[发明专利]一种欺诈检测的方法、系统、设备及计算机可读存储介质

权利要求书

1.一种欺诈检测的方法，其特征在于，包括：

将用户关联信息进行网络化处理，构建共享设备网络G＝{E，V，F}；

利用广度优先算法计算各节点的不同类型的邻居节点集合其中，所述共享设备网络包括每一个节点的特征向量，E为不同类型边的集合，V为各所述节点的集合，F为各所述节点对应的特征向量，N_i为第i种邻居节点集合，为邻居节点集合中的第k个类型的邻居节点；

利用word2vec模型对各所述邻居节点集合进行训练，得到各所述节点的预设维度词向量集合；

利用所述预设维度词向量集合确定各所述节点的嵌入向量，并利用Lightgbm模型对各所述嵌入向量及各所述节点的特征向量进行训练，得到第一欺诈检测模型；

利用所述第一欺诈检测模型对输入的待检测数据进行欺诈检测，得到第一欺诈检测结果；

其中，利用所述预设维度词向量集合确定各所述节点的嵌入向量，并利用Lightgbm模型对各所述嵌入向量及各所述节点的特征向量，得到第一欺诈检测模型，包括：

根据公式计算第i种类型的邻居节点集合的嵌入向量；

将所述嵌入向量与各所述节点的特征向量进行拼接，得到各所述节点最终特征向量

将所述最终特征向量X输入所述Lightgbm模型进行训练，得到所述第一欺诈检测模型；

其中，F_i为第i种类型的特征向量，r为邻居节点的类型总数。

2.根据权利要求1所述的方法，其特征在于，在利用所述第一欺诈检测模型对输入的待检测数据进行欺诈检测，得到第一欺诈检测结果之后，还包括：

计算各所述邻居节点集合的特征向量的平均值；

根据各所述平均值确定各所述节点的特征更新值；

利用LSTM模型对各所述节点的特征更新值进行训练，得到第二欺诈检测模型；

利用所述第二欺诈检测模型对所述待检测数据进行欺诈检测，得到第二欺诈检测结果；

根据所述第一欺诈检测结果及所述第二欺诈检测结果确定所述待检测数据的最终检测结果。

3.根据权利要求1所述的方法，其特征在于，所述利用word2vec模型对各所述邻居节点集合进行训练，得到各所述节点的预设维度词向量集合，包括：

接收输入的词向量维度d；

利用所述word2vec模型根据所述邻居节点集合计算对应的d维词嵌入向量集合

其中，为邻居节点j对应的d维词嵌入向量，k为所述邻居节点的总数。

4.一种欺诈检测的系统，其特征在于，包括：

网络建立模块，用于根据输入的用户关联信息建立共享设备网络，并确定所述共享设备网络中各节点的不同类型的邻居节点集合；其中，所述共享设备网络包括每一个节点的特征向量；

集合训练模块，用于利用word2vec模型对各所述邻居节点集合进行训练，得到各所述节点的预设维度词向量集合；

第一模型确定模块，用于利用所述预设维度词向量集合确定各所述节点的嵌入向量，并利用Lightgbm模型对各所述嵌入向量及各所述节点的特征向量进行训练，得到第一欺诈检测模型；

第一欺诈检测模块，用于利用所述第一欺诈检测模型对输入的待检测数据进行欺诈检测，得到第一欺诈检测结果；

其中，所述网络建立模块包括：

构建子模块，用于将所述用户关联信息进行网络化处理，构建共享设备网络G＝{E，V，F}；

第一计算子模块，用于利用广度优先算法计算各所述节点的不同类型的邻居节点集合

所述第一模型确定模块包括：

第二计算子模块，用于根据公式计算第i种类型的邻居节点集合的嵌入向量；

拼接子模块，用于将嵌入向量与各节点的特征向量进行拼接，得到各节点最终特征向量

输入子模块，用于将最终特征向量X输入Lightgbm模型进行训练，得到第一欺诈检测模型；

其中，E为不同类型边的集合，V为各所述节点的集合，F为各所述节点对应的特征向量，N_i为第i种邻居节点集合，为邻居节点集合中的第k个类型的邻居节点，F_i为第i种类型的特征向量，r为邻居节点的类型总数。