一种欺诈检测方法、系统、电子设备及介质技术方案

本发明专利技术公开一种欺诈检测方法、系统、电子设备及介质，涉及欺诈检测领域，方法包括：根据待检数据集中待检目标节点的初始节点特征和邻居节点的初始节点特征，利用第一多层感知机，确定待检目标节点和每个邻居节点连边的关系得分；根据关系得分，确定待检目标节点和每个邻居节点连边的连边属性；基于连边属性，利用图变换器确定待检目标节点的聚合特征；根据聚合特征和待检目标节点的初始节点特征，利用第二多层感知机，确定所述待检目标节点的最终特征；根据最终特征，利用第三多层感知机，确定待检目标节点的类型标签；基于待检目标节点的类型标签确定交易用户的类型。本发明专利技术提供了欺诈检测的准确性。诈检测的准确性。诈检测的准确性。

【技术实现步骤摘要】
一种欺诈检测方法、系统、电子设备及介质


[0001]本专利技术涉及欺诈检测领域，特别是涉及一种欺诈检测方法、系统、电子设备及介质。

技术介绍

[0002]随着近些年来互联网的高速发展，在贸易、社交和娱乐等领域提供了许多的便利，例如电子商务、社交网络与娱乐软件。
[0003]过去研究者们通过统计学来进行传统的欺诈检测，随着深度学习的发展，研究者们开始将深度学习与欺诈检测结合在一起，近些年来，图神经网络的发展使得图欺诈检测在学术界和工业界受到了广泛的关注。通过将用户视为网络中的节点，交互行为视为节点间的连边，从而反映交易行为来进行欺诈检测。
[0004]然而传统的gnn都是基于同质性假设而设计的模型，忽略异质性的特点，在现实复杂网络中，欺诈节点往往趋于与正常节点发生交互行为，这使得节点的表示不理想，从而导致不能准确进行欺诈检测。

