[发明专利]基于异质网络表征学习的线上交易多主体行为建模方法

说明书

基于异质网络表征学习的线上交易多主体行为建模方法，该建模方法包括步骤：步骤1，利用关联图谱将原始线上交易数据表示为异质网络，并利用异质网络表征学习对异质网络化的交易数据中缺失的信息进行数据补充，用于建立个体行为模型；步骤2，利用多主体行为建模，建立多个不同维度主体的行为模型，综合多个主体行为模型获得判别结果，预测交易异常的可能性。本发明可用于对线上交易检测欺诈交易、拦截欺诈交易和保护用户和企业的资金安全有更好的保障。

技术领域

本发明属于互联网金融技术领域，特别涉及基于异质网络表征学习的线上交易多主体行为建模方法

背景技术

随着移动互联网的兴起，各种传统的金融业务逐渐转至线上。随着互联网金融和电子商务迅速发展，网络在线交易将带来大量的电子交易数据，同时伴随着在线支付欺诈交易数量也大量增加。攻击者通过窃取用户账户，盗取个人隐私信息，甚至恶意攻击服务器等方式来完成欺诈。为保障用户和公司业务安全，需要建立切实有效的网络交易欺诈检测系统。

目前基于主体建模方法的传统网络交易欺诈检测系统通常针对交易卡号建立关于交易卡号级别的个体模型，交易卡号级别的模型往往由于一个交易卡号对应数据量过少或者缺失信息过多，而不能够有效地建立个体级别的行为模型，无法解决互联网在线交易场景下的反欺诈任务。

传统的解决数据缺失与数据量少的方法(如：协同过滤、张量分解等方法)往往时间复杂度过高，不适合于互联网金融场景下的大量数据，所以亟需一个可以快速高效的网络支付欺诈检测方法来解决这些问题。

通过分析交易数据的特征，发现卡号级别交易数据往往受到现实场景的限制，而无法有效描述自己的行为模式。因此，如何解决交易卡号级别的个体模型的缺陷是需要研究的问题。同时，有些交易卡号仅仅拥有异常的交易记录甚至没有历史交易数据，没有关于交易卡号的正常样本数据则无法对其建立个体级别的模型，如何将建模主体的概念进行推广以实现针对不同的主体均带有充分的历史数据，才能实现在不同情况下准确全面地检测欺诈交易的发生，这对模型的适应性和鲁棒性都提出了挑战。

本发明中参考了如下资料。

[1]Fu T,Lee W C,Lei Z.Hin2vec:Explore meta-paths in heterogeneousinformation networks for representation learning[C]//Proceedings of the2017ACM on Conference on Information and Knowledge Management.ACM,2017:1797-1806.

[2]Dong Y,Chawla N V,Swami A.metapath2vec:Scalable representationlearning for heterogeneous networks[C]//Proceedings of the 23rd ACM SIGKDDInternational Conference on Knowledge Discovery and Data Mining.ACM,2017:135-144.

[3]Huang Z,Mamoulis N.Heterogeneous information network embedding formeta path based proximity[J].arXiv preprint arXiv:1701.05291,2017.

[4]Shang J,Qu M,Liu J,et al.Meta-path guided embedding for similaritysearch in large-scale heterogeneous information networks[J].arXiv preprintarXiv:1610.09769,2016.