异常交易检测方法、装置、设备、介质和程序产品制造方法及图纸

本公开提供了一种异常交易检测方法，可以应用于人工智能技术领域。该方法包括：响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据，将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系，根据所述当前交易数据的检测结果，处理所述交易处理请求。本公开还提供了一种异常交易检测装置、设备、存储介质和程序产品，可提升检测异常交易的准确率。交易的准确率。交易的准确率。

【技术实现步骤摘要】
异常交易检测方法、装置、设备、介质和程序产品


[0001]本公开涉及人工智能领域，更具体地涉及一种异常交易检测方法、装置、设备、介质和程序产品。

技术介绍

[0002]随着互联网的兴起，越来越多的银行金融、电商物流等传统商业交易转移到线上，随之而来的这些便捷的支付交易技术也伴随着交易欺诈和资金盗取的风险，因此，需要对异常交易进行检测，降低用户资金被盗风险，保障交易的安全性。
[0003]目前通常采用简单的设定额度范围的方式来对异常交易进行检测，例如将额度范围设置为1000，即当用户单日转账金额超过1000则报警拦截，但是这种一刀切的方法很容易造成误判，准确性较低。

技术实现思路

[0004]鉴于上述问题，本公开提供了一种异常交易检测方法、装置、设备、介质和程序产品。
[0005]根据本公开的第一个方面，提供了一种异常交易检测方法，包括：
[0006]响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据；
[0007]将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系；
[0008]根据所述当前交易数据的检测结果，处理所述交易处理请求。
[0009]在本公开一实施例中，所述方法还包括：
[0010]训练预设的卷积神经网络，得到所述预先训练好的交易检测模型，所述交易检测模型包括输入层、多对的Inception卷积层和池化层、至少一个全连接层和输出层，所述Inception卷积层用于实现卷积核尺寸转换。
[0011]所述训练预设的卷积神经网络包括：
[0012]对所述预设的卷积神经网络中的收敛精度控制参数，采用APSO算法进行调节，所述收敛精度控制参数包括卷积层的卷积核函数、全连接层的连接权值函数、卷积层的神经元数和最大训练精度误差均值。
[0013]在本公开一实施例中，所述卷积核输出结果y满足：
[0014][0015]其中，x表示m
×
n的二维向量，ω
ij
表示长宽分别为i，j的卷积核，f(.)表示激活函数，b表示余项。
[0016]在本公开一实施例中，所述激活函数采用relu函数。
[0017]在本公开一实施例中，所述预设的卷积神经网络中的相邻神经元之间的转换表达
式满足：
[0018][0019]其中，y
j
表示CNN网络第j个神经元的输出，f1(.)表示相邻神经元进行传递的全连接函数，表示第i，j个神经元之间的连接权值，不相邻为0，b
j
为第j个神经元传递的误差值。
[0020]在本公开一实施例中，所述训练预设的卷积神经网络还包括：
[0021]利用所述APSO算法初始化所述卷积神经网络的初始连接权值，并使用共轭梯度下降法训练所述卷积神经网络的误差精度。
[0022]在本公开一实施例中，所述训练预设的卷积神经网络，得到所述预先训练好的交易检测模型包括：
[0023]获取与所述用户相关的历史交易数据；
[0024]对所述历史交易数据进行预处理，得到训练数据；
[0025]利用所述训练数据训练所述预设的卷积神经网络，得到所述预先训练好的交易检测模型。
[0026]在本公开一实施例中，所述对所述历史交易数据进行预处理，得到训练数据包括：
[0027]对所述历史交易数据进行冗余清洗，得到第一数据；
[0028]利用Smote算法，对所述第二数据进行缺失值补充，得到第三数据；
[0029]对所述第三数据进行关联性分析，得到所述训练数据。
[0030]在本公开一实施例中，所述根据所述当前交易的检测结果，处理所述交易处理请求包括：
[0031]在所述当前交易的检测结果为异常的情况下，拦截所述交易处理请求，并将所述交易处理请求中携带的当前交易数据存入预设的异常样本库。
[0032]在本公开一实施例中，所述根据所述当前交易的检测结果，处理所述交易处理请求包括：
[0033]在所述当前交易的检测结果为正常的情况下，处理所述交易处理请求，并根据所述交易处理请求中携带的当前交易数据，更新所述用户的个人交易画像。
[0034]本公开的第二方面提供了一种交易异常检测装置，包括：
[0035]获取模块，用于响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据；
