本申请提供一种信用卡欺诈行为检测方法及装置，可用于深度学习领域，该方法包括：获取待处理信用卡的目标行为类型的行为数据；应用预设的信用卡欺诈行为检测模型和行为数据，得到待处理信用卡对应的欺诈行为检测结果；其中，预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：目标行为类型对应的历史行为数据，目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自的历史行为数据。本申请能够提高信用卡欺诈行为检测过程中特征选择的可靠性，进而能够提高信用卡欺诈行为检测的准确性和效率。测的准确性和效率。测的准确性和效率。
【技术实现步骤摘要】
信用卡欺诈行为检测方法及装置
[0001]本申请涉及深度学习
，尤其涉及一种信用卡欺诈行为检测方法及装置。
技术介绍
[0002]随着信用卡支付的推广，信用卡欺诈行为也时有发生。信用卡欺诈行为包括网络钓鱼、身份盗窃、盗刷、使用丢失或被盗的卡片、卡片克隆等。
[0003]目前，常见的信用卡欺诈检测方式包括：基于机器学习和深度学习检测信用卡欺诈行为。但是，信用卡行为数据通常具有大量的特征和高维度，这增加了模型的计算复杂度和训练时间。特别是在深度学习方法中，需要大量的计算资源和时间来训练和优化深层神经网络模型，影响信用卡欺诈行为检测的效率。
技术实现思路
[0004]针对现有技术中的至少一个问题，本申请提出了一种信用卡欺诈行为检测方法及装置，能够提高信用卡欺诈行为检测过程中特征选择的可靠性，进而能够提高信用卡欺诈行为检测的准确性和效率。
[0005]为了解决上述技术问题，本申请提供以下技术方案：
[0006]第一方面，本申请提供一种信用卡欺诈行为检测方法包括：
[0007]获取待处理信用卡对应的目标行为类型的行为数据；
[0008]应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；
[0009]其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
[0010]在一个实施例中，在所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果之前，还包括：
[0011]获取批量原始训练样本，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据；
[0012]应用竞争型群体优化算法对批量原始训练样本进行特征选择处理，确定目标行为类型。
[0013]在一个实施例中，所述的信用卡欺诈行为检测方法，还包括：
[0014]获取批量原始训练样本各自对应的实际欺诈行为标签，所述实际欺诈行为标签包括：欺诈行为风险标签和正常行为标签；
[0015]从每个原始训练样本中获得所述目标行为类型对应的历史行为数据并确定为训练样本，并将该原始训练样本对应的实际欺诈行为标签确定为该训练样本对应的实际欺诈
行为标签；
[0016]应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型。
[0017]在一个实施例中，所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果，包括：
[0018]将所述行为数据输入预设的信用卡欺诈行为检测模型，若根据该预设的信用卡欺诈行为检测模型的输出结果确定所述待处理信用卡对应的欺诈行为检测结果为存在欺诈行为，则输出所述待处理信用卡对应的预警信息。
[0019]在一个实施例中，所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果包括：
[0020]将所述行为数据输入所述预设的信用卡欺诈行为检测模型，经由所述预设的信用卡欺诈行为检测模型的卷积层、池化层、全连接层和归一化指数函数层，得到所述待处理信用卡对应的欺诈行为检测结果。
[0021]在一个实施例中，所述应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型，包括：
[0022]应用训练样本集分别对多个分类算法进行训练，得到多个初始信用卡欺诈行为检测模型，所述训练样本集包括：批量训练样本及其各自对应的实际欺诈行为标签；
[0023]获取验证样本集，所述验证样本集包括：批量验证样本及其各自对应的实际欺诈行为标签，每个验证样本包括：所述目标行为类型对应的历史行为数据；
[0024]应用所述验证样本集分别对各个初始信用卡欺诈行为检测模型进行验证，将准确率最高的初始信用卡欺诈行为检测模型确定为所述信用卡欺诈行为检测模型。
[0025]在一个实施例中，所述深度学习算法为深度卷积神经网络算法。
[0026]第二方面，本申请提供一种信用卡欺诈行为检测装置，包括：
