(x)后返回步骤2，如果当前性能提升小于设定阈值，则欺诈检测模型停止更新，得到可以精准检测网络欺诈交易的模型；

步骤6、采用步骤3所述的分化特征生成方法，衍生实时输入的交易数据的分化特征，生成实时输入特征集合，将实时输入特征集合输入到步骤5生成的模型，判断实时输入的交易数据对应的交易是否为欺诈交易。