[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

说明书

本发明公开了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，属于大数据应用技术领域，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。本发明所构建的深度学习反欺诈模型，可有效区分信用卡异常交易行为，进一步提高对信用卡交易欺诈行为甄别的准确性。

技术领域

本发明涉及大数据应用技术领域，特别涉及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。

背景技术

随着信用卡发卡量和交易金额持续增长，以及移动终端的广泛应用，信用卡业务面对的数据信息更加复杂化、支付介质更加多元化、服务模式更加多样化，信用卡风险也随之演化出更多的表现形式，商业银行亟需积极探索移动互联网大数据新技术与欺诈风险防范的结合，不断提升欺诈洞察能力和欺诈策略适应能力，以实现对欺诈风险的智能化和精准化管理。

研究基于人工智能技术构建精准、快速的自动化反欺诈模型，提高信用卡甄别欺诈交易的准确率，对构建商业银行的智能化风控化体系有着重要的意义。

发明内容

本发明的目的在于构建精准的信用卡异常交易判定方法，有效提升信用卡异常交易行为甄别的准确率。

为实现以上目的，采用一种基于深度学习的信用卡异常交易行为判定方法，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。

进一步地，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。

进一步地，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。

进一步地，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；