[发明专利]用户操作检测方法及程序产品

说明书

本申请提供一种用户操作检测方法及程序产品。首先获取多份行为数据，并根据行为数据和各预设时间粒度确定原始特征列表，再根据原始特征列表和预设特征筛选策略筛选目标特征，最后基于预设代价矩阵结合预设训练模型、目标特征及结果数据生成检测模型，通过检测模型对用户操作是否为本人行为进行检测。自适应筛选得到目标特征，不完全依赖人工经验而更注重行为数据本身，从而不会因特征选取失衡导致检测模型失效，还能提高检测模型的迭代频率以对未知非本人行为有效识别。针对应用场景样本不均衡的特殊性，采用预设代价矩阵充分考虑不同类型样本的损失代价，检测模型对用户操作的检测以追求最小损失代价为目的，有效维护用户及相应机构权益。

技术领域

本申请涉及金融科技(Fintech)技术领域，尤其涉及一种用户操作检测方法及程序产品。

背景技术

随着计算机技术以及互联网技术的快速发展，金融科技(Fintech)作为金融与科技深度融合的产物，目前正成为金融行业创新发展的热点。与此同时，越来越多的金融机构将原有需要线下办理的业务逐渐迁移至线上办理。此举措虽然方便了广大用户，但却提高了金融欺诈风险。例如，当用户于线上对账户进行相应操作时，由于金融机构无法对线上的操作行为是否为本人行为的事实如同线下一样进行面核，因而极有可能存在他人攻击或非本人意愿的操作，而这些非本人的操作则存在一定的金融欺诈风险。

现有技术中，通常依赖人工经验对用户线上操作行为所产生的数据进行加工处理并提取相应特征，然后基于所提取的特征形成相应的检测模型以对金融欺诈风险进行识别。由于特征的选取依赖于人工经验，可能会造成特征选取失衡的情况，导致模型失效。另一方面，依赖人工经验选取特征所形成的检测模型通常迭代频率较低，无法对新出现的新型欺诈行为进行识别。再者，由于反欺诈场景的特殊性，欺诈行为的样本占比远小于非欺诈行为样本的占比，但现有技术形成模型的方案中，对样本训练常用的方法有多数类样本欠采样、少数类样本过采样、少数类样本人工合成数据(如Synthetic MinorityOversampling Technique，SMOTE)方法等，或者是利用比如代价敏感学习算法于训练样本数据，都是对原有数据的样本比例进行了机械式改变，造成训练结果出现偏差，容易忽略将欺诈样本错判为正常样本而带来的损失代价，对用户以及金融机构造成利益危害。

可见，针对存在的金融欺诈风险，亟需一种克服现有技术缺陷的用户检测方法以对用户操作行为进行检测。

发明内容

本申请提供一种用户操作检测方法及程序产品，用于解决现有技术进行欺诈行为检测时人工选取特征失衡造成检测所用模型迭代频率较低并会导致检测失效，以及样本比例不均容易忽略将欺诈样本错判为正常样本而危害用户或金融机构利益的技术问题。

第一方面，本申请提供一种用户操作检测方法，所述检测方法包括：

获取多份行为数据，所述行为数据用于表征历史用户对账户进行在线操作产生的数据；

根据所述行为数据以及各预设时间粒度确定原始特征列表，并根据原始特征列表以及预设特征筛选策略确定目标特征，所述预设特征筛选策略用于根据所述原始特征列表自适应筛选所述目标特征；

基于预设代价矩阵，根据预设训练模型、所述目标特征以及所述行为数据包含的结果数据生成检测模型，以通过所述检测模型检测用户操作是否为本人行为，所述结果数据用于表征所述在线操作是否为所述历史用户本人行为。

在一种可能的设计中，所述通过所述检测模型检测用户操作是否为本人行为，包括：

获取当前用户的当前行为数据，所述当前行为数据用于表征所述当前用户对账户进行在线操作产生的数据，所述当前行为数据的操作结果为成功；

将所述当前行为数据与所述原始特征列表进行关联，以根据关联后的当前行为数据以及所述检测模型生成判断结果，所述判断结果包括所述当前用户对账户的在线操作为所述当前用户本人行为或者非所述当前用户本人行为。