[发明专利]一种基于表征学习的交易欺诈行为深度检测方法

权利要求书

1.一种基于表征学习的交易欺诈行为深度检测方法，其特征在于，包括以下步骤：

(1)建立基于Autoencoder模型的表征学习multi-representation结构，通过BaggingBalance方法从交易数据中抽取数据集，将数据集输入multi-representation结构得到相对应的表征学习向量，其中，通过BaggingBalance方法从交易数据中抽取数据集包括以下步骤：

S301、划分数据集

将交易数据划分为合法交易的样本集D_malor和欺诈交易的样本集D_minor；

S302、数据下采样

每次随机采样样本集D_major，从中挑选一个样本拷贝放入数据集D_sample，然后再将该样本放回样本集D_major中，采样数据量为样本集D_minor的大小；

S303、特征采样

从特征空间中随机选取特征子集，对下采样的数据进行特征过滤；

S304、返回数据集；

(2)建立OSD-DF分类结构，将multi-representation结构得到表征学习向量作为OSD-DF分类结构的输入，训练OSD-DF分类结构，得到交易数据的欺诈检测结果，包括以下步骤：

S201、数据输入

获取multi-representation结构得到的表征学习向量，作为OSD-DF分类结构的输入；

S202、初始化模型

设置OSD-DF分类结构的模型结构，输入数据进入OSD-DF分类结构的处理层，输出处理的结果到下一层；

S203、训练模型

下一层接收上一层处理的特征信息，重复步骤S202的操作，继续扩充下一层，当扩充一个新层后，模型将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，如果当前性能提升小于设定阈值，模型停止更新；

S204、检测结束，得到交易数据的欺诈检测结果。

2.如权利要求1所述的一种基于表征学习的交易欺诈行为深度检测方法，其特征在于，所述multi-representation结构获得表征学习向量包括以下步骤：

S401、初始化结构

设定multi-representation结构的初始化参数：Autoencoder模型的初始化结构以及个数；

S402、设定BaggingBalance

初始化BaggingBalance方法的参数：抽取数据集个数，特征子集中的特征个数；

S403、划分数据集

输入交易数据，使用BaggingBalance方法划分交易数据；

S404、获取采样数据集

划分完数据集，对数据集进行采样，获取Autoencoder模型需要的采样数据集；

S405、训练Autoencoder

获取采样数据集，作为Autoencoder模型的输入，训练Autoencoder模型；

S406、生成表征学习向量

训练完Autoencoder模型，获取中间隐藏层的向量作为最终数据集的表征学习向量。