[发明专利]一种基于深度学习的欺诈应用检测方法

摘要

本发明公开了一种基于深度学习的欺诈应用检测方法，包括步骤：1)获取移动广告数据，进行预处理；2)提取结构数据和样本数据；3)基于结构数据构建图并获取图嵌入特征，基于样本数据构建应用二维数据单元；4)所有应用的数据单元和图嵌入特征纵向拼接构建应用基本属性特征矩阵和图嵌入特征矩阵，构成输入特征；5)定义标签，构成被试数据；6)构建混合卷积神经网络，用于欺诈检测；7)被试数据输入至混合卷积神经网络中训练，得到混合卷积神经网络模型；8)采用混合卷积神经网络模型进行欺诈检测。本发明能够同时考虑应用的结构特征和基本属性特征，有效提高欺诈应用检测的准确率，同时减少移动广告历史数据特征工程的工作量。

主权项

1.一种基于深度学习的欺诈应用检测方法，其特征在于，包括以下步骤：1)获取移动广告日志数据，对数据进行预处理；2)从日志数据中提取出结构数据和样本数据；3)基于结构数据构建图G，并使用图嵌入的方法获取一个应用的图嵌入特征其中P是应用总数，d为特征维度，确定口大小ω进而确定时间窗口数量T，将同一个应用T个时间窗口的一行特征，按时间顺序依次排列，组成一个T行特征构成的二维基本数据单元M为数据单元的列数；4)将所有应用的T行二维基本数据，依次纵向拼接起来，构成特征矩阵即应用基本属性特征矩阵，将所有应用的一维图嵌入特征按行拼接得到列数为d的应用图嵌入特征矩阵X_s和X_e组成模型的输入特征；5)对训练部分的应用进行人工标注，按照是否为欺诈应用的信息设置每个应用的标签取值；欺诈应用的标签设置为1，非欺诈应用的标签设置为0，得到P_train个训练标签数据P_train＜P与步骤4)中的对应输入特征向量结合构成被试数据；6)构建混合卷积神经网络，用于检测欺诈应用；7)将被试数据输入至混合卷积神经网络中进行模型训练，获得混合卷积神经网络的参数，得到用于客户流失预测的混合卷积神经网络模型；8)将待检测的应用输入特征输入至混合卷积神经网络模型中进行欺诈检测。