[发明专利]基于特征分化的交易欺诈行为深度检测方法

说明书

本发明涉及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，提出了基于交易时间的分化特征生成方法和带有离群样本检测的欺诈交易检测方法。本发明提出的网络交易欺诈检测方法，可以有效检测网络交易中的欺诈行为，本发明提供的方法从实用性角度出发，通过分化特征生成方法和带有离群样本检测的欺诈交易检测方法，建立了网络交易欺诈检测系统，为解决欺诈交易检测提供了技术支持。

技术领域

本发明涉及一种网络交易检测方法。

背景技术

机器学习算法在欺诈交易检测领域已经涌现了大量的研究成果，包括使用决策树、神经网络、贝叶斯网络和随机森林等分类方法的研究。2013年，Yusuf Sahin等提出了一种新的基于成本敏感的决策树检测技术，模型表现出优越于诸如SVM等的传统数据挖掘方法的性能。2014年，Kolalikhormuji等提出了利用级联人工神经网络来提高识别率并降低排斥率，设置门控网络聚合三个并行的神经网络，在巴西一家大型银行的信用卡数据上表现了不错的性能。2015年，Chengwei Liu等对比了SVM、logictic回归、KNN和随机森林四种检测方法在金融欺诈检测上的表现，研究表明随机森林模型相比其他三种模型有更高的准确性。但这些检测技术对信用卡欺诈都有着不低的FP(False Positive)和FN(FalseNegative)。近年来深度学习在欺诈交易领域也逐渐开始被应用。2015年，丁卫星提出了一个基于深度置信网络的信用卡交易欺诈侦测模型，训练生成了一个五层的DBN模型，为各银行应用深度学习技术提供了理论和实践参考。2016年，Fu Kang等提出了利用卷积神经网络来进行信用卡欺诈检测，基于经典的Lenet-5结构建立了一个欺诈交易检测框架并取得了不错的检测效果。2017年，Shuhao Wang等人应用循环神经网络(Recurrent NeuralNetworks)对京东的电子交易欺诈行为做出了初步探索，通过RNN的时间序列算法建立了CLUE检测框架，对风险用户识别的准确率超过常规机器学习算法的3倍以上。但是深度学习技术训练参数多，模型结构比较复杂，训练时间比较长，同时对于数据的维度有更高的要求。

随着互联网交易的迅猛发展，网络诈骗成为中国第三大黑色产业链，呈现出团伙性、隐蔽性等特点。网络欺诈交易的强隐蔽性会严重影响欺诈检测模型的检测效果，使用精准分类的特征是十分重要的。通常的模型只使用一些原始交易属性，比如金额、交易地点等。单一的交易并没有考虑客户的交易行为，只使用原始特征会遗漏一些重要信息，并不能有效检测欺诈行为。一些聚合策略，比如衍生基于时间窗的特征，已经被用来在获取用户近期交易中的行为特征。但是欺诈者往往会学习正常用户的行为模式来逃避检测，而且欺诈样本的特性往往会被基于统计学的方法所泛化，仅仅使用聚合策略并不能很好地分化正常交易和欺诈交易之间的差异。

样本不均衡的问题也是网络交易欺诈检测领域的一大挑战。该问题在互联网交易的场景中普遍存在，欺诈交易的比率通常小于0.1％。在此背景下，利用传统的机器学习算法开发出来的预测模型会存在偏差，易导致模型忽略对欺诈交易行为的识别和学习。原因在于机器学习的算法通常被设计为通过减少误差来提高准确率，所以它们没有考虑类别的分布以及类别的平衡。诸如决策树和Logistic回归这些标准的分类算法会偏向于数量多的类别，而占少数的类别就会被视为噪声，通常易被忽略。

传统检测欺诈交易的技术，诸如基于规则的专家系统容易理解，可解释性强，但是只能挖掘交易属性和欺诈行为的简单关系，无法检测强隐蔽性的欺诈交易，同时还有存在由于欺诈手段变化而导致规则失效的风险。近年来一些基于机器学习技术的检测技术在信用卡欺诈检测领域取得了不错的成果，包括传统的决策树，贝叶斯网络和神经网络以及新兴的深度学习。相比信用卡的欺诈交易检测，网络交易实时性强，交易频次高，在交易类型等方面呈现多元化，因此信用卡欺诈检测的方法并不完全适用于网络交易欺诈检测。

发明内容

本发明的目的是：检测网络交易中的欺诈交易。

为了达到上述目的，本发明的技术方案是提供了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：