[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

说明书

本发明涉及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：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，得到相对应的表征学习向量；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。本发明提出的电子交易欺诈检测方法，可以有效检测电子交易中的欺诈行为。本发明提供的方法从实用性角度出发，建立了电子交易欺诈检测方法的框架，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，属于信息技术领域。

背景技术

近年来随着互联网金融的不断深入发展，电子交易欺诈检测已经成为一个热门的研究领域，包括信用卡欺诈检测、移动支付欺诈检测、B2C(Business-to-Customer)交易欺诈检测等。

基于机器学习的欺诈检测算法在电子交易欺诈检测领域应用的十分广泛。有监督的学习模型基于人工核实标签后的历史交易数据建立欺诈检测模型，从而判断一笔新的交易是否有欺诈的可能性。在2018年，Shiyang Xuan等人采用两种不同基分类器的随机森林，分别训练正常交易和异常交易的行为特征，并在信用卡欺诈检测上分析了两种随机森林的性能。此外，无监督的学习模型通常是采用离群点检测或者异常检测技术，将识别出来的离群点看成检测出来的欺诈交易。在2014年，Olszewski D利用self-organizing map(SOM)方法建立用户行为模型，寻找偏离正常用户行为的异常点进行欺诈检测。基于机器学习的检测算法可以学习已知的欺诈模式，并会检测出潜在的新的欺诈策略。但是有监督学习的检测方法强烈依赖于原始标记的正确性，同时需要处理存在的样本不均衡问题。而无监督学习对于正常交易和欺诈交易的重叠分布十分敏感，往往会导致准确性严重下降。

随着深度学习的技术在众多分类任务上的优秀表现，电子交易欺诈检测领域开始引入深度学习技术。正如2017年4月咨询公司麦肯锡(McKinsey)的一篇文章得出的结论：深度学习通过对所有历史客户数据以及交易记录中的实时交易细节，可以为解决金融欺诈问题提供一个可解决方案。2016年，Kang Fu等人提出了一个基于卷积神经网络(Convolutional Neural Network，CNN)的欺诈检测框架，通过有标签的交易数据学习出欺诈行为的内在模式，并在某主流商业银行的实验数据上表现出优秀的性能。2017年，京东金融的Shuhao Wang等人提出了一个新型的基于深度学习的欺诈检测系统——CLUE。该系统主要通过基于embedding的神经网络和循环神经网络(Recurrent Neural Networks，RNN)捕获更多的交易细节信息，从而做到有效的欺诈检测。2018年，Zhaohui Zhang等人提出了一种带有特征排列层的CNN网络交易欺诈检测模型。通过不同的卷积模式学习，该模型在某商业银行的真实交易数据上表现出优于现有的CNN检测模型的性能。同年，Abhimanyu Roy等人深入研究了深度学习模型在信用卡欺诈检测任务上的应用，利用高性能的分布式云计算环境解决欺诈中普遍存在的问题，同时提供了一个深度学习拓扑的参数调整框架，以使金融机构能够通过防止欺诈活动来减少损失。然而，尽管可以通过深度学习技术提取交易之间的更多顺序信息，但是单笔交易中的特征学习对深度学习模型是不够的。单笔交易记录中的这些关系可以通过一些机器学习模型(如RF)很好地学习，但代价是削弱的时序学习能力。

因此，近年来针对电子交易欺诈检测的研究开始出现结合机器学习和深度学习各自优势的检测技术。2017年，Xurui Li等人提出一个新的“within-between-within”(WBW)的类似三明治结构的时序学习模型。通过组合集成学习模型和深度学习模型，同时引入attention机制，从而进一步提高欺诈检测的效果。同年，Zahra Kazemi和Houman Zarrabi使用自动编码器(autoencoder)来提供信用卡交易记录中最优的特征信息，然后增加一个softmax神经网络作为分类器来判别交易是否欺诈。实验揭示了提出的欺诈检测模型相比其他方法的优势。