技术实现思路

[0005]本专利技术的目的是提供一种欺诈检测方法、系统、电子设备及介质，以提高欺诈检测的准确性。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种欺诈检测方法，包括：
[0008]获取待检数据集；所述待检数据集包括节点组、节点组中节点对应的初始节点特征和多个连边；所述节点组包括一个待检目标节点和多个邻居节点；一个节点对应一个交易用户；所述连边为交易用户间的交互行为；
[0009]根据所述待检目标节点的初始节点特征和所述邻居节点的初始节点特征，利用第一多层感知机，确定所述待检目标节点和每个所述邻居节点连边的关系得分；所述第一多层感知机是利用DGraph数据集对第一初始多层感知机进行训练得到的；
[0010]根据所述关系得分，确定所述待检目标节点和每个所述邻居节点连边的连边属性；所述连边属性为同质连边或者异质连边；
[0011]基于所述连边属性，利用图变换器对所述待检目标节点的初始节点特征和所有所述邻居节点的初始节点特征进行聚合，得到待检目标节点的聚合特征；
[0012]根据所述聚合特征和所述待检目标节点的初始节点特征，利用第二多层感知机，确定所述待检目标节点的最终特征；第二多层感知机是利用DGraph数据集对第二初始多层感知机进行训练得到的；
[0013]根据所述最终特征，利用第三多层感知机，确定所述待检目标节点的类型标签；第三多层感知机是利用DGraph数据集对第三初始多层感知机进行训练得到的；
[0014]基于所述待检目标节点的类型标签确定所述交易用户的类型；所述类型为非欺诈
用户或者欺诈用户。
[0015]可选地，所述第一多层感知机、所述第二多层感知机和所述第三多层感知机的训练过程，具体包括：
[0016]获取所述DGraph数据集；
[0017]基于所述DGraph数据集，生成训练同构图；所述训练同构图包括节点集合、节点特征集合、连边集合和标签集合；所述节点集合包括欺诈节点和非欺诈节点；所述节点特征集合包括任一节点的初始节点特征；所述标签集合包括节点标签集合和连边标签集合；
[0018]将所述节点集合中任一节点作为目标节点，针对任一目标节点：
[0019]根据所述目标节点的初始节点特征和非目标节点的初始节点特征，利用第一初始多层感知机，确定所述目标节点和每个所述非目标节点连边的初始关系得分；所述非目标节点为所述节点集合中除目标节点之外的节点；
[0020]对所述初始关系得分进行更新，得到更新后的关系得分；
[0021]根据所述更新后的关系得分以及对应的连边标签，确定关系得分损失；
[0022]确定全局正常节点特征和全局欺诈节点特征；所述全局正常节点特征为所有非欺诈节点的初始节点特征的平均值；所述全局欺诈节点特征为所有欺诈节点的初始节点特征的平均值；
[0023]确定所述目标节点的最终嵌入特征分别与所述全局正常节点特征和所述全局欺诈节点特征的全局正常距离和全局欺诈距离；所述全局正常距离为所述目标节点的最终嵌入特征与所述全局正常节点特征的二范数；所述全局欺诈距离为所述目标节点的最终嵌入特征与所述全局欺诈节点特征的二范数；
[0024]将所述全局正常距离与所述全局欺诈距离进行拼接，得到全局节点特征；
[0025]将所述全局节点特征输入至第四初始多层感知机，得到第四预测节点类型；
[0026]根据所述第四预测节点类型与对应的节点标签，确定全局属性损失；
[0027]根据所述更新后的关系得分和关系得分阈值，预测所述目标节点与任一所述非目标节点的连边属性；
[0028]基于所述连边属性，利用图变换器对所述目标节点的初始节点特征和所有所述邻居节点的初始节点特征进行聚合，得到目标节点的聚合特征；
[0029]根据所述目标节点的聚合特征和所述目标节点的初始节点特征，利用第二初始多层感知机，确定所述目标节点的最终特征；
[0030]根据所述目标节点的最终特征，利用第三初始多层感知机，确定所述目标节点的类型标签；
[0031]根据所述目标节点的类型标签和对应的节点标签，确定节点分类损失；
[0032]根据所述关系得分损失、所述全局属性损失和所述节点分类损失，确定总损失；
[0033]若所述总损失满足预设条件，则训练结束，将具有当前第一模型参数的第一初始多层感知机作为所述第一多层感知机，具有当前第二模型参数的第二初始多层感知机作为所述第二多层感知机，具有当前第三模型参数的第三初始多层感知机作为所述第三多层感知机；所述预设条件为所述总损失小于预设损失阈值或者达到最大训练次数；
[0034]若所述总损失不满足预设条件，则根据所述总损失更新所述第一初始多层感知机的第一模型参数、所述第二初始多层感知机的第二模型参数、所述第三初始多层感知机的
第三模型参数和所述第四初始多层感知机的第四模型参数。
[0035]可选地，对所述初始关系得分进行更新，得到更新后的关系得分，具体包括：
[0036]确定所述目标节点的行为周期以及所述目标节点的邻居节点的行为周期；
