[发明专利]一种基于ABC-SOM神经网络的消费信贷场景欺诈检测方法

说明书

本发明涉及互联网金融行业的风控技术领域，尤其为一种基于ABC‑SOM神经网络的消费信贷场景欺诈检测方法，所采用的SOM网络是一种无导师的自组织映射的无监督神经网络模型，可通过自动寻找数据中的内在规律和属性，自组织、自适应地改变网络参数和结构，具有非线性、高度并行性、容错性、鲁棒性和较强的自适应学习能力，处理不确定性或模糊信息方面的能力突出；相比传统的GA和PSO等优化算法，ABC算法不容易陷入局部最优、收敛速度和稳定性均有提高，在搜索空间中不会被其约束条件所限制，具有鲁棒性好，参数少等优点；采用ABC算法优化的SOM模型具有精度高、可靠性强等特点，可以提高了申请行为欺诈检测准确性，实现消费信贷场景欺诈的实时检测。

技术领域

本发明属于互联网金融行业的风控技术领域，具体利用人工蜂群算法(Artificial Bee Colony Algorithm，ABC算法)优化的SOM神经网络用于消费信贷场景的欺诈行为检测。

背景技术

当今消费信贷发展迅速，在消费信贷反欺诈中，传统的检测方法主要是依赖先验知识制定的基于预先定义的反欺诈规则和有监督的机器学习算法，所检测的数据级别通常是原始属性或是细粒度级别的数据。而在当今大数据时代，金融风险维度通常是成百上千个且异常复杂，很难从单个或几个属性的制定有效反欺诈规则，而有监督的机器学习又需要积累大量表现样本来训练模型，不能及时识别出新型欺诈类型。消费信贷场景的欺诈行为预测属于时间序列预测，根据历史操作行为数据通过数据挖掘发现时间序列隐藏的发展变化趋势从而预测未来欺诈行为发生的概率数据。

自组织映射网络(Self-Organizing Maps，SOM网络)是一种非线性、无监督学习神经网络，通过自动寻找数据中的内在规律和属性，自组织、自适应地改变网络参数和结构，依靠神经元之间互相竞争逐步优化网络，是一种对海量数据进行分类和特征提取的有效方法，具有泛化能力强、收敛速度快、工作效率高等优点。

但是SOM网络结合BP神经网络模型的性能受到权值和阈值的影响，另外BP神经网络是采用梯度下降的方法调整权值和阈值，导致其容易陷入局部最小和收敛速度慢的缺陷，虽然可以采用粒子群算法等进行优化，但是会增加算法计算复杂度，影响模型的训练时间和训练效果，不利于消费信贷场景的欺诈行为的实时检测，因此，针对上述问题提出一种基于ABC-SOM神经网络的消费信贷场景欺诈检测方法。

发明内容

本发明的目的在于提供一种基于ABC-SOM神经网络的消费信贷场景欺诈检测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于ABC-SOM神经网络的消费信贷场景欺诈检测方法，其特征在于：包括步骤：

S1：采集数据，从消费金融平台后端根据贷后表现选取一定比例和数量正常还款和逾期客户作为建模样本，采集样本客户账户注册申请时的个人基本信息、监测软件中获取操作行为埋点数据；

S2：数据预处理，对采集的原始数据进行缺失补全、异常值处理，并按照7:3的比例切分成训练集和测试集后分别对训练集和测试集归一化处理；

S3：确定神经元的输入和输出数据，并确定最优的隐含层神经元个数，建立基础的SOM神经网络；

S4：利用训练数据训练采用ABC优化的SOM神经网络，不断更新SOM网络的权值和阈值，找到全局最优解得到的最优权值、阈值赋予SOM神经网络，得到ABC-SOM神经网络检测模型；

S5：采用测试集样本对SOM神经网络的预测性能进行测试，将测试集数据输入ABC-SOM神经网络模型得到预测结果，以RMSE、MAPE和MAE为模型评价指标，与梯度下降法、遗传算法、粒子群算法优化的SOM神经网络模型的进行对比；

S6：将ABC-SOM神经网络的欺诈检测模型部署至申请平台输出实时申请欺诈类型，实现申请客户的实时审批，并定期将有表现数据输入到模型训练，实现模型的在线更新。