[发明专利]一种基于表征学习的交易欺诈行为深度检测方法

摘要

本发明涉及一种基于表征学习的交易欺诈行为深度检测方法，其特征在于，包括以下步骤：建立基于Autoencoder模型的表征学习multi‑representation结构，通过BaggingBalance方法从交易数据中抽取数据集，得到相对应的表征学习向量；建立OSD‑DF分类结构，将multi‑representation结构得到表征学习向量作为OSD‑DF分类结构的输入，训练OSD‑DF分类结构，得到交易数据的欺诈检测结果。本发明提出的电子交易欺诈检测方法，可以有效检测电子交易中的欺诈行为。本发明提供的方法从实用性角度出发，建立了电子交易欺诈检测方法的框架，为解决欺诈交易检测提供了技术支持。

主权项

1.一种基于表征学习的交易欺诈行为深度检测方法，其特征在于，包括以下步骤：(1)建立基于Autoencoder模型的表征学习multi‑representation结构，通过BaggingBalance方法从交易数据中抽取数据集，将数据集输入multi‑representation结构得到相对应的表征学习向量，其中，通过BaggingBalance方法从交易数据中抽取数据集包括以下步骤：S301、划分数据集将交易数据划分为合法交易的样本集D_malor和欺诈交易的样本集D_minor；S302、数据下采样每次随机采样样本集D_major，从中挑选一个样本拷贝放入数据集D_sample，然后再将该样本放回样本集D_major中，采样数据量为样本集D_minor的大小；S303、特征采样从特征空间中随机选取特征子集，对下采样的数据进行特征过滤；S304、返回数据集；(2)建立OSD‑DF分类结构，将multi‑representation结构得到表征学习向量作为OSD‑DF分类结构的输入，训练OSD‑DF分类结构，得到交易数据的欺诈检测结果，包括以下步骤：S201、数据输入获取multi‑representation结构得到的表征学习向量，作为OSD‑DF分类结构的输入；S202、初始化模型设置OSD‑DF分类结构的模型结构，输入数据进入OSD‑DF分类结构的处理层，输出处理的结果到下一层；S203、训练模型下一层接收上一层处理的特征信息，重复步骤S202的操作，继续扩充下一层，当扩充一个新层后，模型将在验证数据集上评估当前模型的检测性能，相比上一次评估，如果当前性能提升小于设定阈值，模型停止更新；S204、检测结束，得到交易数据的欺诈检测结果。