[0037]根据所述目标节点的行为周期和所述邻居节点的行为周期，确定所述目标节点的时间密度；
[0038]根据所述目标节点的时间密度，确定所述目标节点的时间密度得分；
[0039]根据所述时间密度得分，更新所述初始关系得分，得到更新后的关系得分。
[0040]可选地，确定所述目标节点的行为周期，具体包括：
[0041]利用公式确定目标节点的行为周期；表示目标节点最后一次交互的时间戳，表示目标节点第一次交互的时间戳，表示目标节点的出度。
[0042]可选地，根据所述目标节点的行为周期和所述邻居节点的行为周期，确定所述目标节点的时间密度，具体包括：
[0043]利用公式确定所述目标节点的时间密度；其中，表示为目标节点的所有邻居节点，表示邻居节点j，表示邻居节点的行为周期。
[0044]可选地，根据所述目标节点的时间密度，确定所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种欺诈检测方法，其特征在于，包括：获取待检数据集；所述待检数据集包括节点组、节点组中节点对应的初始节点特征和多个连边；所述节点组包括一个待检目标节点和多个邻居节点；一个节点对应一个交易用户；所述连边为交易用户间的交互行为；根据所述待检目标节点的初始节点特征和所述邻居节点的初始节点特征，利用第一多层感知机，确定所述待检目标节点和每个所述邻居节点连边的关系得分；所述第一多层感知机是利用DGraph数据集对第一初始多层感知机进行训练得到的；根据所述关系得分，确定所述待检目标节点和每个所述邻居节点连边的连边属性；所述连边属性为同质连边或者异质连边；基于所述连边属性，利用图变换器对所述待检目标节点的初始节点特征和所有所述邻居节点的初始节点特征进行聚合，得到待检目标节点的聚合特征；根据所述聚合特征和所述待检目标节点的初始节点特征，利用第二多层感知机，确定所述待检目标节点的最终特征；第二多层感知机是利用DGraph数据集对第二初始多层感知机进行训练得到的；根据所述最终特征，利用第三多层感知机，确定所述待检目标节点的类型标签；第三多层感知机是利用DGraph数据集对第三初始多层感知机进行训练得到的；基于所述待检目标节点的类型标签确定所述交易用户的类型；所述类型为非欺诈用户或者欺诈用户。2.根据权利要求1所述的欺诈检测方法，其特征在于，所述第一多层感知机、所述第二多层感知机和所述第三多层感知机的训练过程，具体包括：获取所述DGraph数据集；基于所述DGraph数据集，生成训练同构图；所述训练同构图包括节点集合、节点特征集合、连边集合和标签集合；所述节点集合包括欺诈节点和非欺诈节点；所述节点特征集合包括任一节点的初始节点特征；所述标签集合包括节点标签集合和连边标签集合；将所述节点集合中任一节点作为目标节点，针对任一目标节点：根据所述目标节点的初始节点特征和非目标节点的初始节点特征，利用第一初始多层感知机，确定所述目标节点和每个所述非目标节点连边的初始关系得分；所述非目标节点为所述节点集合中除目标节点之外的节点；对所述初始关系得分进行更新，得到更新后的关系得分；根据所述更新后的关系得分以及对应的连边标签，确定关系得分损失；确定全局正常节点特征和全局欺诈节点特征；所述全局正常节点特征为所有非欺诈节点的初始节点特征的平均值；所述全局欺诈节点特征为所有欺诈节点的初始节点特征的平均值；确定所述目标节点的最终嵌入特征分别与所述全局正常节点特征和所述全局欺诈节点特征的全局正常距离和全局欺诈距离；所述全局正常距离为所述目标节点的最终嵌入特征与所述全局正常节点特征的二范数；所述全局欺诈距离为所述目标节点的最终嵌入特征与所述全局欺诈节点特征的二范数；将所述全局正常距离与所述全局欺诈距离进行拼接，得到全局节点特征；将所述全局节点特征输入至第四初始多层感知机，得到第四预测节点类型；
根据所述第四预测节点类型与对应的节点标签，确定全局属性损失；根据所述更新后的关系得分和关系得分阈值，预测所述目标节点与任一所述非目标节点的连边属性；基于所述连边属性，利用图变换器对所述目标节点的初始节点特征和所有所述邻居节点的初始节点特征进行聚合，得到目标节点的聚合特征；根据所述目标节点的聚合特征和所述目标节点的初始节点特征，利用第二初始多层感知机，确定所述目标节点的最终特征；根据所述目标节点的最终特征，利用第三初始多层感知机，确定所述目标节点的类型标签；根据所述目标节点的类型标签和对应的节点标签，确定节点分类损失；根据所述关系得分损失、所述全局属性损失和所述节点分类损失，确定总损失；若所述总损失满足预设条件，则训练结束，将具有当前第一模型参数的第一初始多层感知机作为所述第一多层感知机，具有当前第二模型参数的第二初始多层感知机作为所述第二多层感知机，具有当前第三模型参数的第三初始多层感知机作为...

【专利技术属性】
技术研发人员：骆祥峰，王鑫，余航，王欣芝，
申请(专利权)人：上海大学，
类型：发明
国别省市：