[发明专利]一种基于孪生神经网络的网络交易欺诈检测系统

说明书

本发明一种基于孪生神经网络的网络交易欺诈检测系统，所述网络交易欺诈检测系统的输入数据是由一组数据对组成其特征在于，所述网络交易欺诈检测系统由两个结构相同的神经网络模型构成，两个神经网络模型间通过共享权值达到孪生的目的。本发明所构建基于孪生神经网络的网络交易欺诈方法有着很好的实验效果，该方法针对网络交易中时序性稀疏和数据不均衡问题，利用孪生结构来处理不均衡数据，并利用LSTM结构使网络具有记忆功能，以此来提高网络对于欺诈交易的检测能力。

技术领域

本发明涉及一种网络交易欺诈模型，属于信息技术领域。

背景技术

金融科技迅速发展和普及极大推动了普惠金融的发展，也为健全多层次的金融市场做出了极大的贡献。但是，一切事物的发展都有两面性。基于金融科技多种技术的发展，一些新型的欺诈手段也因此而生，网络交易欺诈的风险不断升级。

为了应对交易欺诈问题，多数金融机构都建立起了自己的风险防控系统，现有的风险防控系统一部分是基于专家规则引擎建立起来的。专家规则系统是建立在现有的行业经验规则之上的，对已存在的欺诈模式可以快速精确拦截。但是由于以上特点，专家规则系统并不能对新产生的欺诈模式做出快速精准地拦截。同时，网络欺诈逐渐表现出专业化、产业化、隐蔽化、场景化等特征。面对这些特点，加之互联网金融与移动支付的快速发展，传统的专家规则系统在网络欺诈交易检测与拦截方面就显得力不从心。各种机器学习与深度学习模型逐渐被应用于欺诈检测中。反欺诈机器学习模型是基于统计分析技术的，可以准确和实时地进行风险评估的模型。与传统的规则系统相比较，机器学习最大的优点是通过大量复杂的数据来表征一些通过传统方式难以描述甚至是难以发现的金融现象。目前用于金融欺诈检测的各种模型包括：神经网络、深度神经网络、随机森林、逻辑回归、SVM等。

对于交易欺诈数据而言，往往正常交易数据数量远远大于异常交易数量，这就导致了正负样本的极度不均衡。在处理正负样本不均衡问题中，常用的方式有：上采样、下采样，数据合成，数据加权等。这些方式可以较为有效地处理正负样本不均衡问题，但是这样的处理方式都改变了原数据集的分布或权重情况，使训练数据与真实数据的具体分布有所不同，可能会影响模型的泛化能力。所以在本文中我们使用孪生神经网络的结构来解决该问题。

网络欺诈交易有着主观性强、欺诈种类多、发生频率高、欺诈手段更新快等特征。很多的欺诈交易是在极短时间内、在同一个账户中发生连续交易，这些交易如果频率很高的话，现有的欺诈检测方式与风险防控系统一般不能很好地全部拦截。通过分析真实网络交易数据可以发现，确实存在短时间内发生大量交易记录的情况。而且这些交易在除了交易时间之外的所有特征都完全一样，这个特点说明网络交易数据在时间上存在序列性。考虑到网络交易之间存在时序关系，设计可以记忆交易信息的模型可以对交易时序关系进行挖掘。所以本文利用在网络结构中加入LSTM(long short-term memory)，使网络具有一定的记忆功能，以提高模型对欺诈交易的检测能力。

孪生神经网络是神经网络结构的一种，以神经网络为基础的深度学习模型凭借其可以充分逼近任意复杂的非线性关系、较强的鲁棒性和容错性、高速寻找优化解的能力、自学习和自适应的能力等优点已经在图像识别、自然语言处理等领域有着十分优秀表现。但是处理结构化数据尤其是网络交易数据时，神经网络及深度学习模型并没有十分完美的应用案例。

用户正常交易行为和异常交易行为的区分在交易欺诈检测中也是一个很重要的方面。Kokkinaki等人提出用决策树和布尔逻辑方法来刻画正常消费者的交易行为习惯，用聚类方法分析正常交易行为和欺诈交易行为的差别以此来区分正常和欺诈交易。但是由于正常交易和欺诈交易行为某些情况下极其类似，所以该模型的识别效果并没有十分理想。Kang Fu等人提出了用交易熵来刻画用户交易行为，并用交易熵作为衍生变量输入网络进行学习。其采用了固定时间窗口内的平均交易金额、交易总金额、当前交易金额和平均交易金额的差值、交易熵等衍生特征作为模型的输入数据。但是以上刻画用户行为特征的方法中，并没有考虑到用户交易的时序性特征。基于本文数据集的分析，一些用户在交易中存在明显的时序性特征。