[0027]获取模块，用于获取待处理信用卡对应的目标行为类型的行为数据；
[0028]检测模块，用于应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；
[0029]其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。
[0030]在一个实施例中，所述的信用卡欺诈行为检测装置还包括：
[0031]获取原始训练样本模块，用于获取批量原始训练样本，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据；
[0032]特征选择模块，用于应用竞争型群体优化算法对批量原始训练样本进行特征选择处理，确定目标行为类型。
[0033]在一个实施例中，所述的信用卡欺诈行为检测装置还包括：
[0034]获取标签模块，用于获取批量原始训练样本各自对应的实际欺诈行为标签，所述实际欺诈行为标签包括：欺诈行为风险标签和正常行为标签；
[0035]确定模块，用于从每个原始训练样本中获得所述目标行为类型对应的历史行为数据并确定为训练样本，并将该原始训练样本对应的实际欺诈行为标签确定为该训练样本对应的实际欺诈行为标签；
[0036]训练模块，用于应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型。
[0037]在一个实施例中，所述检测模块包括：
[0038]输入单元，用于将所述行为数据输入预设的信用卡欺诈行为检测模型，若根据该预设的信用卡欺诈行为检测模型的输出结果确定所述待处理信用卡对应的欺诈行为检测结果为存在欺诈行为，则输出所述待处理信用卡对应的预警信息。
[0039]在一个实施例中，所述检测模块包括：
[0040]检测单元，用于将所述行为数据输入所述预设的信用卡欺诈行为检测模型，经由所述预设的信用卡欺诈行为检测模型的卷积层、池化层、全连接层和归一化指数函数层，得到所述待处理信用卡对应的欺诈行为检测结果。
[0041]在一个实施例中，所述训练模块，包括：
[0042]训练单元，用于应用训练样本集分别对多个分类算法进行训练，得到多个初始信用卡欺诈行为检测模型，所述训练样本集包括：批量训练样本及其本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种信用卡欺诈行为检测方法，其特征在于，包括：获取待处理信用卡对应的目标行为类型的行为数据；应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果；其中，所述预设的信用卡欺诈行为检测模型是基于批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法预先训练得到的，每个样本包括：所述目标行为类型对应的历史行为数据，所述目标行为类型是基于竞争型群体优化算法对批量原始训练样本进行特征选择处理得到的，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据。2.根据权利要求1所述的信用卡欺诈行为检测方法，其特征在于，在所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果之前，还包括：获取批量原始训练样本，每个原始训练样本包括：多个原始行为类型各自对应的历史行为数据；应用竞争型群体优化算法对批量原始训练样本进行特征选择处理，确定目标行为类型。3.根据权利要求2所述的信用卡欺诈行为检测方法，其特征在于，还包括：获取批量原始训练样本各自对应的实际欺诈行为标签，所述实际欺诈行为标签包括：欺诈行为风险标签和正常行为标签；从每个原始训练样本中获得所述目标行为类型对应的历史行为数据并确定为训练样本，并将该原始训练样本对应的实际欺诈行为标签确定为该训练样本对应的实际欺诈行为标签；应用批量训练样本及其各自对应的实际欺诈行为标签对深度学习算法进行训练，得到所述预设的信用卡欺诈行为检测模型。4.根据权利要求1所述的信用卡欺诈行为检测方法，其特征在于，所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺诈行为检测结果，包括：将所述行为数据输入预设的信用卡欺诈行为检测模型，若根据该预设的信用卡欺诈行为检测模型的输出结果确定所述待处理信用卡对应的欺诈行为检测结果为存在欺诈行为，则输出所述待处理信用卡对应的预警信息。5.根据权利要求1所述的信用卡欺诈行为检测方法，其特征在于，所述应用预设的信用卡欺诈行为检测模型和所述行为数据，得到所述待处理信用卡对应的欺...
【专利技术属性】
技术研发人员：程飞，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。