[发明专利]一种基于深度学习的信用卡异常交易行为判定方法及系统

权利要求书

1.一种基于深度学习的信用卡异常交易行为判定方法，其特征在于，包括：

将信用卡交易数据输入至预先训练好的深度神经网络模型中，该深度神经网络模型包括特征提取网络和交易行为判定网络；

利用特征提取网络对信用卡交易数据进行处理，得到与信用卡交易数据对应的时序特征向量组；

利用交易行为判定网络对时序特征向量组进行处理，得到信用卡交易数据对应的欺诈分类结果。

2.如权利要求1所述的基于深度学习的信用卡异常交易行为判定方法，其特征在于，所述特征提取网络采用卷积神经网络，卷积神经网络的输入为所述信用卡交易数据、输出为具有相同长度的时序特征向量；其中，卷积神经网络包括输入层、卷积层和池化层，卷积层包括多个卷积过滤器，组成卷积过滤器的每个元素均对应一个权重系数和一个偏差量。

3.如权利要求1所述的基于深度学习的信用卡异常交易行为判定方法，其特征在于，所述交易行为判定网络包括时序分类层和全连接输出层，时序分类层采用长短时记忆网络，长短时记忆网络包括若干个LSTM单元，时序分类层中的最后一个LSTM单元输出与全连接层连接，每个LSTM单元中设置有遗忘门f_t、输入门i_t和输出门o_t；

所述利利用交易行为判定网络对时序特征向量组进行处理，得到信用卡交易数据对应的欺诈分类结果，包括：

上一LSTM单元对输入的所述时序特征向量组进行处理，得到有用信息并传输至下一LSTM单元；

全连接层根据时序分类层中的最后一个LSTM单元的输出计算欺诈风险值，得到所述欺诈分类结果。

4.如权利要求3所述的基于深度学习的信用卡异常交易行为判定方法，其特征在于，所述的每个LSTM单元对输入的所述时序特征向量组进行处理，包括：

确定所述特征向量组中所需丢弃的信息为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

其中，σ表示sigmod函数，范围在0到1之间，0表示彻底丢弃该特征向量信息，1表示完全保留该特征向量信息，f_t表示遗忘门的输出，W_f表示加权值，h_t-1表示上一时刻LSTM单元的输出，x_t表示当前时刻LSTM单元的输入，b_f表示偏置值；

将滤除所需丢弃信息后得到的有用信息通过所述输入门，得到更新特征向量的信息；

将更新特征向量的信息通过tanh函数后与sigmoid门的输出相乘，得到下一LSTM单元的输入特征序列。

5.如权利要求1所述的基于深度学习的信用卡异常交易行为判定方法，其特征在于，所述预先训练好的深度神经网络模型的训练步骤包括：

获取用于训练交易反欺诈模型的信用卡交易数据集；

对所述信用卡交易数据集中的数据样本进行预处理，得到建模的数据；

利用建模数据对所述交易反欺诈模型进行训练。

6.如权利要求5所述的基于深度学习的信用卡异常交易行为判定方法，其特征在于，所述对所述信用卡交易数据集中的数据样本进行预处理，包括：

对所述信用卡交易数据集中的数据样本进行清洗处理，得到清洗后的数据；

对于清洗后的不同数据进行关联性分析，得到所述建模数据。

7.如权利要求5所述的基于深度学习的信用卡异常交易行为判定方法，其特征在于，在所述对所述信用卡交易数据集中的数据样本进行预处理之后，还包括：对所述建模数据进行不平衡样本处理，具体为：

利用生成对抗网络模型对所述建模数据进行不平衡样本处理，得到逼近真实欺诈交易的合成数据；

相应地，所述利用建模数据对所述交易反欺诈模型进行训练，具体为：

利用逼近真实欺诈交易的合成数据对所述交易反欺诈模型进行训练。