[发明专利]一种基于OCSVM的消费金融欺诈行为检测方法

权利要求书

1.一种基于OCSVM的消费金融欺诈行为检测方法，其特征在于，包括以下步骤；

S1：数据采集模块：在客户端申请页面嵌入SDK采集页面上所有的点击行为，然后通过界面配置的方式对关键行为进行定义，或通过部署在网络节点上的流量SDK采集设备样本数据，采集的数据包括：用户身份信息、工作家庭联系人信息填写及修改次数和时长、人脸识别及身份证上传次数和时长、借款用途额度及分期期限的选择次数和时长、还款方式及绑卡次数和时长等申请操作行为埋点数据，将获取的客户申请操作原始数据按照申请时间进行排序构建样本数据集；

S2、数据预处理模块：主要包括数值化处理和数据归一化；

S3、样本集切分模块：正常申请的训练集、模型优化的验证集和待检测的测试集；

S4、OCSVM训练模块：将正常数据样本通过核函数将低维样本空间变换到高维特征空间，在特征空间中求解一个最优超平面实现目标数据与坐标原点的最大分离，训练只包含正常用户的历史行为数据的训练集作为OCSVM训练的输入样本，得到OCSVM分类器作为初步特征轮廓，采用LIBSVM训练OCSVM的步骤如下：

S5、OCSVM验证模块：训练集验证集构造的最优超平面得到将正常数据集包围起来建立了检测数据的分类面，分类面在验证集上进行交叉验证，通过网格化搜索法不断地改变核函数和惩罚参数继续调优；

S6、OCSVM检测模块：将训练验证后OCSVM模型部署在客户端申请平台，对实时申请的客户数据获取、数值化及归一化处理后输入训练好的OCSVM模型，通过LIBSVM的预测函数svmpredict来预测待检测用户是否存在欺诈风险。

2.根据权利要求1所述的一种基于OCSVM的消费金融欺诈行为检测方法，其特征在于，步骤S2包括以下步骤；

S21、数值化处理：样本数据集含有的部分申请行为属性为非数值形式，如单位性质、借款用途、绑卡的开户行等，数据间具有不一致性，不能被模型直接识别，可通过独热编码(One-Hot编码)方法做数值化处理；

S22、数据标准化处理：通常采用离差(Min-Max)标准化法来对数值归一化处理，将所要处理的数据映射到[0，1]区间，可减少不同特征之间的相互影响及不一致性，Min-Max标准化的公式如下：

其中x'是归一化后的值，x_min是特征中的最小值，x_max是特征中的最大值，x为特征的初始值。

3.根据权利要求2所述的一种基于OCSVM的消费金融欺诈行为检测方法，其特征在于，步骤S3样本集切分包括以下步骤；

S31、训练集：选取正常申请及还款状态的客户作为正常客户划分为训练集，用来训练模型；

S32、验证集：选取被审批系统欺诈规则命中及借款后逾期失联的客户作为欺诈用户，和正常申请用户按照随机比例作为多个交叉验证集，用于模型的选择优化；

S33、测试集：实时申请客户作为待检测的测试集，将优化后的模型部署至平台检测申请用户欺诈，并与欺诈规则及第三方多头借贷数据比较，验证模型的准确率及泛化能力。

4.根据权利要求3所述的一种基于OCSVM的消费金融欺诈行为检测方法，其特征在于，步骤S4包括以下步骤；

S41、LIBSVM单分类设置：通过调整训练函数svmtrain的输入参数分类种类t＝2实现核函数的调用及SVM单分类功能；

S42、非线性转换问题转换为线性问题：对于非线性分类问题，将原始空间样本通过径向基核函数映射到高维特征空间，可将非线性问题转换为线性问题，径向基核函数如下：K(u，v)＝exp(-g*||u-v||²)，其中，g为核参数，u和v是原始空间输入向量；

在训练中，利用网格搜索法与10折交叉验证实现核函数参数与OCSVM训练函数系数的选取及参数寻优得到训练模型，即正常申请用户的初步特征轮廓。