[发明专利]财产保险反欺诈检测算法

摘要

本发明涉及一种反欺诈检测算法，尤其涉及一种财产保险反欺诈检测算法。按以下步骤进行：案件‑零件维修表示→生成网络模型→模型学习数据中的规律→判定疑似欺诈。一种财产保险反欺诈检测算法计算快速，进一步提升反欺诈检测能力。

主权项

一种财产保险反欺诈检测算法，其特征在于按以下步骤进行：第一步，案件‑零件维修表示：把每个案件中的零件维修情况表示为一个高维向量，向量中每一个元素为0或1；假设需要侦测的零件总数为n个，那么每个案件中维修的零件必然对应着这n个零件的一个子集；当维修到某个零件的时候，某个零件对应位置写为1，否则写为0；；因此每个案件表示为如下向量：elements＝[e₁，e₂，…e_n]第二步，生成网络模型：神经网络模型可以学习数据中的规律，深度学习是一种特殊的人工神经网络，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示；算法模型有五层组成，第一层是输入层，之后两层是编码层，最后两层是解码层；数据经过编码层和解码层后被还原回来，还原回来的数据维度和输入维度相同；最下面的n1,n2表示每一层的维度；层和层之间有全连接权值网络，网络中有偏置节点；第三步，模型学习数据中的规律：学习方法具体为：假设我们有样本集{(x⁽¹⁾，y⁽¹⁾)，...，(x^(m)，y^(m))}，其中y是x的标签，y和x对等；它包含m个样例，对于单个样例(x,y)，代价函数为：其中n表示输入层的维度，即第一步中零件总数，上标i表示零件向量的第i个分量以及输出向量的第i个分量；其中h_W,b(x)函数表示数据x经过网络模型后的输出向量，即输出层的输出结果；整体代价函数为J(W,b)如下，其中m是样本总数：采用梯度下降法中每一次迭代都按照如下公式对参数W和b进行更新：其中是第l层第j单元与第l+1层第i单元之间的联接参数，是第l+1层第i单元的偏置项；对于输出层的每个输出单元i，可以定义残差如下：对非输出层的各个层，第l层的第i个节点的残差计算方法如下：其中表示第l层第i单元输入加权和(包括偏置单元)，比如，f(·)表示激活函数；有了残差的定义之后，可以方便的计算偏导数，计算方法如下：有了偏导数的公式之后，就可以按照上文中的梯度下降法进行更新网络模型；第四步，判定疑似欺诈：训练神经网络时，神经网络的输出层可以给出重建向量，重建向量是一个n维的向量，其中每一个分量是0‑1之间的值，因为输出层的节点个数和输入层的节点个数相同，因此每个节点对应一个零件，此处用输出概率值判断对应的零件是否有欺诈风险；判定欺诈规则如下：其中output是模型的输出向量，thresh是人为指定阈值，cheat是判定向量，通过cheat向量最终可以知道哪些零件是高风险零件，即欺诈零件:Cheat＝[cheat¹，Cheat²，…Cheatⁿ]