[0036]输入模块，用于将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系；
[0037]处理模块，用于根据所述当前交易数据的检测结果，处理所述交易处理请求。
[0038]在本公开一实施例中，所述装置还包括：
[0039]训练模块，用于训练预设的卷积神经网络，得到所述预先训练好的交易检测模型，所述交易检测模型包括输入层、多对的Inception卷积层和池化层、全连接层和输出层，所述Inception卷积层用于实现卷积核尺寸转换。
[0040]在本公开一实施例中，所述训练模块具体用于对所述预设的卷积神经网络中的收
敛精度控制参数，采用APSO算法进行调节，所述收敛精度控制参数包括卷积层的卷积核函数、全连接层的连接权值函数、卷积层的神经元数和最大训练精度误差均值。
[0041]在本公开一实施例中，所述卷积核输出结果y满足：
[0042][0043]其中，x表示m
×
n的二维向量，ω
ij
表示长宽分别为i，j的卷积核，f(.)表示激活函数，b表示余项。
[0044]在本公开一实施例中，所述激活函数采用relu函数。
[0045]在本公开一实施例中，所述预设的卷积神经网络中的相邻神经元之间的转换表达式满足：
[0046][0047]其中，y
j
表示CNN网络第j个神经元的输出，f1(.)表示相邻神经元进行传递的全连接函数，表示第i，j个神经元之间的连接权值，不相邻为0，b
j
为第j个神经元传递的误差值。
[0048]在本公开一实施例中，所述训练模块具体用于利用所述APSO算法初始化所述卷积神经网络的初始连接权值，并使用共轭梯度下降法训练所述卷积神经网络的误差精度。
[0049]在本公开一实施例中，所述训练模块具体用于获取与所述用户相关的历史交易数据；对所述历史交易数据进行预处理，得到训练数据；利用所述训练数据训练所述预设的卷积神经网络，得到所述预先训练好的交易检测模型。
[0050]在本公开一实施例中，所述对所述历史交易数据进行预处理，得到训练数据包括：对所述历史交易数据进行冗余清洗，得到第一数据；利用Smote算法，对所述第二数据进行缺失值补充，得到第三数据；对所述第三数据进行关联性分析，得到所述训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常交易检测方法，包括：响应于用户发送的交易处理请求，获取所述交易处理请求携带当前交易数据；将所述当前交易数据输入给预先训练好的交易检测模型，得到所述当前交易数据的检测结果，所述交易检测模型用于表征交易数据和交易的检测结果之间的对应关系；根据所述当前交易数据的检测结果，处理所述交易处理请求。2.根据权利要求1所述的异常交易检测方法，所述方法还包括：训练预设的卷积神经网络，得到所述预先训练好的交易检测模型，所述交易检测模型包括输入层、多对的Inception卷积层和池化层、至少一个全连接层和输出层，所述Inception卷积层用于实现卷积核尺寸转换。3.根据权利要求2所述的交易异常检测方法，所述训练预设的卷积神经网络包括：对所述预设的卷积神经网络中的收敛精度控制参数，采用APSO算法进行调节，所述收敛精度控制参数包括卷积层的卷积核函数、全连接层的连接权值函数、卷积层的神经元数和最大训练精度误差均值。4.根据权利要求2所述的异常交易检测方法，所述卷积核输出结果y满足：其中，x表示m
×
n的二维向量，ω
ij
表示长宽分别为i，j的卷积核，f(.)表示激活函数，b表示余项。5.根据权利要求4所述的异常交易检测方法，所述激活函数采用relu函数。6.根据权利要求4所述的异常交易检测方法，所述预设的卷积神经网络中的相邻神经元之间的转换表达式满足：其中，y
j
表示CNN网络第j个神经元的输出，f1(.)表示相邻神经元进行传递的全连接函数，表示第i，j个神经元之间的连接权值，不相邻为0，b
j
为第j个神经元传递的误差值。7.根据权利要求3所述的异常交易检测方法，所述训练预设的卷积神经网络还包括：利用所述APSO算法初始化所述卷积神经网络的初始连接权值，并使用共轭梯度下降法训练所述卷积神经网络的误差精度。8.根据权利要求1至6任意一项所述的异常交易检测方法，所述训练预设的卷积神经网络，得到所述预先训练好的交易检测模型包括：获取与所述用户相关的历史交易数据；对所述历史交易数据进行预处理，得到训练数据；利用所述训练数据训练所述预设的卷积神经网络，得到所述预先训练好的交易检测模型。9.根据权利要求8所述的异常交易检测方法，所述对所述历史交易数据进行预处...

【专利技术属性】
技术研发人员：邓美林，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：